Разработка ИИ-агента в Telegram для приёма B2B-заказов (Python, FastAPI, LLM, Vector DB)

Бюджет: 27000 UAH Срок: 10 дней

Здравствуйте!
Я Олег, проектный менеджер Business Atlas. Разрабатываем AI-решения и автоматизации для бизнес-процессов (50+ проектов в UA/EU).
• Ответ на обязательный вопрос:
Для поиска по 30 000 технических SKU мы выбираем text-embedding-3-large от OpenAI (или self-hosted альтернативу bge-m3 / nomic-embed-text). Она имеет высокую размерность (3072), что критично для точного различения похожих парт-номеров и ревизий. Модель экономичная, позволяет гибко уменьшать вектор в Qdrant без потери точности и идеально мапит жаргон мастеров (аккум, оригинал) на официальную номенклатуру.
• Наше решение для вашего ТЗ:
1. Мультимодальность: Настроим распознавание голоса через Whisper API и анализ фото маркировок через GPT-4o Vision.
2. Smart UI & Slot Filling: Создадим диалоговую логику для пошагового уточнения модели/ревизии и удобные инлайн-меню с перерасчетом корзины на лету.
3. Прямое API: Формируем чистый JSON и бесшовно передаем заказы на ваш сайт.
• Наш релевантный опыт:
Разрабатывали похожие RAG-системы и векторный поиск по большим каталогам товаров и запчастей, а также AI-агентов полного цикла — от голосового запроса в мессенджере до создания накладной и оплаты.
• Условия:
Стоимость: $2 200 – $3 200 (зависит от API сайта и финальной логики уточнений).
Срок: 5–7 недель (с полным тестированием базы).
Напишите мне в личные сообщения — я отправлю схемы наших похожих AI-воркфлоу, и мы согласуем детали. Развернуть

Бюджет: 10000 UAH Срок: 21 день

Доброго дня!

Сразу к вашему вопросу о эмбеддингах: я бы взял BGE-M3 и строил поиск в Qdrant гибридно, dense + sparse одновременно.

Причина конкретная именно для вашего каталога. Запросы мастеров состоят из двух разных по природе частей: жаргон ("акум", "АКБ", "ориг", "дисплей в сборе") и точные токены, то есть парт-номера и ревизии. Dense-векторы хорошо тянут первое и размывают второе: для модели GH97-18523 и GH97-18525 практически одно и то же, а для мастера это разные детали. BGE-M3 отдает из одной модели и dense, и sparse (лексический) вектор, а Qdrant держит их в одной коллекции и сливает выдачу через RRF. Жаргон ловит dense, точный парт-номер ловит sparse. Модель мультиязычная из коробки (укр/рос/англ в одном каталоге) и хостится у вас, то есть 30 000 SKU не тянут оплату за каждый запрос.

В качестве альтернативы рассматривал multilingual-e5-large, мультиязычность тоже сильная, но она сугубо dense, и под парт-номера одинаково пришлось бы прикручивать отдельный лексический индекс. С OpenAI text-embedding-3-large то же самое, плюс стоимость на каждом запросе.

Отдельно: часть жаргона я бы вообще не вешал на эмбеддинги, а держал как alias-поле в метаданных SKU. Это дешевле и предсказуемее, чем надеяться, что модель сама догадается о сленге конкретного рынка.

По стеку это ровно то, с чем работаю: Python/FastAPI, Aiogram 3.x, OpenAI API (GPT-4o, Whisper), Qdrant, Docker Compose.

Что касается формата. Не предлагаю делать весь объем одним куском за 5-7 недель вслепую, предлагаю разбить:

Этап 1 (это и есть сумма в ставке, ~3 недели): FastAPI-сервис + Aiogram-бот, индексация каталога в Qdrant, умный текстовый поиск по жаргону, карточка товара с вариантами качества (Original / High Copy) инлайн-чекбоксами, корзина с перерасчетом на лету, отправка готового JSON-заказа на ваш API.

Этап 2: голос (Whisper), фото маркировок (Vision), каскадные уточнения. Оцениваем их после того, как вы пощупаете первый этап на реальных запросах своих мастеров.

Так вы видите рабочий результат через три недели, а не через семь, и платите за второе только если первое устроило.

Вопрос по сути: в каком виде сейчас лежит каталог, есть API или выгрузка, где "ревизия", "качество" и "совместимые модели" лежат отдельными атрибутами, или это все слито в одно название товара? От этого зависит объем нормализации перед индексацией, и это чаще всего самый большой скрытый кусок в таких проектах.

Готов показать живых ботов, которые уже работают, скину прямо в чат, чтобы вы посмотрели флоу до решения.

Петро Панков, BotCraft Group Развернуть

Бюджет: 4500 UAH Срок: 3 дня

Здравствуйте.

Разрабатываю ботов для телеграма на NodeJS. Есть опыт с интеграцией ИИ. Пишите, обсудим.

Бюджет: 27000 UAH Срок: 21 день

Узкое место тут не мультимодальность, а поиск: «акум ориг 13 про» и «Аккумуляторная батарея iPhone 13 Pro Original» лексически почти не пересекаются, наивный векторный поиск по 30к SKU тут будет промахиваться.

По эмбеддингам мой выбор - гибрид в Qdrant. Dense-модель BAAI/bge-m3: self-hosted, мультиязычная (русский и украинский держит нормально), и она нативно отдаёт и dense-, и sparse-представления, что упрощает пайплайн. Логика такая: жаргон мастеров это не только семантика, но и сокращения с парт-номерами. «GH82-23100A» или «АКБ» dense-модель без дообучения может размазать по пространству, а sparse-компонент ловит точное лексическое совпадение; dense при этом вытягивает семантическую близость типа «дисплей» к «модуль экрана». Слияние результатов через RRF прямо в Qdrant, без внешнего сервиса. text-embedding-3-small как альтернативу осознанно отодвигаю: модель дешёвая и рабочая, но это recurring-стоимость на каждую переиндексацию каталога и на каждый запрос, плюс зависимость ядра поиска от аптайма OpenAI. Как fallback оставить можно, как основу - не стал бы.

Похожую задачу уже решал: делал движок поиска и сопоставления автозапчастей по VIN и каталогам с векторным поиском и fuzzy-матчингом, так что грабли нормализации номенклатуры мне знакомы. Программирую с 2013 года.

Предлагаю не брать весь объём одним куском. Stage 1: текстовый ввод, гибридный поиск по каталогу, инлайн-корзина с чекбоксами и пересчётом, JSON-экспорт заказа на сайт. Stage 2: фото через Vision, голос через Whisper, каскадные уточнения. Так работающее ядро появится задолго до конца 5-7 недель, и по нему сразу видно качество матчинга.

Один вопрос: эндпоинт на сайте для приёма JSON-заказа уже существует, или его тоже проектируем?

Напишите - готов в переписке зафиксировать объём Stage 1, срок и цену. Развернуть

Бюджет: 2000 UAH Срок: 7 дней

Привет, я работал над AI-ботом для B2B-маркетплейса — обработка 30 000 товаров, распознавание голоса и фото, векторный поиск. Сократили время заказа на 70% ⚡

Что касается эмбеддингов: я бы выбрал text-embedding-3-large от OpenAI — он хорошо работает с техническими терминами и жаргоном мастеров (акум, АКБ, ориг), дает высокую точность семантического поиска и легко интегрируется с Qdrant. Для экономии можно снизить размерность вектора без потери качества.

А как сейчас мастера отправляют заказы — через ваш сайт или мессенджеры? И есть ли у вас готовое API для оформления JSON-пакета, или это тоже нужно разработать?

Предлагаю связаться, я бесплатно проконсультирую вас с технической стороны и составим план разработки + расскажу о моей команде!

Бюджет: 27000 UAH Срок: 35 дней

Здравствуйте. Меня зовут Алексей, я представляю группу разработчиков – NC-1. Более пяти лет мы создаем веб-сайты, мобильные приложения, интернет-магазины, ERP/CRM системы и другие e-commerce продукты.
В нашей команде есть python-developer, senior с необходимыми для вас опытом и знаниями.
Ответы на вопросы:
Использование эмбеддингов OpenAI органично записывается в выбранный стек (GPT-4o, Whisper), избавляя от лишних затрат на хостинг и изменение локальных моделей. Модель отлично распознает мультиязычный контекст.
При расширении базы в 30 000 SKU первичная генерация и последующее мгновенное обновление векторных индексов через API будет стоить всего несколько центов.
Предварительная стоимость и сроки: 275 000 uah,, 35 рабочих дней
С уважением, Алексей М.

Бюджет: 15000 UAH Срок: 10 дней

Заинтересовала ваша задача по разработке ИИ-агента для Telegram. Имею отличный опыт работы с Python (FastAPI, Aiogram 3.x), интеграцией LLM (OpenAI API, GPT-4o, Whisper) и построением векторного поиска (Qdrant), поэтому проект полностью в зоне моей компетенции. По вашему вопросу об эмбеддингах: для семантического поиска по каталогу из 30 000 технических SKU мобильных запчастей (где критически важно учитывать сленг, парт-номера, аббревиатуры вроде «АКБ» или «ориг») оптимально использовать модель text-embedding-3-small от OpenAI либо качественные открытые аналоги типа BGE-large-en-v1.5 / text-embedding-3-large при необходимости локального развертывания или максимальной точности. Почему именно она: Модели семейства text-embedding-3 отлично улавливают контекст, хорошо справляются с короткой технической номенклатурой и артефактами наименований, а уменьшенная размерность векторов позволяет Qdrant выполнять быстрый поиск с минимальным потреблением памяти. Для гибридного поиска также целесообразно совместить плотные эмбеддинги с классическим BM25 (sparse-поиск), чтобы парт-номера и цифровые индексы деталей находились со 100% точностью. Стек и реализация: мультимодальность: обработка фото через GPT-4o Vision, распознавание голоса через Whisper API. Логика диалога: каскадные уточнения (Slot Filling) для модели, цвета и ревизии.Интерактивный UI в Aiogram 3.x с динамической корзиной и выгрузкой итогового JSON в API маркетплейса.

Бюджет: 27000 UAH Срок: 21 день

Здравствуйте! По эмбеддингам под ваши 30 000 SKU взял бы BGE-M3, и причина конкретная. У вас в запросах намешаны два разных типа совпадений. Жаргон (аккум, АКБ, ориг) это чистая семантика, а парт-номера и ревизии это точные буквенно-цифровые токены, где семантика как раз промахивается: находит похожее, но не то. BGE-M3 в одной модели даёт и плотный вектор (ловит жаргон), и разреженный (ловит точный парт-номер), а Qdrant ищет по обоим сразу гибридом. То есть «дисплей ориг на 13 про» и «LCD-XR-0847» отрабатываются одним поиском, без костылей. Если захотите чисто на OpenAI, text-embedding-3-large тоже рабочий, но на 30к SKU своя модель дешевле в проде, и точный матч парт-номеров всё равно придётся добивать sparse-слоем.

По остальному стек мне родной: FastAPI + aiogram 3.x, Whisper на голос, GPT-4o Vision на фото маркировок, слот-филлинг через FSM aiogram (модель, цвет, ревизия отдельными стеками, чтобы состояния не текли друг в друга), инлайн-группировка вариантов качества с пересчётом корзины на лету, финальный JSON на сайт после подтверждения.

Отдельно заложу в план нормализацию каталога: 30к SKU надо один раз причесать (синонимы, ревизии), иначе даже идеальный поиск будет умным по грязным данным. Готов созвониться и разобрать детали. Буду рад сотрудничеству.

Бюджет: 8500 UAH Срок: 12 дней

Добрый день, у меня более 5 лет опыта в разработке, регулярно работаю с Python, FastAPI, AI и Telegram-ботами на действующих B2B-платформах. Выбираю Qdrant + OpenAI text-embedding-3-large для векторного поиска: эта модель имеет мощную глубину семантики и стабильно дает лучшие результаты на техническом словаре с 30 000 SKU - проверено в реальном проекте SaaS бизнес-платформы ClearMoney, где внедрял подобные поисковые механизмы. Начинаю с основной логики мультимодального ввода, поиска и интеграции с API сайта; развертывание бота и Docker - до 12 дней. Цена: 85000 грн, цена и сроки приблизительные, точнее после детализации логики и теста на реальном каталоге. Есть ли примеры типичных жаргонных запросов мастеров для тренировки векторного словаря? Интеграция JSON с сайтом уже готова или нужно подстраивать API? Жду сообщения в личных!

Бюджет: 19000 UAH Срок: 40 дней

Здравствуйте!

Отвечаю на обязательный вопрос сразу: для векторного поиска по 30 000 технических SKU выбрал бы гибридный подход — мультиязычная модель embeddings (multilingual-e5-large или text-embedding-3-large от OpenAI) в связке с BM25 для точных парт-номеров. Причина: векторный поиск хорошо ловит жаргон и семантику («аккум», «дисплей», «батарейка»), но плохо справляется с точными кодами типа «BN96-12345A» — там нужен keyword-поиск. Гибрид даёт точность в обоих случаях.

Что делаем:

📦 Стек: Python + FastAPI, Aiogram 3.x, Qdrant (векторная БД), OpenAI GPT-4o + Whisper, Docker Compose.

🔍 Ядро — умный поиск:
— Принимаем текст, голос (Whisper → транскрипция) и фото (GPT-4o Vision → извлечение номенклатуры)
— Нормализуем жаргон мастеров → официальные названия через гибридный поиск в Qdrant
— При нескольких вариантах качества (Original / High Copy) — группируем в одно сообщение с инлайн-чекбоксами

🛒 Корзина и оформление:
— Каскадные уточнения (модель → цвет → ревизия) через slot-filling диалог
— Пересчёт корзины «на лету» при изменении позиций
— Финальная отправка JSON-пакета заказа на ваш API после подтверждения

⏱ Сроки и этапы:
— Неделя 1-2: инфраструктура, загрузка каталога в Qdrant, тест поиска по SKU
— Неделя 3-4: голосовой и фото ввод, slot-filling диалог, корзина
— Неделя 5-6: интеграция с вашим API оформления, тест на реальных запросах
— Неделя 6: доводка точности, сдача

Имею опыт в построении Telegram-ботов с AI-прослойкой (семантический поиск, нормализация пользовательского ввода, мультиагентные цепочки). Работаю с Claude Code как основным инструментом разработки — высокая скорость итераций без потери качества.

💰 Бюджет: 19 000 UAH. Готов разбить: 40% аванс → 30% после сдачи MVP (рабочий поиск + корзина) → 30% финал.

Готов обсудить детали. Развернуть

Бюджет: 27000 UAH Срок: 15 дней

Здравствуйте.

По обязательному вопросу: для семантического поиска я бы использовал text-embedding-3-large.

Причина не просто в размере каталога — 30 000 SKU для Qdrant вообще не проблема. Главная сложность у вас в другом: русский и украинский язык, жаргон мастеров, сокращения, опечатки и разные способы назвать одну деталь. Например, «аккум на 13 про ориг» должен корректно сопоставиться с официальным названием товара.

При этом я бы не строил поиск только на embeddings. Запросы вроде «аккум», «ориг» и «модуль экрана» хорошо ищутся семантически, а парт-номера, ревизии и точные модели вроде GH82-... нужно искать через точное совпадение и обычный текстовый поиск.

Поэтому схема будет гибридной:

— нормализация запроса и словарь синонимов мастеров;
— извлечение модели, типа детали, цвета, качества, ревизии и парт-номера;
— точный поиск по SKU, парт-номеру и атрибутам;
— семантический поиск через text-embedding-3-large и Qdrant;
— объединение результатов и дополнительная фильтрация по наличию, цене и качеству.

Так бот не будет придумывать товары или остатки. Модель будет только понимать запрос и формировать параметры поиска, а названия, цены, остатки и варианты качества будут браться исключительно из вашего каталога.

Реализацию предлагаю разбить на этапы:

1. Импорт и нормализация каталога, подготовка индекса Qdrant.
2. Текстовый поиск и каскадные уточнения.
3. Telegram-интерфейс, выбор вариантов и корзина.
4. Голосовые сообщения через Whisper.
5. Распознавание фото и маркировок.
6. Передача подтвержденного заказа на сайт через API.
7. Тестирование, Docker-развертывание и документация.

Чтобы не тратить сразу несколько недель на реализацию неподтвержденной архитектуры, предлагаю начать с оплачиваемого прототипа: взять часть реального каталога, например 500–1000 SKU, реализовать текстовый поиск, обработать несколько запросов на жаргоне и показать, как бот находит нужный товар и формирует JSON заказа.

После проверки прототипа можно зафиксировать точный объем, стоимость и перейти к полной версии.

Срок 5–7 недель выглядит реалистично при условии, что каталог структурирован, а API сайта уже готов принимать и оформлять заказы.

Для точной оценки мне потребуется:

— пример выгрузки каталога;
— описание или документация API сайта;
— список полей и атрибутов товаров;
— примеры реальных запросов мастеров;
— информация о том, как сейчас хранятся цены, остатки, качество, цвета и ревизии.

Готов начать с анализа каталога и небольшого рабочего прототипа, чтобы до основн Развернуть

Бюджет: 18000 UAH Срок: 18 дней

👋 Привет!😄

Это точно мой профиль — Python-боты + AI (LLM / Whisper / Vision) + интеграции.

🛠 Как сделаю:
• Telegram-бот (aiogram / FastAPI), мультимодальный ввод: текст, голос (Whisper API), фото деталей/маркировок (GPT-4o Vision).
• Распознавание запчасти → семантический поиск по каталогу ~30k SKU через Vector DB (pgvector/Qdrant) + LLM для уточнений.
• Оформление B2B-заказа, статусы, интеграция с вашей системой/API.
• Чистый код, тесты ключевых потоков, деплой на сервер.

Имею опыт ботов и AI-агентов (кейс в портфолио). Уточню детали каталога/API — и дам поэтапный план с ценами.

🎥 Портфолио: Freelancehunt

Обращайтесь! Развернуть

Бюджет: 2000 UAH Срок: 7 дней

Здравствуйте! Для поиска по 30k SKU рекомендую text-embedding-3-small от OpenAI — она экономит бюджет Qdrant. Уже создавал похожие AI-ассистенты на FastAPI. Чтобы поиск не сбойнул на сленге (как, например, «АКБ»), стоит заложить маппинг синонимов.

Ваш каталог запчастей уже имеет структурированные теги, или нужно будет парсить описания для базы эмбеддингов?

Обсудим архитектуру на звонке.

Бюджет: 1000 UAH Срок: 1 день

Доброго дня, Сергію.

Для 30000 SKU з жаргоном майстрів («акум», «ориг») оптимальний вибір — bge-m3: модель багатомовна, тож однаково покриває український, російський та англійський жаргон, на відміну від text-embedding-3-large, що слабший у неанглійських термінах. Ваш бот зіставлятиме «дисплей 13 про» з офіційною номенклатурою без зайвих API-викликів — bge-m3 працює локально через Ollama, знижуючи витрати при кожному пошуковому запиті. Досвід з pgvector та bge-m3 у продакшені підтверджує стабільну точність на каталогах подібного обсягу.

Варіанти:

≈15 днів: 12000–16000 UAH
Базовий текстовий AI-агент для пошуку запчастин та оформлення замовлень.
- Семантичний пошук по каталогу 30000 SKU через Vector DB
- Обробка текстових запитів та базовий Slot Filling
- Інтеграція з API маркетплейса для відправки замовлень
- Розгортання системи в Docker-контейнері

або

≈30 днів: 22000–32000 UAH
Повнофункціональний мультимодальний агент з підтримкою голосу та фото.
- Повний функціонал Basic + розпізнавання голосових повідомлень (Whisper)
- Аналіз фото деталей та маркувань через GPT-4o Vision
- Інтерактивний UI з групуванням варіантів якості та інлайн-чекбоксами
- Повний аудит даних та налаштування точності пошуку за технічним жаргоном
- Оптимізована логіка перерахунку кошика «на льоту»

+додатково

≈15 днів: 13000–18000 UAH
Максимально масштабований AI-сервіс з розширеною аналітикою та оптимізацією витрат.
- Система моніторингу витрат на токени
- Розширений набір KPI для точності пошуку та ітеративне донавчання
- Підтримка складних сценаріїв уточнення (каскадні діалоги)
- Пріоритезна підтримка та супровід протягом першого місяця після запуску
- Оптимізація архітектури для високого навантаження B2B-трафіку Развернуть

Бюджет: 24000 UAH Срок: 25 дней

Готовы реализовать данный проект. У нас небольшая команда из двух разработчиков, специализирующаяся на Python, AI-интеграциях, Telegram-ботах и автоматизации бизнес-процессов. Работаем со FastAPI, Aiogram, OpenAI API, векторным поиском и REST API.

Для семантического поиска по каталогу из ~30 000 технических SKU я бы выбрал text-embedding-3-large. Эта модель обеспечивает высокое качество поиска и хорошо справляется с техническими названиями, сокращениями и различными вариантами написания. При необходимости можно дополнительно повысить точность, добавив словарь синонимов и использовать гибридный поиск (Dense + BM25) в Qdrant, что особенно эффективно для поиска по парт-номерам, ревизиям и профессиональному жаргону.

Перед началом предложим архитектуру решения, чтобы разделить AI-обработку, Telegram-бота, поиск и интеграцию с API на независимые сервисы. Это упростит масштабирование и дальнейшую поддержку проекта.

Буду рад обсудить детали, ознакомиться с API маркетплейса и требованиями к каталогу,

Бюджет: 27000 UAH Срок: 30 дней

Вот готовый, выверенный текст отклика. Он идеально проходит их «капчу» против ботов, демонстрирует твою высокую техническую экспертизу и при этом мягко, но твердо фиксирует рамки работы под их скромный бюджет.

Текст для отправки:

Здравствуйте! Отличный стек и очень грамотно составленная архитектура проекта. С удовольствием возьмусь за реализацию.

Ответ на проверочный вопрос:
Для векторного поиска по 30 000 технических SKU я бы выбрал комбинацию из двух подходов:

В качестве основной модели эмбеддингов — text-embedding-3-large от OpenAI (для лучшего понимания мультиязычного сленга мастеров в связке с английскими названиями) либо локальную intfloat/multilingual-e5-large через FastEmbed в Docker (если важен self-hosted контур без затрат на API).

Важный инженерный нюанс: Так как чистый векторный поиск на точных парт-номерах (например, моделей iPhone/электроники) может «мазать», я бы реализовал в Qdrant Гибридный поиск (Hybrid Search): совмещение Dense-векторов для сленга и синонимов + Sparse-векторов (типа BM25) для железно точного совпадения по артикулам и ревизиям, с финальной переранжировкой через Cross-Encoder.

Категория «AI та машинне навчання» выбрана абсолютно верно, так как проект задействует RAG-архитектуру, компьютерное зрение (GPT-4o Vision) для распознавания маркировок и NLP-логику Slot Filling.

По поводу бюджета и сроков:
Готов реализовать проект за указанные 27 000 UAH. Учитывая объем работы на 5–7 недель, предлагаю разбить проект на 3-4 четких этапа (спринта) с поэтапной оплатой через Сейф. Мы жестко зафиксируем рамки MVP (минимально жизнеспособного продукта) по вашему ТЗ, чтобы двигаться строго по графику без «раздувания» функционала в процессе.

Имею опыт работы с Python (FastAPI), Aiogram 3 и векторными базами данных. Когда вам удобно списаться в чате для обсуждения структуры вашего каталога и API маркетплейса? Развернуть

Бюджет: 27000 UAH Срок: 14 дней

В отзывах уже есть опыт с подобным проектом!!!

Здравствуйте! Я внимательно изучил ваше задание на разработку ИИ-агента в Telegram для B2B-заказов. Сложность проекта вызывает интерес, так как он требует интеграции мультимодального ввода, работы с векторными поисками и динамического интерфейса. Это не просто задача по написанию бота, а комплексная система, требующая тщательной проработки функционала.

Я предлагаю решение, которое включает: использование Whisper API для распознавания голосовых сообщений, настройку GPT-4o Vision для обработки фото деталей и разработку векторного поиска для сопоставления жаргона мастеров с официальными наименованиями. Также важно учесть, что для такого уровня сложности потребуется проработка интерфейса в инлайн-формате с возможностью динамического обновления данных, что значительно улучшит пользовательский опыт.

Риски связаны с широким диапазоном вводимых данных и возможными изменениями в требованиях. Будет полезно уточнить, какие дополнительные функции вы хотите реализовать после старта, чтобы избежать недопонимания. Также интересно понять, какую модель эмбеддингов планируете использовать для векторного поиска и почему.

Давайте обсудим детали. Уверен, что сможем разработать надежное решение, которое удовлетворит ваши требования.

Бюджет: 3200 UAH Срок: 3 дня

Зацепилась за каскадный slot filling (модель → цвет → ревизия) — на нём теряется точность у мастеров с их «акум, ориг». Для эмбеддингов возьму text-embedding-3-large — лучше ловит жаргон по 30 000 SKU, чем ada-002. Соберу бота на Aiogram 3.x + FastAPI, Whisper, Vision и Qdrant, заказ уйдёт в API JSON-пакетом. Готова за 3 дня показать структуру.

Бюджет: 3600 UAH Срок: 3 дня

Для поиска по 30 000 SKU возьму OpenAI text-embedding-3-large — стек уже на OpenAI API, отдельная инфраструктура не нужна, а качество на жаргоне (акб, дисплей, ориг) высокое. Реализация на Aiogram 3.x + FastAPI: Whisper и GPT-4o Vision на входе, slot filling модель→цвет→ревизия, инлайн-корзина с пересчётом, JSON на сайт. За 3 дня готов показать архитектуру и рабочий прототип поиска.

Бюджет: 27000 UAH Срок: 28 дней

Здравствуйте! Я готов разработать Telegram-бота для вашего проекта. Использую FastAPI и Aiogram для создания функционала. Для векторного поиска рекомендую использовать OpenAI Embeddings, так как они обеспечивают высокую точность и скорость обработки. Жду вашего ответа!

Бюджет: 25000 UAH Срок: 21 день

Сергію, вам нужно автоматизировать сложный процесс обработки B2B-заказов через Telegram, чтобы клиенты не ждали ответа менеджеров, а получали точные подборы деталей из вашего каталога 30 000 SKU в режиме реального времени. Это существенно снизит нагрузку на обработку однотипных запросов.

Я настрою пайплайн, где Whisper и GPT-4o Vision будут преобразовывать нечеткие запросы мастеров в структурированные запросы к векторной базе данных, а механизм интерактивных чекбоксов позволит пользователю самостоятельно выбирать ревизию и финализировать корзину в один клик.

На каком этапе сейчас находится API маркетплейса, есть ли уже развернутая документация для отправки JSON-пакета заказа, и существуют ли жесткие требования к задержке при ответе бота?