Вдосконалення ШІ-асистента оператора контакт-центру медичного центру — ChatGPT, RAG, навыки

Бюджет: 27000 UAH Срок: 12 дней

Здравствуйте.

Проблема потери контекста в больших Markdown-файлах и пропуска медицинских комбинаций решается изменением стратегии чанкинга и жесткой маршрутизацией источников. Перепишу Python-скрипты для парсинга ваших CSV в компактные индексы, оптимизирую SKILL.md и настрою точный RAG-поиск без галлюцинаций по ценам. Обеспечу абсолютную точность извлечения специфических данных, применяя архитектурные подходы из моего опыта разработки автономных ИИ-агентов (OpenClaw) и систем B2B-лидогенерации. Какой текущий объем токенов занимает ваш типичный системный промпт вместе с базой в Project Sources?

Готов подписать NDA и начать аудит.

Бюджет: 27000 UAH Срок: 30 дней

Работаю с LLM-ассистентами, SKILL.md, структурированными базами знаний, Markdown/CSV/JSONL и Python-генераторами данных.

Начну с аудита retrieval-цепочки: структура файлов, размер блоков, индексы, маршрутизация источников и правила обязательного поиска. Далее разделю критические сущности, настрою поиск пакетов, комбинаций, цен, исполнителей и хирургических случаев и создам набор контрольных запросов с критериями качества. Готов работать по NDA. Бюджет и сроки — в личной переписке.

Допускаете ли вы вынос критического retrieval во внешний индекс или API, если тестирование покажет предел стабильности Project Sources?

Бюджет: 5000 UAH Срок: 7 дней

Здравствуйте! Я занимаюсь именно такими вещами — генерацией структурированной базы из CSV и настройкой поиска по ней. Из описания уже видно вероятную причину пропусков: когда сама услуга, цены по подразделам и рекомендованные комбинации находятся в разных местах большого файла, retrieval извлекает первое совпадение и останавливается — поэтому базовая цена операции находится, а общая стоимость случая нет. Это лечится не промптом, а перестройкой записи: один код услуги = один самодостаточный блок, где уже сшиты цена, подразделы, исполнители и связанные пакеты, плюс контрольный набор запросов, чтобы видеть регрессии. Я бы начал с аудита SKILL.md и генератора из CSV. Каков сейчас объем файлов в Project Sources?

Бюджет: 5000 UAH Срок: 5 дней

Здравствуйте, Евгений!

Внимательно прочитал бриф. Проблема скорее не в самом промте, а в retrieval'е по большим Markdown-источникам: когда услуга и связанные с ней данные (комбинации, стоимость хирургического случая, подразделения) находятся в разных местах больших файлов, модель извлекает первый релевантный блок и «не дочитывает» остальное. Классическая фрагментация контекста в ChatGPT Projects.

Мой стек — именно это: строю LLM-ассистентов на RAG и структурированных Skills (ChatGPT Skills / Custom GPT + собственные компактные индексы + Python-генераторы базы знаний из CSV/JSON). Делал поиск по каталогам на тысячи позиций с обязательным извлечением сопутствующих полей.

Как диагностирую пропуск полей: (1) собираю набор контрольных запросов (как ваш «холецистэктомия») с эталонными ответами; (2) прогоняю и смотрю, ЧТО именно модель не дотягивает — это показывает, есть ли проблема в чанкинге файлов, структуре индексов или в маршрутизации источников; (3) перестраиваю базу на принцип «одна услуга → все связанные поля в одной записи», чтобы retrieval не должен был сшивать данные из разных файлов.

Что сделаю: аудит SKILL.md и Project Sources → переписанный SKILL.md с обязательными шагами поиска (пакеты, комбинации, цены по подразделениям, исполнители, стоимость случая) → оптимизированные Markdown/JSONL-индексы → доработанный Python-генератор из CSV → контрольные запросы + критерии оценки → тестирование на реальных сценариях → финальная документация.

Сроки: аудит + первая итерация доработки ≈ 4-5 дней. Стоимость — в пределах вашего бюджета, окончательно согласуем после уточнения ТЗ, как вы и пишете. NDA — готов подписать.

Одно уточнение: база в Project Sources сейчас лежит одним большим Markdown на всё, или уже разбита по файлам (цены/исполнители/пакеты отдельно)? От этого зависит — оптимизировать существующую структуру или перестраивать индексы.

Пётр Панков, BotCraft Group Развернуть

Бюджет: 5000 UAH Срок: 7 дней

Здравствуйте, я работал над RAG-ассистентами с большими каталогами услуг и custom GPT на ChatGPT Projects. Строил поиск по 2000+ позиций из структурированных Markdown и JSONL, настраивал маршрутизацию источников и правила retrieval. Писал Python-скрипты, которые преобразуют CSV-выгрузки в компактные индексы без потери полей.

По сути проблемы: пропуск рекомендованных комбинаций и общей стоимости операции обычно идет от того, что эти данные лежат в другом чанке, чем основная услуга, поэтому отдельный индекс связей здесь даст более точные ответы.

Как различается общая стоимость хирургического случая - это фиксированная сумма в базе или сумма базовой цены плюс сопутствующие услуги? И где именно сейчас рвется контекст: в размере Markdown-файлов или в логике SKILL.md?

Да, я готов подписать NDA. Давайте созвонимся, я бесплатно разберу вашу задачу технически и накидаю схему новой архитектуры базы знаний до звонка.

Бюджет: 5000 UAH Срок: 14 дней

Здравствуйте. Уже есть подобная реализованая система под вашу задачу в моих кейсах. Посмотрите. Можно будет немного адаптировать под вашу специфику. сделаю за 2 недели.

Бюджет: 5000 UAH Срок: 7 дней

Вижу, что основная проблема — не в промпте, а в фрагментации: услуга находится, а рекомендованные комбинации, цены по подразделам и полная стоимость хирургического случая теряются где-то между индексами. Это классическая проблема ChatGPT Projects — retrieval извлекает первый релевантный блок и останавливается, не дочитывая связи.

Диагностику начну именно с этого разрыва. Соберу эталонный набор запросов на подобие «холецистэктомия» — с обязательными полями: код, базовая цена, общая стоимость случая, подразделы, исполнители, пакеты. Прогоню через действующий SKILL.md и посмотрю, где именно рвется контекст — в структуре Markdown-файлов, в маршрутизации источников или в логике обязательного поиска.

⚙️ Ключевая идея фиксации: перестроить генератор из CSV так, чтобы один код услуги = одна самодостаточная запись.

Цена, подразделы, исполнители, подготовка, пакеты и комбинации должны быть сшиты в одном блоке — модели не нужно собирать их с разных концов большого файла. Отдельно — детерминированный lookup для кодов и цен, семантический поиск для разговорных запросов операторов. Ассистент не должен выдумывать цены или переносить данные между похожими услугами — это нужно зашить в правила поиска, а не полагаться на «послушность» модели.

По опыту — строил RAG-ассистентов со структурированными базами на тысячи позиций, писал Python-пайплайны для преобразования CSV в компактные индексы и настраивал маршрутизацию источников в ChatGPT Skills. Понимаю ограничения Project Sources на больших массивах.

✅ План: аудит SKILL.md и структуры базы → переписанный SKILL.md с жесткими шагами поиска → оптимизированные Markdown/JSONL-файлы → доработанный Python-генератор → набор контрольных запросов с критериями оценки → тестирование на реальных сценариях → финальная документация для поддержки после обновлений CSV.

Готов подписать NDA. Релевантные примеры отправлю в чате Freelancehunt после вашего ответа. Если ок — скину короткий план первого этапа аудита, и начнем. Развернуть

Бюджет: 4750 UAH Срок: 7 дней

Доброго дня, більше 5 років у розробці, з RAG, LLM та інтеграціями OpenAI працюю регулярно, спеціалізуюсь на побудові й оптимізації корпоративних AI-асистентів. Робив комплексну AI-автоматизацію для бізнес-платформи «I Love Kebab» — там теж вирішував задачі семантичного пошуку, інтеграції з великими базами знань і стабільності відповідей. Аналіз поводження моделей на великих Markdown-файлах і оптимізації retrieval-логіки — ключова частина цього проєкту. Детальніше: діагностику почну з ревізії SKILL.md, схем індексації й контролю генератора бази знань. Підкажіть, чи є тестовий набір реальних операторських запитів для перевірки? Готові підписати NDA? Строки — до тижня для аудиту й базового доопрацювання, точну вартість підкажу після кількох уточнень або в особистих. Чекаю повідомлення в особистих!

Бюджет: 13000 UAH Срок: 10 дней

Я имею опыт в построении сложных систем поиска и обработки больших объемов структурированных данных, включая оптимизацию логики retrieval и интеграцию с LLM. Однако этот проект требует глубокой экспертизы в prompt engineering и RAG архитектуре, которой я занимаюсь меньше, чем backend-разработкой. Давайте обсудим, являюсь ли я правильным выбором, или я могу помочь с Python-скриптами для обработки CSV и преобразования данных — опишите, какой именно аспект технического аудита приоритетен?

Бюджет: 5000 UAH Срок: 5 дней

Доброго дня!

1. Опыт с ChatGPT, RAG и корпоративными базами знаний. Строил собственный RAG-пайплайн с нуля (chunked embeddings, cosine-similarity поиск, pluggable vector store — sqlite-vec/Pinecone) для десктопного AI-ассистента, включая логику переиндексации, чтобы устаревшие фрагменты не дублировались, а не оставались "мертвым грузом" в базе. Это не ChatGPT Skills конкретно, но фундаментальные проблемы — те же: почему модель пропускает поле в большом файле, как размер и структура источника влияют на качество retrieval, как строить индексы, которые не деградируют со временем.

2. Примеры похожих проектов. Тот же ассистент интегрировал четыре разных LLM-провайдера (Anthropic, OpenAI-совместимые, Gemini, Ollama) с нативным tool-calling и retrieval-слоем, написанным самостоятельно, без Langchain — то есть понимаю механику изнутри, а не только как настроить готовый инструмент.

3. Как подошел бы к диагностике пропуска полей в больших файлах. Сначала — аудит текущих SKILL.md-инструкций и размеров Markdown-файлов: не превышают ли они эффективное окно retrieval, через которое модель "не долистывает" до нужного поля. Далее — изолированное тестирование: одни и те же запросы против отдельного файла и против полного корпуса, чтобы отличить проблему чанкинга от проблемы промпта/инструкций. Ключевая гипотеза, которую проверю в первую очередь: пакеты, рекомендованные комбинации и исполнители, вероятно, сейчас лежат в отдельных файлах, и модель не всегда "вспоминает" проверить их все — тут помогает компактный обязательный индекс-справочник, который всегда подтягивается вместе с основной услугой, а не полагается на память модели. В конце — набор контрольных запросов (как пример с холецистэктомией в ТЗ) с четкими критериями, чтобы регрессия ловилась сразу после каждого изменения, а не при живом использовании операторами.

4. Сроки и стоимость. Указанный бюджет 5000 грн выглядит скорее как стоимость начального аудита (пункты 1-2 из вашего списка задач: аудит SKILL.md, базы знаний и логики поиска, анализ причин пропуска данных) — 3-4 дня. Полный объем (переписывание SKILL.md, реструктуризация Markdown/индексов, доработка Python-генератора с CSV, тестовый набор, тестирование на реальных сценариях, документация) — это уже 15000-25000 грн, 7-10 рабочих дней, в зависимости от того, насколько глубоко придется переделывать генератор. Уточните, пожалуйста: 5000 грн — это весь проект или именно первая, диагностическая фаза?

5. NDA. Да, готов подписать соглашение о конфиденциальности. Развернуть

Бюджет: 5000 UAH Срок: 5 дней

Евгений, тут проблема схожа не лише на промпт, а на те, що критические поля разорваны между большими Markdown-источниками и retrieval находит основную услугу, но не дотягивает связи, цены или стоимость случая.

У меня есть практический опыт с RAG и проверкой ответов LLM. В Telegram RAG-боте youtube_helper я объединил FAISS, точный keyword lookup и MMR, а в lexai строил grounded-поиск по судебным решениям. Также пишу Python-пайплайны для структурированных данных и системно тестирую модели на контрольных наборах.

Начну с эталонного набора реальных запросов и таблицы обязательных полей. Затем проверю, какие фрагменты реально попадают в контекст, и разделю поиск: семантика для неточных запросов, детерминированный lookup для кодов, цен, подразделений и исполнителей. После этого оптимизирую генератор CSV → Markdown/JSONL и добавлю регрессионные тесты.

Ставка 5000 грн и 5 дней покрывает аудит, диагностику, новую схему индексов, первое доработку SKILL.md/генератора и контрольные прогоны. Полный объем зафиксируем после аудита. NDA подпишу.

Подскажите, какой суммарный размер Project Sources и хранятся ли логи или примеры запросов, где сейчас пропускаются поля?

Бюджет: 5000 UAH Срок: 1 день

Здравствуйте! У меня есть опыт работы с LLM, RAG и проектированием подсказок (ChatGPT). Буду рада Вам помочь!

Бюджет: 9000 UAH Срок: 5 дней

Здравствуйте!

Судя по описанию, главная проблема не в самом SKILL.md, а в том, что retrieval теряет данные на стыке нескольких источников — модель находит основную услугу, но не подтягивает связанные пакеты, комбинации или полную стоимость хирургического случая, и это классический признак плохой фрагментации контекста и отсутствия жесткой маршрутизации между индексами.

У меня есть практический опыт построения RAG-агентов и работы со структурированными базами знаний на основе больших CSV/Markdown массивов, в частности с обязательной валидацией ответа против источника без домысливания данных — принцип, критически важный и для вашего кейса с ценами и медицинскими показаниями.

Начну с аудита текущего SKILL.md и структуры файлов в Project Sources, определю конкретные паттерны пропуска полей на реальных примерах, таких как «холецистэктомия», после чего перепроектирую индексы так, чтобы пакеты, комбинации и стоимость операций подтягивались принудительно, а не зависели от удачи в поиске; отдельным блоком подготовлю набор контрольных запросов для оценки качества ответов и проверю Python-генератор базы знаний с CSV.

Аудит с диагностикой причин и планом исправлений готов предоставить за 3–4 дня, ориентировочная стоимость 9000 грн в зависимости от объема файлов, полное доработка SKILL.md и индексов — отдельным этапом после согласования ТЗ; NDA подпишу без вопросов.

Могу ли я посмотреть текущий SKILL.md и структуру 2-3 характерных Markdown-файлов, чтобы дать более точную оценку сроков? Развернуть

Бюджет: 10000 UAH Срок: 7 дней

Могу решить вашу проблему и перевести вас просто на Claude, поскольку у chatGPT меньше контекстное окно

Бюджет: 5000 UAH Срок: 10 дней

Здравствуйте! Ознакомился с вашим заданием. Задача полностью понятна: нужно устранить пропуски данных во время retrieval, оптимизировать структуру Markdown-индексов, переписать SKILL.md и настроить стабильное извлечение связанных услуг, комплектов и стоимости случаев.
Имею практический опыт работы с LLM, RAG, prompt engineering и обработкой данных на Python, а также в медицине, в частности с МИС. Разрабатывал и оптимизировал систему salesslon.com, где RAG реализовано именно для эффективной и точной работы LLM с большими объемами structured и unstructured данных, устранения галлюцинаций и обеспечения точного поиска по глубоким индексам.
К диагностике и решению проблемы подойду следующим образом:
1. Проведу аудит текущего SKILL.md и проанализирую, как ChatGPT осуществляет retrieval по имеющейся структуре Markdown.
2. Основное внимание уделю фрагментации контекста. Большие Markdown-файлы часто приводят к потере деталей, поэтому их нужно разбить на более мелкие, семантически плотные индексы с четкой метаразметкой (например, отдельные карты для связей «услуга - комбинация/пакет» и «операция - полная стоимость»).
3. Оптимизирую Python-скрипты, которые генерируют базы из CSV-выгрузок МИС, чтобы выходная структура данных была максимально адаптирована под алгоритмы поиска ChatGPT Projects.
4. Настрою контрольный датасет запросов для тестирования стабильности ответов.
Ориентировочный срок выполнения аудита и первичной оптимизации — 3-5 дней. Финальную стоимость и этапы уточним после ознакомления с текущими файлами базы и SKILL.md.
К подписанию NDA и соблюдению условий конфиденциальности полностью готов. Буду рад сотрудничеству!

Бюджет: 5000 UAH Срок: 7 дней

Здравствуйте!

Судя по описанию, это скорее предел retrieval в большой базе, чем проблема промтов. Когда записи услуг, комбинации, цены по подразделениям и исполнители находятся в больших Markdown-файлах, поиск часто находит основную услугу, но не подтягивает связанные поля, потому что они попадают в другой фрагмент контекста или в источник с более низким приоритетом. Поэтому «холецистэктомия» и возвращает базовую операцию без общей стоимости случая.

Мой опыт под эту задачу:
- Строил RAG-ассистента, где семантический поиск сочетался с точным поиском по кодам и ключевым полям. Именно точный lookup не позволял модели пропускать критические данные, такие как цена или код. Стек: OpenAI embeddings, векторный поиск, PostgreSQL/Supabase, отдельные индексы.
- Регулярно преобразую CSV и структурированные выгрузки в чистые Markdown/JSON через Python, так что генератор базы из ваших CSV мне понятен.

Как я диагностирую пропуск полей: беру реальные запросы операторов и смотрю, какой фрагмент на самом деле подтянулся и где запись разорвалась при чанкинге. Проверяю, попадают ли цены, комбинации и стоимость случая вообще в один отборный блок, и не конкурируют ли источники в Project Sources за приоритет. Критические поля (код, цена, подразделение, исполнитель, общая стоимость) я вывожу из детерминированного поиска, а не полагаюсь на то, что модель их сама вспомнит. Плюс собираю контрольный набор запросов с ожидаемыми ответами, чтобы изменения можно было измерить, а не оценивать на глаз.

Сроки и стоимость: предлагаю начать с платного аудита отдельным этапом (разбор SKILL.md, структуры базы и логики поиска, отчет с причинами пропусков, план доработки и набор контрольных запросов). Аудит: [срок] и [сумма]. Объем самой доработки назову точнее после аудита, потому что он зависит от того, что покажет диагностика. Это совпадает с вашим подходом согласовывать окончательную стоимость после ТЗ.

NDA готов подписать. Работаю только с справочной базой услуг и цен, персональные данные пациентов мне не нужны.

Ассистент должен отвечать на украинском, и тестировать я буду именно украинскими запросами операторов, включая короткие и разговорные.

Готов показать ближе свой RAG-кейс и первый черновой план аудита. Напишите, обсудим детали. Развернуть

Бюджет: 5000 UAH Срок: 4 дня

Здравствуйте, Евгений! Очень интересная и профессионально сформулированная задача. Проблема пропуска данных во время извлечения в больших Markdown файлах и встроенном RAG в ChatGPT — это классическая болезнь избыточного или сплошного чанкинга.

Я Нина, менеджер IT команды Valflow. Архитектуру базы знаний, оптимизацию SKILL.md и Python скриптов обработки возьмет на себя Валентин. Он Senior Python & AI Engineer, который регулярно строит и настраивает RAG системы, семантический поиск и чат-ботов для бизнеса.

Ответы на ваши вопросы из ТЗ:

1. Опыт с ChatGPT, RAG и базами знаний:
У нас богатый практический опыт в разработке корпоративных ассистентов, проектировании кастомных систем RAG и оптимизации контекста для GPT 4o. Хорошо знаем механику работы векторного поиска, ограничения окон контекста и специфику ChatGPT Projects и Custom GPTs.

2. Как мы подойдем к диагностике пропуска полей:
* Проблема Markdown: большие текстовые файлы воспринимаются моделями сплошным полотном, из-за чего крайние данные и вложенные поля теряются.
* Решение: переведем справочники в компактный строгий JSONL или структурированный key value Markdown с атомарным разделением.
* Двухуровневый поиск (Маршрутизация): создадим легкий индекс навигатор (Master Index), который сначала определяет точную категорию и услугу, а затем направляет ассистента в конкретный узкий источник.
* Оптимизация Python генератора: перепишем скрипт так, чтобы каждая услуга получала уникальные теги, синонимы и четкие обязательные связи с пакетами, врачами и ценами.

3. Оптимизация SKILL.md:
Перепишем системный промпт по принципу Strict Guardrails и Chain of Thought, обязав модель проверять наличие комплекса и общей стоимости операции перед выдачей финального ответа.

4. NDA:
Да, мы полностью готовы подписать соглашение о неразглашении (NDA).

Срок выполнения аудита и настройки: 4-6 дней.
Ориентировочная стоимость: 5 000 UAH.

Готовы приступить к аудиту вашего SKILL.md и текущих скриптов сразу после согласования! Развернуть

Бюджет: 4999 UAH Срок: 6 дней

Здравствуйте! У меня есть практический опыт с ChatGPT, RAG, базами знаний и промт-инжинирингом. Работал с подобными проектами и структурированными данными в Markdown/CSV. Для диагностики пропуска полей проверю качество чанков, настройки поиска и логику в SKILL.md. Стоимость: 5000 грн. Срок: 7 дней. Готов подписать соглашение о конфиденциальности (NDA). Готов приступить к аудиту!

Бюджет: 5000 UAH Срок: 7 дней

Здравствуйте, Евгений.

Критический риск здесь вижу не только в больших Markdown-файлах, а в том, что данные одной услуги разбросаны между ценами, пакетами, комбинациями, исполнителями и хирургическими случаями. Начну с контрольного набора запросов с эталонными ответами и матрицы обязательных полей — это покажет, где именно теряется информация: во время генерации CSV → Markdown, фрагментации источников или маршрутизации поиска.

Далее предложу структуру, где каждая услуга имеет самодостаточную запись и компактный индекс связей; обновлю SKILL.md и Python-генератор и добавлю регрессионные проверки после каждого обновления CSV.

Публичного медицинского RAG-кейса не имею, поэтому предлагаю начать с отдельного аудита с воспроизводимым отчетом и демонстрацией на ваших контрольных сценариях. NDA готов подписать.

Бюджет: 5000 UAH Срок: 10 дней

Добрый день,
Мой опыт в Python, API-интеграциях, обработке больших наборов данных и ETL-процессах хорошо согласуется с вашим проектом оптимизации ИИ-ассистента.

Я специализируюсь на:
• Аудите и перепроектировании баз знаний для обеспечения надежного поиска в больших хранилищах
• Разработке Python-скриптов для трансформации CSV→Markdown и индексирования структурированных данных
• Проектировании архитектуры знаний, которая устраняет фрагментацию контекста и пропуски критических полей
• Тестировании качества ответов на реальных сценариях

Мой подход к диагностике:
1. Анализ текущей логики SKILL.md и структуры Markdown-файлов
2. Испытание реальных запросов (например, «холецистэктомия») для определения точек отказа retrieval
3. Картирование покрытия: услуги → пакеты → комбинации → цены → исполнители
4. Оптимизация Python-генератора и переструктурирование индексов для гарантированного поиска всех требуемых полей

Ориентировочно: 1-2 недели 4500–5500 UAH (в зависимости от объема базы).
Готов подписать NDA и предоставить детальную документацию для дальнейшей поддержки.

Жду Техническое Задание. Развернуть

Бюджет: 5000 UAH Срок: 5 дней

Добрый день! У нас есть опыт в настройке RAG-систем и оптимизации промптов для медицинских сервисов. Реализуем это через аудит текущей архитектуры, улучшение контекстного поиска и внедрение новых навыков для повышения точности ответов ассистента. Готовы приступить к анализу вашей текущей базы знаний и настроек.

Бюджет: 18000 UAH Срок: 5 дней

Здравствуйте!

У меня более 10 лет опыта в Full-Stack разработке и практический опыт построения LLM-функциональности, структурированных баз знаний, многошаговых AI-сценариев и систем, где модель должна работать только с подтвержденными данными.

В собственных продуктах работал с:

— LLM API и структурированным выводом;
— большими предметными моделями и каталогами;
— поиском связанных сущностей;
— нормализацией данных;
— генерацией и проверкой контекста;
— Python-скриптами для подготовки данных;
— правилами, которые ограничивают модель от выдумывания отсутствующей информации.

В вашем случае я бы начинал не с переписывания промтов, а с диагностики всего retrieval-процесса.

Основные причины пропусков, которые я проверил бы первыми:

— слишком большие Markdown-файлы и неудачные границы фрагментации;
— разделение связанных полей между разными фрагментами;
— неоднозначные названия услуг и отсутствие нормализованных синонимов;
— конкуренция между основными услугами, пакетами и рекомендациями во время поиска;
— отсутствие отдельного маршрута поиска для операций;
— чрезмерная зависимость от одного семантического запроса;
— индексы, которые указывают на файл, но не гарантируют получение всех обязательных полей.

Для запроса на подобие «холецистэктомия» я бы реализовал отдельный сценарий:

1. Нормализация запроса и поиск синонимов.
2. Поиск соответствующих кодов услуг.
3. Обязательное получение цен по каждому подразделению.
4. Отдельный поиск стоимости хирургического случая.
5. Поиск исполнителей и оборудования.
6. Поиск пакетов, комплексов и рекомендованных комбинаций.
7. Проверка полноты ответа перед его показом оператору.
8. Запрет вывода полей, которые не подтверждены источником.

Вероятно, оптимальным будет не одна большая база Markdown, а сочетание:

— компактных индексов для маршрутизации;
— отдельных файлов по типам сущностей;
— стабильных идентификаторов для связывания данных;
— JSONL или компактных структур для критических полей;
— Markdown для читабельных справочных описаний;
— контрольного слоя, который проверяет наличие всех обязательных полей.

Также подготовлю набор контрольных запросов: точные, сокращенные, разговорные, с ошибками, с синонимами и неоднозначными названиями. Для каждого сценария можно определить конкретные критерии: правильность кода, цены, подразделения, исполнителя, пакета, полной стоимости операции и отсутствие неподтвержденных данных.

Предлагаю разделить работу на два этапа:

**Этап 1 — аудит и прототип исправлений**
Анализ SKILL.md, структуры источников, генератора, контрольных сценариев и причин пропусков.

Ориентировочно: **3–5 рабочих дней**. Развернуть

Бюджет: 5000 UAH Срок: 1 день

Здравствуйте. У меня есть значительный опыт в разработке и оптимизации RAG-систем для крупных корпоративных баз знаний, в частности в медицинской сфере. Мой подход будет включать глубокий аудит текущей архитектуры базы знаний, индексации и стратегий chunking, чтобы системно устранить проблемы с пропуском данных и нестабильностью ответов. Я сосредоточусь на оптимизации SKILL.md, совершенствовании логики prompt engineering и Python-скриптов для формирования источников, обеспечивая точное извлечение всех необходимых полей и консистентность ответов. У меня есть наработанные шаблоны для векторизации и многоступенчатых RAG-процессов, что ускорит имплементацию решений и позволит быстро достичь стабильности системы. Все детали реализации, конечный бюджет и сроки предлагаю обсудить в личных сообщениях.

Бюджет: 5000 UAH Срок: 7 дней

Стабильный ассистент, который не пропускает рекомендованные комбинации и всегда вытягивает полную стоимость хирургического случая — этого достигают через правильную архитектуру индексов и prompt-маршрутизацию в ChatGPT Projects.

Строил RAG-системы на OpenAI для корпоративных каталогов: сталкивался с фрагментацией контекста, когда большой Markdown-файл разбивается так, что отдельные поля оказываются вне retrieval-окна. Первое, что сделаю — аудит размера чанков, anchor-структуры файлов и порядка подключения источников в SKILL.md.

Далее: переструктурирую файлы под лимиты Project Sources, настрою обязательный multi-source поиск по пакетам, комбинациям, исполнителям и хирургии, обновлю Python-генератор CSV до MD, составлю тест-сет по реальным сценариям и задокументирую логику для дальнейших обновлений.

Готов подписать NDA. Ориентировочный объем — 25-30 часов: аудит, оптимизация, тестирование, документация.

Напишите — обсудим детали и уточним ТЗ.

Бюджет: 5000 UAH Срок: 4 дня

Добрый день, я Python - разработчик. Есть опыт в разработке ИИ агентов с использоваием RAG баз данных, графами. LangGraph, LangChain и тд для отслеживания точности ответов, для дообучения и дачи ответов. Пишите - обсудим детали. Приступить готов сегодня

Бюджет: 5000 UAH Срок: 1 день

Здравствуйте. Evgen Galinskiy.

Благодаря моему большому опыту, высокому уровню оперативности и качеству кода, я идеально внедрю текущие требования.

После дальнейшего обсуждения могу предоставить конкретный срок выполнения и бюджет.

Бюджет: 5000 UAH Срок: 4 дня

Подивився ТЗ: великі MD-файли переповнюють контекст, модель губить пакети, комбінації, вартість операцій. Розкладу індекси окремо: послуги, пакети, комбінації, ціни, виконавці. Перепишу SKILL.md з обов'язковим пошуком, перевірю Python-генератор CSV. Тест на «холецистектомія». Готовий за 4 дні

Бюджет: 5000 UAH Срок: 5 дней

Пропуск стоимости хирургического случая и рекомендованных комбинаций, как в примере с холецистэктомией, возникает из-за слишком больших Markdown-файлов в Project Sources, модель не дотягивается до нужного поля. Разбил бы файлы на компактные индексы по типам: услуги, пакеты, комбинации, хирургия, и прописал обязательную маршрутизацию в SKILL.md с контрольными запросами для проверки. На аудит и доработку ориентировочно 5 дней, NDA подпишу.