AI-асистент (база знань компанії)

Бюджет: 27000 UAH Термін: 3 дні

ВАртість першого етапу - 32000 грн, строк - 3 робочі дні. Це аудит існуючого прототипу з перевіркою API, передачі контексту в модель, індексації документів, векторної бази, авторизації й потчного коду. 4000 грн, по відчуттях, не закривають навіть нормальний технічний аудит такої задачі, не кажучи вже про повний сервіс =/

Після аудиту дамо один з двох маршрутів - лагодити наявне або перезбирати з нуля. Якщо перезбирати, робочий мінімум RAG-асистента з веб-доступом, авторизацією, історією запитів, оновленням бази без розробника, HTTPS і готовністю до майбутнього підключення аналітичного сховища я б оцінював окремо, орієнтовно 15-30 робочих днів і від 180000 грн.

Стек - Python або Node.js для сервера, PostgreSQL плюс pgvector або Qdrant для векторного пошуку, OpenAI або Claude через API, окремий обробник документів, веб-інтерфейс для менеджерів, рольова авторизація, журнал запитів. Для відповідей на базі документів треба додати посилання на джерело або хоча б назву знайденого документа, інакше менеджери не зможуть нормально контролювати якість.

Орієнтовне володіння - хостинг і база 20-80 USD на місяць, токени 20-150 USD на місяць на старті. Точніше рахуємо після кількості менеджерів, середньої довжини документів і кількості запитів на день. Модель не має вигадувати факти, тому робимо відповідь тільки з RAG і сценарій, коли даних у базі немає.

Два уточнення
> Скільки приблизно документів або сторінок у базі знань, і в яких форматах вони зараз зібрані - PDF, Word, Google Docs, таблиці, сайт?
> У поточному прототипі вже є векторна база, чи документи тільки завантажені на сервер без нормального пошуку по змісту?

Схожі кейси Ingello
> https://business.ingello.com/vorfahr - AI-автоматизація з прикладною бізнес-логікою, близько до внутрішнього асистента для команди продажів.
> https://business.ingello.com/fractal - агентна й системна архітектура, корисно для задач, де чат має бути частиною керованого процесу.
> https://business.ingello.com/forma-crm - корпоративна логіка, ролі, процеси, контроль якості роботи команди.

Freelancehunt-сторінка Ingello - https://systems-fl.ingello.com/ua

!!Оптимальний перший крок - аудит, а не обіцянка всього продукту в бюджет 4000 грн.!! Тут краще спочатку знайти, де рветься передача знань у модель, і вже потім вирішувати, лікувати існуюче чи збирати чисто. Розгорнути

Бюджет: 4000 UAH Термін: 7 днів

Привіт, я працював над AI-асистентом для юридичної компанії — RAG-система на базі 200+ документів, векторна база Pinecone, Claude API, ~$45/міс на токени при 1000 запитів.

Щодо вашого проєкту — чи можете уточнити, яка зараз векторна база використовується в прототипі і як саме передаються документи в модель? Це допоможе швидко знайти проблему з API під час аудиту

Пропоную зв'язатися, я безкоштовно проконсультую вас з технічної сторони та складемо план розробки + розповім про мою команду!

Бюджет: 3800 UAH Термін: 5 днів

Вітаю! Готовий почати з технічного аудиту наявного прототипу - перевірю API, передачу контексту документів у модель, індексацію та причину, чому база не підтягується. Стек: Python, PostgreSQL + pgvector (або Qdrant) для векторного пошуку, RAG-пайплайн з OpenAI/Claude API, веб-інтерфейс з авторизацією для менеджерів, оновлення бази без розробника через завантаження файлів. Відповіді - строго на основі завантажених документів, з чесним фолбеком, якщо інформації немає. Після аудиту дам чітку відповідь - лагодити наявне чи перезбирати з нуля.

Бюджет: 27000 UAH Термін: 7 днів

Вітаю.Є досвід в розробці ШІ-автоматизацій. Готовий до співпраці.

Бюджет: 5000 UAH Термін: 5 днів

Привіт! Це саме та задача, яку я роблю — RAG-інтеграція, де готовий прототип треба «зв'язати» з базою знань.

Нещодавно здав FastAPI-панель для керування акаунтами з фоновими задачами та real-time статусом (7500 грн) — схожа архітектура: сервіс, який обробляє дані та відповідає на запити.

Для вашого випадку стандартний стек: завантаження документів → чанкування → embeddings → векторна БД (Qdrant/Chroma/pgvector) → retrieval-chain. Якщо прототип вже готовий, інтеграція бази знань — 3–7 днів залежно від формату документів і архітектури прототипу.

Бюджет 4000 грн виглядає скромно — якщо обсяг невеликий, то ок; якщо ні — варто обговорити.
В якому форматі зберігається документація (PDF, Word, Google Docs)? Який стек у прототипу?

Бюджет: 4000 UAH Термін: 1 день

Доброго дня, Юрію!
Готовий взятися за ваш проєкт. Я сертифікований Anthropic розробник — Claude Certified Architect (Foundations), спеціалізуюся саме на production-архітектурі з Claude API, MCP та RAG-пайплайнах. Верифікація сертифіката: https://www.credly.com/badges/3df97b6b-e468-42b9-9bd6-c1f78aa309fc
Схожий кейс. Нещодавно реалізував схожий проект - внутрішній knowledge graph на базі Neo4j + Claude через MCP асистент відповідає на запити співробітників строго за корпоративною документацією, з посиланнями на джерело і без «вигаданих» фактів. Це майже один-в-один ваша задача, тільки я додатково використовував граф знань для точнішого пошуку по зв'язках між регламентами.

Два уточнення, щоб порахувати точніше:

Скільки приблизно документів/сторінок у базі і в яких форматах (PDF, Word, Google Docs, таблиці)?
У поточному прототипі вже є векторна база, чи документи просто завантажені на сервер без пошуку по змісту?

Готовий почати з аудиту одразу після отримання коду й доступів.

Бюджет: 5000 UAH Термін: 10 днів

Вітаю, можу реалізувати. Будував RAG системи на базі n8n.

Google Drive

Можна все окрім самої LLM розгорнути у вас на сервері. Це буде self-host n8n + supabase, як векторне сховище.

Ціна буде лише за токени, і тут все залежить від кількості запитів, точності відповідей та кількості документів в RAG системі. Скажіть скільки буде документів? Через який інтерфейс ви хочете спілкуватись з системою? І чи є системний адмін, хто може розгорнути n8n та supabase ?

Бюджет: 4000 UAH Термін: 1 день

Доброго дня, Yurii.

Найімовірніша причина: модель отримує запит, але не знайдені фрагменти документів як контекст — retrieval не з'єднаний з API-викликом.
Аудит виявить місце розриву і визначить — лагодити чи перезбирати.

Ваш RAG-пайплайн — pgvector та bge-m3 для семантичного пошуку.
LLM: Claude Sonnet або GPT-4o-mini з розрахунком токенів під ваші обсяги.
Модель відповідатиме строго на основі контексту, без вигадок.
Веб-інтерфейс з авторизацією, історією запитів та оновленням бази файлами без розробника.
Архітектура — з розширенням на аналітичне сховище.

Схожий проєкт: RAG на Go + pgvector + OpenRouter.
Стек: Go, pgvector, bge-m3, Claude/OpenAI API, Docker, HTTPS.
Щомісячну вартість володіння підготую після обговорення обсягів.

Можливі варіанти:
- Відновлення та запуск
8000–12000 UAH
Відновлення працездатності прототипу та базовий доступ до бази знань.
- Працюючий RAG-пайплайн без «галюцинацій» моделі
- Базовий веб-інтерфейс для отримання відповідей
- Підключення API обраної LLM (OpenAI/Claude)
- Інструкція з ручного оновлення бази даних

- Повний функціонал
15000–25000 UAH
Повноцінний корпоративний асистент з автономним керуванням знаннями (Рекомендовано).
- Інтерфейс завантаження документів без участі розробника
- Система авторизації для менеджерів відділу продажів
- Історія запитів для моніторингу якості відповідей
- Оптимізована архітектура для майбутнього підключення до аналітичного сховища
- Повний розрахунок вартості токенів та хостингу

- Розширене рішення
30000–45000 UAH
Розширений AI-інструмент з підвищеною точністю та підтримкою складних сценаріїв.
- Покращена обробка документів (OCR для сканів, складні таблиці)
- Розширений функціонал генерації відповідей під різні канали зв'язку
- Пріоритетна підтримка та оптимізація витрат на токени протягом місяця
- Інтеграція з хмарним сховищем для автоматичного синхронізації файлів
- Повний пакет технічної документації з архітектури системи Розгорнути

Бюджет: 27000 UAH Термін: 21 день

Доброго дня, без проблем реалізую такий AI-асистент під ключ - маю досвід більше 5ти років у розробці та більше 2х років у LLM/RAG-проєктах.

Стек: Python + FastAPI, LangChain або LlamaIndex для RAG-пайплайну, векторна база (Qdrant або pgvector), OpenAI або Claude через API. Веб-інтерфейс з авторизацією - React або Next.js. Все розгортається на вашому сервері через Docker.

Перший крок - аудит наявного прототипу: швидко розберусь, де проблема з передачею даних в модель, і або полагодимо наявне, або аргументовано перезберемо з нуля - що буде ефективніше. Архітектуру одразу закладу з урахуванням майбутнього підключення до аналітичного сховища.

Орієнтовна щомісячна вартість володіння: токени OpenAI GPT-4o - від $30-80/міс залежно від інтенсивності, хостинг - від $10-20/міс. Щодо вартості роботи - бюджет у 4000 грн не покриє такий обсяг, реальна вартість від 30 000 грн залежно від фінального scope. Готовий обговорити деталі в особистих. Звертайтесь!

Бюджет: 4000 UAH Термін: 7 днів

Доброго дня! Робив саме такі RAG-асистенти — веб-інтерфейс з авторизацією, база документів компанії й відповіді строго з джерел. Ваш симптом «інформація з бази не доходить до моделі» майже завжди означає, що документи не проіндексувалися у векторну базу або знайдені фрагменти не підставляються в промпт перед запитом — рідко сама API. Гляну код і доступи, за пів дня скажу точний діагноз і що вигідніше: полагодити чи перезібрати. На чому зроблено прототип — LangChain/LlamaIndex чи власне рішення, і яке сховище під ембединги?

Бюджет: 4000 UAH Термін: 1 день

Вітаю!

Якщо робити виключно на основі бази знань закладеної, то ллм потрібно лише для генерації віповіді і розуміння питання, а вся векторизація (rag) може виконуватися локальною моделлю.

Робив такого внутрішнього помічника менеджера для ddtuning.
Напишіть, покажу як працює.

З приводу подивитися чому зараз не працює, то можемо подивитися

Бюджет: 7000 UAH Термін: 7 днів

Будував подібні RAG-системи: FastAPI, векторна база (Qdrant / pgvector), embeddings через Claude або OpenAI, веб-інтерфейс з авторизацією. Перший крок — аудит прототипу: знайду де обривається пайплайн між базою і моделлю, вирішимо що швидше — полагодити чи перезібрати.

Стек: FastAPI, pgvector/Qdrant, Claude API (рекомендую — точніше на складних запитах, прозора тарифікація токенів), простий веб-інтерфейс, Docker, HTTPS. Оновлення бази — завантаження файлів без розробника. Архітектура одразу з прицілом на майбутнє аналітичне сховище.

Орієнтовно 35 годин роботи. Готовий розпочати після отримання доступів.

Напишіть — обговоримо деталі і стартуємо.

Бюджет: 4000 UAH Термін: 5 днів

Вітаю!

Маю досвід розробки сервісів на базі LLM та RAG-архітектури. Пропоную почати з аудиту поточного рішення: перевірити інтеграцію з API, пайплайн індексації та пошуку, після чого або відновити працездатність, або аргументовано запропонувати перезбірку.

Для реалізації пропоную стек: Python (FastAPI), OpenAI або Claude API, PostgreSQL + pgvector (або Qdrant), сучасний веб-інтерфейс з авторизацією та можливістю самостійного оновлення бази знань.

Орієнтовний термін першого етапу (аудит + запуск робочої версії) - 5–10 днів. Точну вартість зможу назвати після ознайомлення з поточним кодом і архітектурою. Також допоможу оцінити щомісячні витрати на API та хостинг залежно від обсягу документів і кількості запитів.

Бюджет: 4000 UAH Термін: 2 дні

Вітаю. Подивився ваш проєкт — класичний RAG для внутрішньої бази знань. Спочатку зроблю аудит наявного прототипу: найчастіше проблема в тому, що embeddings не оновлюються після завантаження документів або неправильно налаштований retrieval-ланцюжок. Якщо код живий — полагоджу, якщо там глибші архітектурні проблеми — перезбираю на LangChain + ChromaDB/Qdrant, веб-морда на Streamlit або FastAPI + простий фронт. По LLM: Claude Haiku — оптимально за ціною/якістю для такого кейсу, орієнтовно $15-30/міс на відділ продажів. Щомісячна вартість володіння (токени + хостинг) — в межах $30-50 залежно від інтенсивності. Робив схожі рішення для внутрішньої документації. Готовий почати з аудиту, повний цикл — до 2 тижнів.