AI-асистент (база знань компанії)

Бюджет: 4000 UAH Термін: 4 дні

Вітаю!

Можу швидко провести аудит вашого прототипу та знайти, чому контекст не потрапляє в модель. Маю комерційний досвід роботи з Python, AI-моделями, REST API, Linux та інтеграцією LLM-рішень. У своїй роботі займався інтеграцією ONNX-моделей, AI-пайплайнами, STT, TTS та оптимізацією моделей для реальних продуктів.

Я б почав саме з аудиту: перевірив передачу контексту, API-виклики, індексацію документів, embeddings і retrieval. Якщо проблему можна виправити — зроблю це. Якщо поточну архітектуру недоцільно підтримувати, запропоную нову з детальним поясненням.

Для реалізації використав би Python, FastAPI, OpenAI або Claude API, pgvector або Qdrant, Docker та веб-інтерфейс з авторизацією. Архітектуру можна одразу підготувати для подальшого масштабування.

Готовий приступити одразу після отримання доступів.

Дякую! Розгорнути

Бюджет: 8000 UAH Термін: 5 днів

Добрий день.

Спочатку я проведу аудит вашого прототипу. Зазвичай проблема полягає в тому, що текст з бази не доходить до нейромережі через помилку в налаштуваннях зв'язку (API). Якщо старий код рятувати немає сенсу, я не буду писати веб-інтерфейс, авторизацію та історію чатів з нуля. Розробка такого проєкту з чистого аркуша коштує набагато більше вказаних 4000 гривень.

Пропоную робочу альтернативу під ваш запит. Я розгорну на вашому сервері готову платформу для роботи з мовними моделями (наприклад, Dify). Ви відразу отримаєте готовий веб-чат з входом за паролями для відділу продажів. Нейромережу (підключимо OpenAI API) я жорстко обмежу: вона буде шукати відповіді тільки у ваших завантажених текстах і чесно відповідати "не знаю", якщо інформації немає. Оновлювати базу знань ви будете самі через просту панель управління, перетягуючи туди нові PDF або документи без участі програміста. Там же буде доступна вся історія діалогів для контролю якості. Щодо щомісячних витрат: близько 15 доларів за сервер і приблизно 10-20 доларів за токени.

Де зараз фізично лежать ваші регламенти та описи послуг (просто файли на комп'ютері, Google Drive або база в Notion), щоб я розумів формат їх первинного завантаження?

Бюджет: 27000 UAH Термін: 7 днів

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

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: 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: 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.

Бюджет: 4000 UAH Термін: 2 дні

Вітаю! Правильно, що перший крок це аудит, а не переробка наосліп. Ваш прототип, найімовірніше, не передає знайдені шматки документів у сам запит до моделі: дані завантажені, а retrieval або не під'єднаний до LLM-виклику, або віддає порожньо, тому модель відповідає з загальних знань замість вашої бази. Гляну код і доступи й скажу чесно, полагодити швидше чи перезібрати ядро. Часто зібрати чистий RAG-пайплайн дешевше, ніж лагодити чуже.

Ключове в результаті, щоб бот відповідав строго з ваших документів і чесно казав «цього немає в базі», коли відповіді нема, а не вигадував. Саме на цьому grounding і роблю акцент.

Стек: векторна база (pgvector або Chroma) + embeddings, LLM через API, веб-інтерфейс з авторизацією за посиланням, завантаження файлів через інтерфейс для оновлення бази без розробника, історія запитів. По моделі: для англомовних документів і точності радив би Claude, з опцією опускати прості запити на дешевшу модель заради економії токенів. Архітектуру одразу роблю модульною, щоб потім під'єднати аналітичне сховище, як ви й плануєте.

Готовий безкоштовно розібрати в особистих, чому саме ваш прототип не тягне дані в модель. Буду радий співпраці.

Бюджет: 6000 UAH Термін: 5 днів

RAG зі строгим гроундингом - моя спеціалізація: відповідь лише з документів, за відсутності в базі чесно повідомляє, джерела трасуються.

Перший крок - аудит вашого прототипу (судячи з опису — обрив на передачі контексту в модель). Далі: pgvector + embeddings, веб-інтерфейс з авторизацією, завантаження/оновлення файлів без розробника, історія запитів. Закладу сумісність із вашим аналітичним сховищем.

Під ваш бюджет - базова версія 6 000 UAH, 5 днів: аудит + робочий RAG на вашій документації, веб-доступ з авторизацією.
Повна - 12 000 UAH, 8 днів: + завантаження файлів через інтерфейс без розробника, історія запитів, готовність до підключення до аналітичного сховища.

Володіння: хостинг ~$10/міс + токени ~$15–30/міс.
Портфоліо: у профілі та на karasov.co

Бюджет: 4000 UAH Термін: 1 день

Вітаю, маю відповідний досвід розробки
Пишіть в особисті, обговоримо деталі
Буду рада Вам допомогти!

Бюджет: 5000 UAH Термін: 5 днів

Доброго дня, дуже зацікавлений у роботі з Вами. Пропоную якісне виконання поставлених задач та оперативність. Давайте обговоримо деталі в особистому чаті і почнемо співпрацю

Бюджет: 26990 UAH Термін: 29 днів

Добрий день!
Мене звати Валентин, і я представляю Arctic Web Agency. Ми - команда яка спеціалізується на створенні сучасних та ефективних рішень для бізнесу.В особисті повідомлення зможу надати приклади наших схожих робіт. Готові взяти ваш проєкт до роботи!

З повагою
Arctic Web Team
Freelancehunt

Бюджет: 4000 UAH Термін: 5 днів

Вітаю! Уважно ознайомився з вашим ТЗ. Розробка та траблшутинг RAG-систем (Retrieval-Augmented Generation) — це мій основний профіль. Проблема вашого прототипу («інформація не передається в модель»), найімовірніше, криється у неправильному формуванні пейлоаду для API або у тому, що векторний пошук повертає порожні чанки (фрагменти тексту) через помилки в алгоритмі розбиття документів.

Мій план робіт (Аудит та Перезбірка):

Аудит: Зайду на сервер, перевірю логіку ембеддингів та запитів. Якщо архітектура безнадійна — аргументовано перезберу пайплайн на сучасних фреймворках (LangChain або LlamaIndex).

Суворий RAG без галюцинацій: Налаштую системний промпт (temperature = 0) та логіку fallback: якщо релевантного чанку у векторній базі немає, модель жорстко відповідатиме: "I don't have this information in the provided documents", замість того, щоб вигадувати факти.

Інтерфейс та Адмінка: Для вкладання в бюджет і швидкого релізу розгорну веб-інтерфейс на базі Streamlit. Там буде вікно чату для менеджерів (з базовою авторизацією за паролем), історія запитів та окрема вкладка для адміна, де можна просто перетягнути нові PDF/Docx файли для автоматичного оновлення бази.

Масштабованість (під DWH): Архітектура будуватиметься модульно (Agentic approach). У майбутньому ми зможемо додати новий "інструмент" (Tool) до асистента, щоб він окрім векторної бази міг робити SQL-запити до вашого аналітичного сховища.

Пропонований стек: Python, LangChain/LlamaIndex, ChromaDB/Qdrant (векторна база), Streamlit (UI), FastAPI (якщо потрібне буде голе API).

Головний ризик проєкту: Таблиці з ціноутворенням. Стандартні парсери часто "ламають" структуру таблиць під час розбиття на тексти (chunking), через що модель плутає ціни. Я використаю спеціалізовані парсери (наприклад, Unstructured), які зберігають зв'язки в таблицях. Розгорнути

Бюджет: 4000 UAH Термін: 3 дні

Вітаю.

Для першого етапу можу взяти аудит і доведення прототипу до робочого стану, якщо проблема справді в передачі контексту з бази знань у LLM-запит.

У власній системі для роботи з документами я вже застосовував схожий контур: документи проходять через витяг тексту, нормалізацію, розбиття на фрагменти, збереження знань окремо від сирих файлів, пошук релевантних частин і формування відповіді з прив’язкою до джерела. Окремо маю FastAPI RAG-прототип для AI-контенту: ingestion, chunking, retrieval with citations, route/service/repository structure і тестовану core-логіку.

По вашому прототипу спочатку перевірю:
- чи створюються embeddings після завантаження документів
- чи є нормальний chunking і metadata по джерелах
- чи повертає vector search релевантні фрагменти
- чи ці фрагменти реально потрапляють у prompt/context перед викликом Claude/OpenAI
- чи зберігається історія запитів і помилки пайплайну

Стек для стабільного варіанту: Python/FastAPI, PostgreSQL + pgvector або Qdrant, OpenAI/Claude API, Docker, HTTPS, простий веб-інтерфейс з авторизацією, журнал запитів і відповіді з посиланням на джерело.

Орієнтовна вартість володіння для старту:
- VPS/hosting: приблизно $10–30/міс
- токени: приблизно $10–70/міс для невеликої sales-команди, точніше порахую після кількості документів, менеджерів і запитів на день

Моя ставка 4000 грн / 3 дні — за перший етап: аудит, локалізація проблеми і, якщо архітектура дозволяє, запуск робочого прототипу. Якщо після аудиту буде доцільніше зібрати систему заново, дам окрему оцінку по повному MVP.

Нюанси можемо обговорити в особистих повідомленнях. Розгорнути

Бюджет: 4000 UAH Термін: 3 дні

Вітаю! RAG-системи (LLM суворо на базі документів, без вигадок) — моя спеціалізація.

Почнемо з аудиту, як ви й пропонуєте. Симптом «дані з бази не доходять до моделі» — це майже завжди одна з типових RAG-помилок: embeddings не підтягуються в промпт, порожня видача векторного пошуку, неправильний чанкінг документів, або контекст не передається в API-виклик. За 1–2 дні знайду причину й дам аргументовану рекомендацію: фіксити наявне чи перезібрати (з обґрунтуванням).

Далі — робоча система:
• Завантаження всієї документації через інтерфейс (оновлення бази без розробника)
• Строгий RAG: відповідь тільки з документів, «немає в базі — чесно каже»
• Веб-доступ за посиланням з авторизацією
• Сценарії: питання про компанію / вставив питання клієнта → готова відповідь / пошук регламенту
• Історія запитів для контролю якості
• Архітектура під майбутнє підключення до аналітичного сховища

Стек: Python (FastAPI), Claude/OpenAI API, RAG-пайплайн з векторною БД (pgvector) + embeddings, PostgreSQL, веб-UI, HTTPS, хостинг на вашому сервері або в хмарі.

По LLM: для QA по документах раджу економні моделі (Claude Haiku / GPT-4o-mini) — якість для цього завдання відмінна, а токени в рази дешевші.

Приклади RAG-рішень і живе демо покажу в особистих. Питання: який приблизний обсяг документації (сторінок/файлів) і скільки менеджерів користуватимуться?
https://horizonbyte-hub.vercel.app/uk Розгорнути

Бюджет: 4000 UAH Термін: 10 днів

Потрібно полагодити (або перезібрати) RAG-асистент, який точно відповідає на запитання менеджерів тільки на основі документів компанії.

Перший крок — аудит наявного коду: дивлюсь де рвується ланцюжок між векторною базою і LLM-викликом (найчастіше це або неправильно сформований context у промпті, або embeddings не індексуються). Якщо прототип реально зламаний глибше — перезбираю на LangChain + pgvector або Chroma, embeddings через OpenAI text-embedding-3-small, LLM через GPT-4o-mini (дешевше за Claude Sonnet при тому ж рівні для FAQ-сценаріїв). Веб-інтерфейс на FastAPI + мінімальний React: авторизація по токену, завантаження файлів через UI, логування запитів у PostgreSQL. Архітектура одразу з абстракцією під майбутнє підключення аналітичного сховища.

Орієнтовна щомісячна вартість: хостинг ~300-500 UAH, токени при 50 запитах/день ~200-400 UAH.

Яка зараз векторна база у прототипі і на чому написаний бекенд, щоб я оцінив обсяг аудиту до старту?

Бюджет: 4000 UAH Термін: 7 днів

Полагоджу ваш прототип: спершу аудит коду, за день дам точний діагноз і висновок, що вигідніше, ремонт чи перезбірка з нуля. Один нюанс з вашого ТЗ, який легко пропустити: у вас вимога англійської мови, і коли менеджер вставляє запитання клієнта як є, а документи написані іншою мовою, звичайні embeddings промахуються на пошуку. Тому закладаю мультимовні embeddings і тестую пошук обома мовами ще до здачі. Відповіді будуть строго по знайдених фрагментах з назвою документа-джерела, а якщо відповіді в базі нема, асистент прямо про це скаже. Такий підхід можна перевірити прямо зараз: знайдіть у телеграмі бота auth_ai_radar_bot, це мій RAG з гібридним пошуком, він відповідає тільки на основі завантажених документів і чесно відмовляє, коли даних нема. Стек: Python + FastAPI, PostgreSQL з pgvector або Qdrant, Claude API (порахую і варіант на OpenAI), веб-інтерфейс з авторизацією, історія запитів, оновлення бази файлами через інтерфейс. Орієнтовне щомісячне володіння для відділу продажів: 10-30 доларів на токени плюс 10-20 доларів хостинг, точніше порахую під ваш обсяг документів. Деталі обговоримо в чат

Бюджет: 24000 UAH Термін: 7 днів

Вітаю! Опис завдання складено дуже грамотно. Проблема з тим, що "інформація не передається в модель", найімовірніше, криється в логіці RAG-пайплайну: некоректний чанкінг (нарізка) документів, занижений поріг косинусної схожості у векторному пошуку або збій на етапі збирання фінального контексту для промпту.

Я спеціалізуюся на розробці надійних веб-додатків та API-інтеграцій і пропоную реалізувати ваш RAG-сервіс як стабільний моноліт на фреймворку Laravel 11-13. Це дозволить уникнути роздування інфраструктури (ніяких складних зв'язок сторонніх Python-скриптів) і тримати весь проект в одному чистому коді.

Технічний стек та архітектура:
- Бекенд та ШІ-пайплайн: PHP 8.3-8.4 / Laravel 11-13. Повна логіка чанкінгу, підготовки контексту та роботи з API (OpenAI / Anthropic).
- Векторне сховище: PostgreSQL + розширення pgvector. Вектори (embeddings) зберігатимуться прямо у вашій базі даних, що гарантує максимальну швидкість вибірки без сторонніх сервісів.
- Інтерфейс та адмінка: Filament PHP. Закриває всі ваші вимоги під ключ: готові форми авторизації менеджерів, чистий інтерфейс чату, історія запитів для контролю якості та зручна панель для завантаження нових PDF/Docx документів без залучення розробника.

Економіка володіння (для відділу з 10 менеджерів):
1. Хостинг: Звичайний VPS (наприклад, Hetzner, 4 GB RAM) - ~$10-$15/міс.
2. Токени: Використання gpt-4o-mini або Claude 3.5 Haiku обійдеться у ~$10-$20 на місяць при активній роботі, оскільки базові моделі зараз коштують копійки.

Комерційні умови:
Вказаний у замовленні бюджет (4 000 грн) може покрити лише первинний аудит вашого поточного прототипу та технічну консультацію. Повноцінна збірка стабільної RAG-системи, налаштування векторного пошуку, промпт-інжиніринг проти галюцинацій та деплой вартують дорожче.

- Реальна вартість розробки під ключ: 18 000 - 24 000 грн (залежно від об'єму легасі-коду).
- Термін: 5-7 робочих днів.

Архітектуру закладу так, щоб у майбутньому ви могли легко підключити систему до вашого аналітичного сховища (BI) через Laravel-сервіси. Готовий подивитися на ваші доступи та поточний код у приватних повідомленнях. Розгорнути

Бюджет: 27000 UAH Термін: 20 днів

Вітаю, Юріє

Можемо зробити RAG систему під ваш бізнес.
Вкажіть будь ласка кількість документів та їх формат що зараз маєте.

Бюджет: 4000 UAH Термін: 3 дні

Доброго дня, великий досвід у розробці агентів та роботі з документами і RAG індексацією. У профілі є кілька закритих кейсів. Можемо обговорити детальніше, зроблю за кілька днів.

Бюджет: 4000 UAH Термін: 5 днів

Добрий день! Зрозумів задачу: асистент має відповідати строго по вашій документації (RAG) і не вигадувати, а зараз прототип не передає дані з бази в модель — найімовірніше, обрив саме на стику «база → LLM» (контекст не долітає в API-запит або векторна база порожня/незібрана).

Перший крок — аудит: підключусь до прототипу й сервера, гляну, як влаштований пайплайн (звідки й куди йдуть дані, чим робляться embeddings, як формується запит до моделі), і скажу чесно — лагодити наявне чи дешевше перезібрати.

Якщо збірка з нуля: RAG на Claude/OpenAI — векторна база (embeddings по вашій доці) + сервіс відповідей строго по знайдених фрагментах з чесним «не знаю», коли відповіді в базі немає; веб-доступ за посиланням з авторизацією; історія запитів; оновлення бази через інтерфейс.

Дайте доступ до наявного прототипу й сервера — за пів дня локалізую, де саме рветься передача в модель.

Щодо ціни: 4000 грн реалістично покривають аудит + доведення прототипу до робочого стану. Повний контур (веб-UI з авторизацією, історія запитів, самостійне оновлення бази) — більший обсяг, тож фінальну вартість назву після аудиту, коли буде видно стан коду. Розрахунок токенів під ваш обсяг документації дам окремо.

Бюджет: 4000 UAH Термін: 5 днів

Вітаю! Я ознайомився з проектом і готовий розпочати роботу. Переконаний, ви будете задоволені результатом.

Бюджет: 4000 UAH Термін: 5 днів

Рекомендований стек:
OpenAI або Claude через API, RAG (embeddings + векторна база), FastAPI, PostgreSQL + pgvector або Qdrant.
або Ollama і 100% локальна модель, серед яких великий вибір, залежно від інфраструктури і завдань.
Архітектуру одразу зроблю з урахуванням майбутнього підключення до вашого сховища даних.

Бюджет: 4000 UAH Термін: 1 день

Доброго дня!

Почну з аудиту вашого коду. В перший день можемо обговорити, чи лагодимо наявне або перезбираємо. Можливо проблема в алгоритмi пошуку iнформацii.
Як альтерантива - мiй сервiс momicro.com . Це закриє вашi потреби. АБСОЛЮТНО ВСЕ можно налаштувати, костумiзувати, пiдключати саме пiд вас. Усі цi інтеграції — безкоштовно! Адаптую під ваш процес продажів за день.

GitHub: https://github.com/axbuglak

З повагою,
Буглак Олексiй

Бюджет: 4000 UAH Термін: 5 днів

Доброго дня! Ми маємо досвід у розгортанні RAG-систем на базі LLM. Реалізуємо це через векторну базу даних та інтеграцію з Вашою документацією для точних відповідей. Налаштуємо пайплайн обробки даних, щоб менеджери отримували релевантну інформацію в реальному часі. Готові розпочати доопрацювання Вашого прототипу та довести його до стабільного робочого стану.

Бюджет: 10000 UAH Термін: 3 дні

Вітаю!
Маємо досвід розробки AI-асистентів і RAG-систем на базі OpenAI та Claude. Готові спочатку провести аудит поточного рішення, знайти причину некоректної роботи API та відновити функціонал або, якщо це буде доцільніше, побудувати систему з нуля.
Реалізуємо повноціну базу знань із RAG, веб-інтерфейс з авторизацією, історію запитів, просте оновлення документів без розробника, а також підготуємо архітектуру для подальшої інтеграції з аналітичними даними. Допоможемо підібрати оптимальну LLM з урахуванням якості відповідей і вартості використання.
Після ознайомлення з поточним проєктом підготуємо детальну оцінку строків, бюджету та орієнтовних щомісячних витрат на токени й хостинг. Будемо раді обговорити деталі співпраці.

Бюджет: 4500 UAH Термін: 1 день

Вітаю Вас!

Я Full-Stack Software Engineer з понад 7-річним досвідом розробки веб-сайтів, SaaS-рішень, складних веб-платформ та MVP для стартапів - від ідеї та архітектури до продакшену й підтримки.

Працюю не лише як розробник, а й з фокусом на бізнес-логіку, масштабованість і довгострокову підтримку рішень. У портфоліо зазначені приклади реалізованих проєктів різної складності.

Технологічний стек:
PHP (Laravel, Symfony, Yii2),
Frontend: JavaScript (Vue.js, React.js), HTML5, CSS3,
Бази даних: MySQL, PostgreSQL.

Щодо термінів та вартості - на цьому етапі коректно оцінити їх без уточнення вимог складно. Для формування обґрунтованої оцінки зазвичай потрібно зрозуміти:
- цілі проєкту;
- ключовий функціонал;
- очікуване навантаження та інтеграції;
- пріоритети (швидкий запуск vs масштабування).

Пропоную почати з короткого уточнення вимог або call / листування - після цього зможу надати реалістичну оцінку по строках, бюджету та варіантах реалізації.

Буду радий обговорити деталі. Розгорнути

Бюджет: 27000 UAH Термін: 14 днів

Можу взяти цей проєкт із швидкого аудиту поточного прототипу, полагодити наявну інтеграцію, якщо її доцільно зберігати, або швидко перезібрати сервіс з нуля, якщо це буде надійніше та швидше. На виході ви отримаєте RAG-асистента, який відповідає строго на базі документів компанії, не вигадує фактів, має веб-інтерфейс з авторизацією для менеджерів, історію запитів і зручне оновлення бази знань без розробника.

Пропонований стек: OpenAI або Claude API, Python/FastAPI, PostgreSQL + pgvector або Qdrant, React/Next.js для інтерфейсу, пайплайн завантаження та індексації документів, деплой на ваш сервер або в хмару з HTTPS. Архітектуру одразу можна закласти так, щоб у майбутньому підключити асистента до аналітичного сховища даних.

Є досвід у схожих RAG-рішеннях: внутрішні бази знань, пошук по документації, FAQ-асистенти, системи для sales/support команд із відповідями на основі джерел.

Бюджет: 4000 UAH Термін: 3 дні

Добрий день!
Доробляю проект https://salesslon.com - там використовується RAG для аналізу розмов менеджерів з клієнтами. Модель нічого не вигадує, працює виключно з текстами розмов.

Подивлюся що не так з вашим проектом, чому не працює. Якщо критичних проблем немає - виправлю помилку. Якщо все погано - скажу як би я зробив.

Вартість RAG дуже невелика, залежить від об'єму даних, є навіть безкоштовні моделі.

Бюджет: 4000 UAH Термін: 5 днів

Доброго дня!

Працював над схожими AI-рішеннями, де основним завданням було створення єдиної системи знань та автоматизація роботи з даними. З опису бачу, що зараз у вас вже є прототип, але, ймовірно, проблема знаходиться в інтеграції RAG-пайплайну з LLM або передачі контексту через API. Я б почав саме з технічного аудиту, щоб визначити, чи доцільніше виправити поточну архітектуру, чи швидше й надійніше перебудувати її.

У своїх проєктах я будував AI-асистентів, автоматизував обробку даних через Make.com, інтегрував CRM, AI-сервіси та API в єдині бізнес-процеси, а також створював AI-консультантів для кваліфікації лідів і персоналізованих відповідей.

Орієнтовні строки:
• аудит та відновлення поточного рішення — 2–4 дні;
• якщо потрібна повна перебудова — 7–10 робочих днів.

Вартість:
• аудит — від $300;
• повна реалізація — $1,200–1,800 (залежно від поточного стану коду та вимог).

Щомісячна вартість:
• хостинг VPS — близько $15–40;
• токени OpenAI/Claude — орієнтовно $20–150+ залежно від кількості менеджерів і запитів.

Підкажіть, будь ласка, яка модель зараз використовується (OpenAI чи Claude) і яку векторну базу ви вже підключали? Це допоможе швидко оцінити, чи достатньо виправити існуюче рішення, чи варто одразу запропонувати більш надійну архітектуру. Розгорнути

Бюджет: 15000 UAH Термін: 7 днів

Зараз головне — знайти причину, чому прототип не передає дані з бази знань у LLM. Якщо проблема лише в API або RAG-пайплайні — це можна виправити без повної переробки. Якщо ж архітектура побудована невдало, логічніше буде перезібрати її одразу, щоб надалі не виникало проблем із масштабуванням.

Що потрібно зробити:
• провести аудит поточного проєкту та перевірити інтеграцію API;
• налаштувати RAG, щоб модель відповідала лише на основі документації;
• реалізувати завантаження й оновлення бази знань без участі розробника;
• додати веб-інтерфейс з авторизацією та історією запитів;
• підготувати систему до подальшого підключення інших джерел даних.

Також варто одразу визначитися, яку модель використовувати (OpenAI чи Claude), оскільки від цього залежатимуть якість відповідей і щомісячні витрати на токени.

Якщо надасте доступ до поточного проєкту, можна швидко зрозуміти, чи достатньо виправити існуюче рішення, чи вигідніше зібрати нову архітектуру. Розгорнути

Бюджет: 4000 UAH Термін: 3 дні

RAG-асистент для sales EN: аудит вашого прототипу → fix retrieval або перезбірка (Python/FastAPI, pgvector, Claude/GPT). Web + auth, upload без розробника, історія запитів, режим «вставив питання клієнта — отримав відповідь». ~3–5 тижнів, ~90–150 год; hosting+API ~$80–350/міс. Надішліть код — зроблю аудит за 1–3 дні.

Бюджет: 4000 UAH Термін: 1 день

Доброго часу доби! 🧡
Готовий приступити до роботи, буду радий допомогти з мінімальними термінами 😉
Є досвід роботи в подібних проєктах. 🌼 (Є відгуки на цю тему та роботи в портфоліо)
Зроблю в кращому вигляді, приступлю зараз! 🚀🛸✈️

Обов'язково пишіть, обговоримо. Відповідаю миттєво!

Бюджет: 4000 UAH Термін: 1 день

Вітаю!

Найімовірніша причина, чому документи не долітають до моделі: retrieval знаходить фрагменти, але вони не підставляються в контекст перед викликом API — або embeddings просто не оновлюються після завантаження нових документів. Аудит коду й доступів покаже точне місце розриву за пів дня-день.

Етап 1 — Аудит. Перевірю API-виклики, індексацію, векторну базу, збірку промпту. За результатами — чіткий висновок: лагодити наявне чи перезбирати з нуля, з обґрунтуванням і оцінкою вартості/строків.
Етап 2 — Реалізація на основі результатів аудиту. Стек: FastAPI, PostgreSQL + pgvector (або Qdrant), Claude API, веб-інтерфейс з авторизацією, історія запитів, оновлення бази без розробника.
Маю досвід з FastAPI та роботою з зовнішніми API (в т.ч. будував Telegram-бота з моніторингом кількох маркетплейсів через API в реальному часі — схожа логіка з обробкою й видачею даних).

Уточнення: на чому написаний поточний прототип (LangChain/LlamaIndex чи власне рішення) і яка векторна база вже підключена?

Звертайтесь! Розгорнути

Бюджет: 11111 UAH Термін: 1 день

Привіт! Маю вже більше 3 років досвіду у створенні AI/Full-stack сервісів. У мене є готовий, протестований RAG-шаблон, який на 90% відповідає вашим вимогам.

Мій стек: FastAPI, LangGraph (агенти та історія), Qdrant (векторний пошук з MMR), Flashrank (переранжування проти галюцинацій), Redis і Docker.

План реалізації:

Аудит (1 день): Перевірю ваш прототип. Якщо проблема лише в API — виправлю. Якщо код сирий — аргументовано розгорну свій готовий бекенд, це заощадить час.

RAG і Контроль (3–4 дні): Налаштую жорсткі системні промпти (strict QA) — модель буде відповідати строго за документами. Інтегрую Claude 3.5 Sonnet або GPT-4o mini.

Інтерфейс і Адмінка (3 дні): Зроблю чистий веб-інтерфейс з авторизацією, розділом для завантаження/видалення файлів менеджерами (без участі розробника) та логуванням історії чатів. Архітектура спочатку буде готова до підключення аналітичної БД.

Терміни і вартість:

Термін: 5–7 днів (швидше за все, швидше, але беру з запасом).

Вартість роботи: $400–$7000.

Орієнтовні витрати на місяць: Хостинг (VPS) — $20–$30; Токени (на команду продажів) — $15–$40 в залежності від навантаження.

Готовий показати демо аналогічної системи, пишіть - обговоримо! Розгорнути

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: 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: 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.