AI-платформа для академічних авторів

Вітаю! Маємо досвід у Python / FastAPI, OpenAI / Claude інтеграціях, RAG-системах та AI бекенд автоматизації.

Працювали з:
- FastAPI продакшн бекенд
- Генерація PDF (WeasyPrint / ReportLab)
- OpenAI / Claude API
- RAG та векторний пошук
- PostgreSQL
- системи доставки електронної пошти
… - Linux / VPS деплоймент

Можемо швидко включитись у ваш workflow та брати milestone-задачі без постійного мікроменеджменту.

Комфортно працюємо з:
- AI endpoints,
- структурованими JSON виходами,
- PDF звітами,
- browsing/RAG логікою,
- async бекенд задачами,
- API інтеграціями.

Будемо раді обговорити деталі співпраці 🙂

Показати оригінал

Перекласти

Вітаюможу підключитися до ізольованих milestone задач у вашому fastapi стеку.

Маю практичний досвід з backend workflow, llm endpoint, pdf генерацією та доставкою звітів користувачам. Для ваших задач бачу окремі блоки: шаблони pdf через weasyprint/reportlab, retry логіку доставки, автоочищення файлів, topic generator через llm, checklist scoring з json/pdf звітом.

Працюю акуратно поруч із lead developer: спочатку узгоджую контракт api, потім роблю невеликий робочий модуль, тести, edge cases і коротку документацію по запуску.

ітаю,

Прочитав детально — Middle Python Backend Dev для milestone-задач M1–M4, з готовим lead developer і архітектурою. Це мій профіль 1:1.

Стек, з яким працюю щоденно: FastAPI + Pydantic v2 + SQLAlchemy/asyncpg + PostgreSQL, LLM-інтеграції з Anthropic (Claude) і OpenAI з prompt caching, RAG поверх pgvector, browsing-агенти через Playwright, deploy на Hetzner + Docker. Я свій side-проєкт тримаю саме на цьому стеку — Claude API + prompt caching + FastAPI + SQLite, з MCP-сервером для управління.

По кожному milestone коротко:
- M1 PDF + email: WeasyPrint надійніше за ReportLab для довгих документів, Resend — гарний вибір. Auto-delete через 24 год — APScheduler або сам Resend (вони підтримують через API). Retry — tenacity з exponential backoff.
- M2 Topic Generator: FastAPI endpoint + Claude streaming, optional browsing через Playwright або через ваш існуючий browsing agent.
… - M3 Article Readiness: structured output (Anthropic tool-use або OpenAI function calling), JSON schema на чек-лісті, PDF звіт через ту ж M1-інфраструктуру.
- M4 Article Brief: browsing agent → витяг aims & scope → RAG retrieval поверх instruction files → LLM generation.

Як працюю: чисто беру милстоун, уточнюю питання якщо щось у ТЗ неоднозначне, доводжу до passing tests + code review від lead, після прийняття переходжу до наступного. Не зникаю, комунікую через будь-який канал (Slack/Discord/Telegram).

Готовий до короткого діалогу і пробного M1 — це найшвидший спосіб перевірити сумісність.

Показати оригінал

Перекласти

Доброго дня, маю великий досвід FastAPI та PostgreSQL
Вмію брати чітке ТЗ і доводити задачу до результату без мікроменеджменту. Готова швидко включитись

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

Працював з FastAPI + OpenAI/Claude API на production-проєктах - AI-аналіз контенту, автоматична генерація звітів, інтеграції з платіжними системами.
Релевантний досвід:

FastAPI бекенди з LLM викликами (prompt engineering, function calling)
PDF generation через WeasyPrint для звітів
Email delivery через Resend/SendGrid з retry логікою
Browsing agents на Playwright для data extraction
PostgreSQL read-only операції з існуючою схемою

… Milestone-формат: звик працювати з ізольованими задачами, чітким ТЗ і code review.
Досвід з AI tools: OpenAI API, Claude API, базове RAG через pgvector.

Питання:
Чи є документація по існуючому кодбейсу або буде onboarding call?

Ставка: $15/год або fixed price per milestone залежно від оцінки складності після знайомства з проєктом.

Вітаю!

Мені цікавий ваш проєкт. Працюю з Python та FastAPI у production, також маю досвід інтеграції LLM (OpenAI / Claude), побудови backend API та AI-логіки для прикладних систем.

Робив задачі, пов’язані з LLM-аналізом текстів, генерацією структурованих результатів (JSON/PDF), інтеграцією зовнішніх API, email delivery та автоматизацією backend-процесів. Також працював з RAG-підходами та агентними сценаріями (включаючи browsing / data extraction логіку).

По стеку все зрозуміло: FastAPI, PostgreSQL, LLM API, PDF генерація, Resend, деплой на Linux — з цим комфортно працюю.

Готовий швидко включитися в задачі формату milestone і працювати в командному процесі з code review.
…
Можу почати з найближчих задач.

Привіт!

Ваш стек — наш профіль: FastAPI, Claude/OpenAI API, Playwright, PostgreSQL. Є досвід з кожним з milestone що ви описали.

По задачах:

M1 — PDF + email: робив PDF-генерацію через ReportLab, delivery з retry логікою, автоочищення файлів — стандартна задача.

M2/M3 — LLM інтеграція: працював з Claude API і OpenAI, JSON-structured output, scoring системи — розумію як це будувати правильно.
…
M4 — browsing agent + RAG: є досвід з Playwright для парсингу динамічних сторінок, знайомий з RAG підходом.

Формат ізольованих milestone-задач зручний — беру задачу, здаю результат, без зайвого мікроменеджменту.

Готовий обговорити деталі по кожному!

Можу підключитися до вашого Python/FastAPI бекенду і швидко влитися в поточну команду під lead developer. Є практичний досвід бекенд/API завдань, AI-інтеграцій та code review, тому можу заходити в існуючий код без довгої розкачки. Підкажіть, будь ласка, які 1–2 завдання потрібно закрити в першу чергу на найближчому етапі?

Показати оригінал

Перекласти

Доброго дня! Розробляю на Python, React/Node.js виконував схожі проекти, готовий до співпраці.

Вітаю, готовий приступити відразу, не потребую мікромеджемнту, але завжди спочатку вияснюю ньюанси які мені не зрозуміли, щоб виокнати задачу.
- Реалізовував генерацію щоденних звітів по замовленнях у формат PDF. Excel.
- Впровадження корпоративної пошти та корп. хмари(Nextcloud)
- Телеграм бот замовлень, з багатим функціоналом, окремий веб-додаток для адміністрування бота(розподіл додаткового товару згідно замовлень,звіт по маршруту, по складам тощо, додавання торговиї точок, номенклатури в бот із зручної адмін панелі)
Готовий приступити чим швидше, або виконати тестове завдання.

Вітаю! Я Володимир, засновник інженерної агенції Vaysed. Проєкт AI-платформи для академічних авторів — це чудова ініціатива. Специфіка роботи з науковими статтями, жорсткими вимогами журналів та індексацією в Scopus мені дуже близька через постійну роботу з академічними дослідженнями для університетських практичних завдань. Я чудово розумію болі авторів та важливість точного LLM-аналізу анотацій.
Я готовий швидко інтегруватися у вашу команду як сильний виконавець. Мені максимально комфортний формат роботи з чіткими ізольованими milestone-задачами під керівництвом вашого lead developer, де вже є готова схема PostgreSQL та закладений архітектурний фундамент на FastAPI.
По основним майлстоунам:
Для **M1** я реалізую генерацію PDF-звітів через WeasyPrint (він гнучкіший у роботі з HTML/CSS-шаблонами), налаштую інтеграцію з Resend для email-доставки з надійною retry-логікою та механізмом фонового видалення файлів через 24 години.
У **M2 та M3** я маю великий практичний досвід прямих викликів OpenAI та Claude API, зокрема з налаштуванням жорстких JSON-відповідей для checklist scoring. Витягування aims & scope журналу ми реалізуємо через Playwright — це потужний інструмент, який я регулярно використовую для створення browsing-агентів та парсингу.
Для **M4** я налаштую пайплайн, де browsing-агент забиратиме контекст за URL, а LLM працюватиме через RAG-архітектуру для генерації персоналізованого article brief згідно з вашими інструкційними файлами.
Мій основний робочий інструмент — це ОС Linux (Fedora), тому робота з вашими Hetzner VPS, деплоєм та тестуванням відбуватиметься абсолютно природно і без затримок. Я пишу чистий код, який легко пройде code review, працюю автономно, завжди чесно комунікую про статуси та не зникаю під час роботи.
Оцінити мій інженерний підхід та реалізовані кейси можна на сайті агенції: https://vaysed.me/. Напишіть мені в особисті повідомлення, щоб ми могли обговорити деталі першого майлстоуну (M1) та оперативно розпочати роботу!

Вітаю.Працюю з FastAPI та Python.Готовий до співпраці.Звертайтесь.

Найважливіше тут — не “вигадувати систему з нуля”, а швидко та стабільно інтегрувати окремі AI-модулі у вже підготовлену backend-екосистему. Саме в такому форматі я працюю найефективніше: беру ізольовані задачі, швидко занурююсь у кодову базу та доводжу milestone до production-ready результату без затримок і постійного супроводу. Маю практичний досвід із FastAPI, інтеграціями OpenAI/Claude API, генерацією PDF, API orchestration та backend-логікою для AI-продуктів. Розумію специфіку роботи з LLM: retries, structured JSON responses, prompt control, стабільність результатів, rate limits, обробку edge cases та оптимізацію витрат на inference. Також добре знайомий із підходами до RAG, асинхронною обробкою задач та інтеграціями зовнішніх сервісів. Код пишу структуровано, з нормальною декомпозицією, логуванням і зрозумілою API-логікою, тому проходження code review не буде проблемою. Якщо буде потрібно — приклади релевантних робіт надам за запитом.

План роботи:

Аналіз поточної структури бекенду, схем PostgreSQL, API-flow та вимог по milestone
Реалізація M1: генерація PDF-звітів через WeasyPrint або ReportLab, email delivery через Resend, retry-механізм, cleanup тимчасових файлів
Реалізація M2: FastAPI endpoint для AI Topic Generator, інтеграція OpenAI/Claude API, structured output, обробка помилок та optional parsing через browsing agent
Реалізація M3: AI-аналіз abstract/article readiness, checklist scoring, формування JSON-відповідей і PDF-звіту
Реалізація M4: pipeline журнал URL → browsing agent → LLM → article brief generation з підтримкою RAG та instruction files
… Тестування endpoint-ів, перевірка стабільності AI-викликів, логування та оптимізація response flow
Інтеграція у Git workflow команди, підготовка до code review та деплой на Linux/Hetzner VPS.

Доброго дня.

По задачі зрозуміло. Middle Python/FastAPI розробник в команду під ізольовані milestone-задачі з LLM, PDF-генерацією, browsing-агентами і RAG.

Стек ровно наш. FastAPI щодня, OpenAI і Anthropic в продакшні, Resend для email, PostgreSQL з pgvector для RAG, Playwright для browsing. Інструменти на яких працюємо постійно, не вивчаємо під проект.

Релевантний кейс: BrandSync AI, production SaaS з пайплайном GPT-4 через Redis і чергами. Архітектурно близько до ваших задач: AI-аналіз контенту, JSON-результати по чек-листам, генерація персоналізованих документів. Інший проект, Winbix.AI, AI-агентна платформа з RAG і browsing.

По milestone:
…
M1 (PDF + email). WeasyPrint для шаблонів з повним CSS, Resend з webhook-обробкою для retry, scheduler для автовидалення.

M2 (Topic Generator). FastAPI endpoint з LLM-call, structured output через function calling, опціональний browsing через Playwright.

M3 (Article Readiness). LLM-аналіз з structured output по чек-листу, JSON-схема для кожного пункту, PDF-звіт.

M4 (Article Brief). Browsing-агент через Playwright для журналу, RAG через pgvector, генерація брифу з інструкційними файлами як system prompt.

Формат ізольованих milestone з окремою оплатою підходить. Працюємо по чіткому ТЗ, code review від lead developer сприймаємо спокійно, фідбек застосовуємо швидко.

Готові взяти одну milestone як тестову. Якщо співпраця і якість коду підходять, продовжуємо по решті.

Портфоліо: quentar.space/en/startups

Жду в особистих.

Привіт! Я ознайомився з вашим проектом і готовий почати роботу. Можу гарантувати відмінний результат у короткі терміни.

Показати оригінал

Перекласти

Вітаю. Я детально ознайомився з описом проекту та майлстоунами. Мені ідеально підходить формат ізольованих задач де є чітке ТЗ і зрозумілий фундамент проекту. Маю міцний досвід роботи з бекендом на FastAPI та написанням чистого асинхронного коду який без проблем пройде code review від вашого ліда. З інтеграцією OpenAI та Claude API працюю постійно зокрема для складного парсингу генерації структурованих JSON відповідей та скорингу текстів що ідеально закриває задачі M2 та M3. Реалізація генерації PDF через WeasyPrint з подальшою відправкою через Resend також знайома а логіку повторних спроб та очищення файлів я реалізую через вбудовані фонові задачі FastAPI без зайвого навантаження на систему. З парсерами та RAG системами для створення звітів працювати вмію і розумію як правильно згодовувати контекст моделі. Підкажіть будь ласка для четвертого майлстоуну з RAG ви вже використовуєте якусь конкретну векторну базу даних наприклад pgvector чи мені потрібно буде імплементувати це рішення самостійно в рамках задачі?