ИИ агент для досліджень

Привіт! Ваш проект — це ідеальний кандидат під Vibe Coding (розробку на максимальній швидкості за допомогою AI-генерації коду). Весь описаний вами стек (FastAPI, PostgreSQL + pgvector, Docling, Qwen 2.5) я знаю, розумію, як зв'язати і розгорну в найкоротші терміни.

Показати оригінал

Перекласти

Доброго дня.

Уважно вивчив ТЗ. Проект виглядає як повноцінна дослідницька RAG-платформа, а не черговий AI-чат з підключеною LLM. Особливо сподобалося, що ви відразу заклали правильну архітектуру: ingestion → extraction → retrieval → reranking → structured recommendation.

Мій профіль якраз знаходиться на перетині AI, backend-розробки та систем обробки даних.

Працюю з Python 3.11+, FastAPI, PostgreSQL, Docker, векторними базами даних та сучасними LLM-стеками. Реалізовував системи семантичного пошуку, RAG-пайплайни, обробку документів, AI-асистентів з довготривалою пам'яттю та сервіси автоматизованого аналізу даних.

Що можу реалізувати в рамках вашого проекту:
…
✔ завантаження та обробка PDF-документів;
✔ інтеграція GROBID для витягування структури наукових публікацій;
✔ інтеграція PubMed та Scopus;
✔ зберігання документів, метаданих, ембеддингів та історії запитів у PostgreSQL;
✔ гібридний пошук BM25 + Embeddings;
✔ Cohere Rerank для підвищення якості видачі;
✔ RAG-пайплайн з контрольованою генерацією відповідей;
✔ витягування сутностей та параметрів через LLM + Pydantic Schema;
✔ видача рекомендацій з обов'язковим обґрунтуванням та посиланнями на джерела;
✔ REST API для інтеграцій;
✔ веб-інтерфейс на Vue 3;
✔ Docker-розгортання та документація.

Сильна сторона мого підходу — не просто змусити модель відповідати, а досягти відтворюваних результатів, коли користувач завжди бачить джерела, знайдені документи та логіку формування рекомендацій.

Для подібних систем особливо важливо якість retrieval-шару та витягування даних з публікацій. Тому архітектуру будую таким чином, щоб система спиралася на наукові матеріали та фактичні дані, а не на припущення моделі.

Готовий розпочати одразу після погодження деталей. Також можу запропонувати кілька варіантів архітектури під різні бюджети та обсяги даних.

Буду радий обговорити проект.

Показати оригінал

Перекласти

Добрий день!
Проєкт дуже цікавий і доволі комплексний — це вже не просто чат-бот, а спеціалізована RAG-система для роботи з науковими документами, структурованого витягування даних та формування рекомендацій на основі джерел.
Можемо допомогти з архітектурою та реалізацією MVP:
— завантаження та парсинг наукових документів
— розбиття тексту на chunks та зберігання метаданих
— embeddings + повнотекстовий пошук
— RAG-логіка для формування відповідей українською/російською
— витягування параметрів методик через LLM + pydantic schema
— PostgreSQL-схема для документів, фрагментів, embeddings, сутностей та історії запитів
… — FastAPI backend
— web-інтерфейс
— формування рекомендацій із посиланнями на джерела
По стеку логічно використовувати Python / FastAPI / PostgreSQL / Docker, а для пошуку — гібридний підхід: BM25 + embeddings + rerank.
Для старту можемо реалізувати MVP:
завантаження документів → пошук релевантних фрагментів → RAG-відповідь → структурований вивід параметрів → посилання на джерела.
Після цього систему можна масштабувати під Scopus/PubMed API, QLoRA/Qwen та глибшу AI-аналітику.
Готові обговорити обсяг бази, формат документів, вимоги до точності та roadmap першого етапу.

Доброго дня. За ТЗ — у вас повний опис за посиланням на Google Docs, мені потрібен доступ до документа, щоб дати конкретні терміни та ціну. Дайте доступ на читання (можна на freelancehunt-акаунт або адресу email) — після прочитання повернуся з детальною оцінкою.

По типу задачі — research agent це зараз один з найцікавіших AI-доменів. Архітектурно зазвичай зводиться до трьох шарів: tool layer (web search через Tavily/SerpAPI/Brave, retrieval з ваших джерел, browser-control при необхідності), reasoning layer (планувальник + цикл act-observe-reflect, найчастіше на LangGraph або власній state machine), і output layer (структурований звіт з цитатами та confidence). Якість критично залежить від двох речей: глибини fact-checking step (перевірка claim-ів агента до видачі фінальної відповіді) та грамотного prompt engineering для звітності — без них агент або галюцинує, або видає водянистий текст.

Релевантний досвід — три роки пишу LLM-інтеграції (OpenAI/Anthropic), є production AI-асистент на RAG/Qdrant в проді, поточний side-проект якраз використовує parallel agent orchestration через MCP. RAG + agent loops + prompt engineering — мій основний фокус.

Чекаю доступу до ТЗ, після прочитання відповім з конкретними цифрами по обсягу, термінам і стеку.

Показати оригінал

Перекласти

Вітаю. Є досвід розробки AI-систем з workflow логікою (етапи, статуси, автоматизація процесів, інтеграції API). Можу реалізувати ваш сценарій під ключ: публікація → ставки → погодження → резервування → виконання → відгуки з AI-логікою та тестуванням перед запуском. Після перегляду ТЗ дам точні терміни і вартість, але орієнтовно MVP такого рівня займає 3–6 тижнів залежно від складності AI-частини та інтеграцій.

Привіт, Ашере!

Я б робив його поетапно: спочатку базова система з завантаженням документів, пошуком і відповідями з опорою на джерела, далі вже нарощування якості витягування і "розумних" рекомендацій. Основний фокус тут буде на якості даних і коректній роботі з науковими текстами, а не тільки на LLM.

Щоб точніше оцінити реалізацію і терміни, потрібно прояснити кілька моментів: який обсяг і формат вихідних документів планується на старті (PDF, бази статей, фармакопеї), і чи є вже доступ до них або вони будуть підключатися в міру розробки. Також важливо зрозуміти, наскільки глибоко потрібно витягувати параметри — чи достатньо загального виділення методик, або потрібна сувора структуризація "як у базі даних" з фіксованими полями.

Пропоную обговорити деталі.

Показати оригінал

Перекласти

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

Доброго дня. Готовий виконати цей проект, маю великий досвід розробки різних додатків.

Показати оригінал

Перекласти

Ашер, добрий день
Подивився ТЗ - це вже повноцінна RAG-система під дослідницькі завдання, і, чесно, приємно бачити настільки детально продуману архітектуру проєкту. Видно, що ви розумієте, що саме хочете отримати на виході.

Особливо сподобалося, що ви одразу розділили ingestion документів, extraction сутностей, retrieval/rerank і окрему RAG-логіку поверх цього. Такий підхід сильно знижує ризик того, що проєкт перетвориться на "LLM відповідає як попало".

Хочу уточнити один важливий момент: вам потрібен MVP для внутрішнього використання в лабораторії/команді чи одразу система з розрахунком на комерційне масштабування та зовнішніх користувачів? Від цього сильно залежить архітектура.

Показати оригінал

Перекласти

Добрий день.
Готовий реалізовувати поетапно, спершу MVP з базовим парсингом, БД, пошуком і RAG-відповідями.

Добрий день: часто робимо схожі проекти для інших ніш, досвід маємо! 2500 доларів, 10 робочих днів!

Показати оригінал

Перекласти

Ось відповідь:

---

Вивчив ТЗ. Завдання зрозуміле — потрібен не просто чат-бот, а робочий інструмент для лабораторії з RAG-архітектурою, семантичним пошуком і структурованими відповідями з посиланнями на джерела.

Стек мені знайомий: FastAPI + PostgreSQL, Vue.js 3, embeddings (multilingual-e5-large), BM25 + Cohere Rerank, інтеграція з PubMed/Scopus/GROBID. Працював з подібними системами для пошуку по наукових документах.

Що пропоную:
…
— PostgreSQL-схема з зберіганням документів, фрагментів, ембеддингів, сутностей і історії запитів
— Гібридний пошук: BM25 + векторний з ре-ранкінгом
— RAG-пайплайн з обґрунтуванням відповідей і посиланнями на джерела
— REST API для завантаження документів і генерації відповідей
— Веб-інтерфейс на Vue.js 3
— Docker-конфігурація для деплою на VPS/RunPod

**Термін:** 5–6 тижнів з урахуванням тестування
**Вартість:** обговоримо в особистому повідомленні, орієнтуюсь на бюджет проекту — готовий запропонувати адекватну ціну

Готовий почати після узгодження деталей.

Показати оригінал

Перекласти

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

Показати оригінал

Перекласти

Привіт
Ми кваліфіковані для виконання надзвичайно спеціалізованого завдання зі створення готового AI-рішення для хроматографічного аналізу, як описано у ваших специфікаціях. Наша стратегія зосередиться на наданні надійної, інтелектуальної системи, яка слугуватиме корисним інструментом для досліджень та лабораторних завдань, а не просто чат-ботом.
Використовуючи обрану вами технологічну платформу, ми реалізуємо основні функції, такі як:
• Завантаження та парсинг документів: Наукові статті, фармакопеї та методичні матеріали можуть бути ефективно завантажені та проаналізовані за допомогою Docling та GROBID.
• Витяг даних та пошук: Використовуючи BM25, multilingual-e5-large та Cohere Rerank 3 у поєднанні зі структурованим витягом даних з тексту для семантичного та повнотекстового пошуку по базі знань.
• Логіка RAG та система рекомендацій: Розробка вдосконаленої системи Retrieval-Augmented Generation (RAG) для створення корисних пропозицій щодо умов хроматографічного аналізу, разом із поясненнями та посиланнями. Для складних матриць, таких як рослинні екстракти та біологічні рідини, це включатиме доопрацювання LLM (Qwen2.5-7b з QLoRA), щоб забезпечити високу точність та релевантність.
• Веб-інтерфейс та API: Розробка зручного веб-інтерфейсу з Vue.js 3 та потужним бекендом FastAPI, підтримуваним базою даних PostgreSQL 15+ для зберігання документів, метаданих, текстових фрагментів, витягнутих сутностей, векторів та історії запитів.
• Розгортання: Використання Docker, VPS та RunPod для масштабованого та ефективного розгортання.
Враховуючи складність інтеграції кількох спеціалізованих інструментів, доопрацювання LLM та створення повноцінного додатку з акцентом на точність та обґрунтування, реалістичний термін для доставки цього готового AI, включаючи ретельне тестування, становитиме приблизно 16-24 тижні.
… Для проекту такого роду, який передбачає розробку передового AI, спеціалізовану обробку даних та повноцінну реалізацію, інвестиції зазвичай коливаються від 80 000 до 150 000 доларів США і більше. Ця оцінка враховує спеціалізовану експертизу, необхідну для архітектури RAG, доопрацювання LLM, парсингу документів та безпечного, масштабованого розгортання.
Перед більш точною оцінкою є два важливі питання:
1. Скільки і які види наукових документів — таких як статті та фармакопеї — потрібно буде спочатку спожити та обробити в систему?
2. Чи потрібно, щоб AI відповідав якимось конкретним стандартам продуктивності або метрикам точності для хроматографічних рекомендацій?

Показати оригінал

Перекласти

Привіт! Я можу розробити для вас готове AI-рішення як повноцінну production-систему, а не просто демо. З нормальним тестуванням, зрозумілою передачею проекту і такою структурою, щоб ваша команда могла спокійно підтримувати його далі без зайвого стресу.

Я працюю з LLM-продуктами end-to-end: від prompt architecture і логіки обробки даних до безпечних API, логування і стабільного користувацького досвіду.

Ще до роботи над UI я надаю перевагу спочатку зафіксувати основну поведінку системи через простий spec-driven pipeline, щоб модель працювала стабільно, а якість можна було виміряти. Мій підхід — спочатку побудувати надійне ядро, потім додати guardrails, retries і зрозумілі fallback-сценарії, щоб система не ламалася, коли реальні користувачі поводяться непередбачувано.

Як тільки я отримаю доступ до документа, який ви вказали, я розкладую всі вимоги в checklist, і ми зможемо відстежувати прогрес по кожній функції через короткі демо.

Одна ідея, яка з першого дня зробить ваш AI більш надійним і зрозумілим для користувачів, — це **Evidence Panel**. Він буде спокійно показувати, на яких даних оснований відповідь і чому система вибрала саме цю дію. Для користувачів це не буде виглядати перевантажено, але допоможе підтримці, зменшить спірні ситуації і прискорить тестування, тому що можна буде бачити логіку роботи системи без здогадок.
…
https://storyai.cc
https://live.chatbullet.com

Показати оригінал

Перекласти

Вивчив ТЗ, задача зрозуміла і технічно цікава. Готовий обговорити деталі в зручний час, пишіть, обговоримо.

Показати оригінал

Перекласти

у нас вже є практично готова архітектура і напрацювання для схожого ІІ-агента, тому за вашим ТЗ орієнтир - 16000 USD і 60 календарних днів з тестуванням, можемо обговорити деталі тут, я на зв'язку ))
дивіться, тут нюанс - я б робив це не як звичайний чат-бот, а як !!дослідницький сервіс з перевіреними джерелами!!, тому що в ТЗ є фармакопеї, публікації, методики хроматографії, Scopus, PubMed, Docling, GROBID і RAG.
ІІ-частину краще розділити на пошук по базі, витягування структурованих параметрів, ранжування джерел, генерацію відповіді з цитатами і журналювання запитів.
в реалізацію увійдуть веб-інтерфейс, API, PostgreSQL, завантаження документів, ембеддинги, історія запитів, Docker-розгортання, тестовий набір і перевірка якості відповідей на ваших прикладах.
вартість платних джерел і GPU краще рахувати окремо, щоб не ховати змінні витрати в розробку.
від вас потрібні приклади 20-30 реальних запитів, набір документів для першої бази, доступи до платних джерел якщо Scopus потрібен в першій версії, і критерії правильної відповіді.
уточню 2 моменти.
- Scopus обов'язковий в першій версії чи можна почати з PubMed і завантаженої бази документів
- QLoRA і QWEN2.5-7b точно потрібні на старті чи важливіше спочатку стабільний RAG з хорошою видачею джерел
… релевантні кейси і досвід.
- https://business.ingello.com/vorfahr - схоже тим, що там ІІ-генерація, обробка даних і продуктова логіка в робочій системі
- https://business.ingello.com/fractal - близько по агентній архітектурі і автоматизації складних процесів
- https://business.ingello.com/tts - опосередковано пов'язано через ІІ-сервіс під прикладну задачу
головний профіль Ingello Systems для FLH - https://systems-fl.ingello.com
можемо почати з короткого етапу проектування, якщо хочете зменшити ризики по джерелах і якості відповідей =/

Показати оригінал

Перекласти