Налаштування автоматизації OpenClaw з використанням сторонніх АІ агентів відповідно до ТЗ

Бюджет: 27000 UAH Термін: 20 днів

Вітаю! Завдання по розгортанню мультиагентної системи на базі OpenClaw для автоматизації проектного менеджменту та аналітики — це відмінний кейс для створення повноцінного «AI-офісу». Я спеціалізуюсь на розробці складних AI-агентів та автоматизації робочих процесів (більше 30 проектів). Маю практичний досвід роботи з архітектурою OpenClaw, зокрема з налаштуванням MCP (Model Context Protocol) та кастомних тулзів для інтеграції з Jira та Slack. Нижче моє бачення реалізації вашої екосистеми з 5 агентів: 🛠 Технічна реалізація агентів Агент 1 & 2. Jira & Team Load Assistant Замість двох окремих скриптів, я пропоную використовувати єдиний Jira Toolset всередині OpenClaw. * Логіка: Агент використовує JQL (Jira Query Language) для збору тикетів. Для оцінки зайнятості (%) впровадимо алгоритм, який співвідносить Story Points або Original Estimate з робочим днем (8 годин). * Slack Integration: Формування адаптивних карток (Block Kit) для наочності Summary. Агент 3. Research Agent (Perplexity) * Реалізація: Інтеграція через API Perplexity (модель sonar-reasoning). * Workflow: Агент отримує запит з Slack, виконує веб-пошук, фільтрує релевантні посилання за допомогою BigQuery та структуризує відповідь за вашим шаблоном (Summary -> Links -> Key Ideas). Агент 4. Meeting Agent (Fireflies) * Реалізація: Використання Webhooks від Fireflies. * Logic: Як тільки транскрипт готовий, OpenClaw забирає текст, проганяє через промпт-інструкцію для розділення "Done" та "Action Plan" і пушить у потрібний канал Slack. Агент 5. Multi-Agent Grooming (Оркестратор) Це «мозок» системи. В OpenClaw ми налаштуємо його як Supervisor Agent. * Функція: В кінці дня він опитує логи роботи попередніх 4-х агентів (через внутрішню БД або логи сесій) та формує мета-саммари: «Агент 3 знайшов 5 практик, Агент 1 виявив 10 нових багів». Це дозволить бачити загальну картину ефективності всієї системи. 📋 План розробки на тестовій середовищі: * Інфраструктура: Розгортання OpenClaw в Docker-контейнері, налаштування змінних середовища (API keys для Jira, Slack, Perplexity, Fireflies). * MCP & Tools: Створення кастомних інструментів для читання Jira та відправки повідомлень у Slack. * Prompt Engineering: Налаштування системних промптів для кожного агента, щоб витримати вимаганий формат саммари. * Оркестрація: Налаштування Агента 5 для агрегації даних. ⏱ Термін та вартість: * Термін виконання: 14–20 робочих днів (з урахуванням тестування всіх флоу). * Вартість: $2 500 – $4 500 (залежить від глибини інтеграції та необхідності кас).

Бюджет: 16000 UAH Термін: 5 днів

Добрий день
Мене звати Дмитро, компанія King Kong Lab. Маємо досвід побудови подібних систем з AI-агентами, інтеграціями (Jira, Slack, API) та автоматизаціями, тому можемо якісно реалізувати ваш кейс.
Можемо налаштувати OpenClaw або запропонувати більш стабільну архітектуру (через n8n / кастомні AI-агенти), якщо це дасть кращий результат.
Реалізуємо всі юзкейси:
агент для Jira (збір задач, статусів, формування саммарі в Slack)
агент по завантаженню команди (аналіз задач і % зайнятості)
Research agent (через Perplexity / LLM) з відповідями в Slack
Meeting agent (Fireflies) з чітким summary + action plan
multi-agent orchestration (загальне саммарі, проблеми, рекомендації)
Зробимо не просто “зв’язку сервісів”, а стабільну систему з логікою, обробкою помилок і масштабуванням.
Маємо практичний досвід роботи з LLM, AI-агентами, Slack, Jira та подібними автоматизаціями.
Готові обговорити деталі, стек і одразу підключитися до тестового середовища. Розгорнути

Бюджет: 16000 UAH Термін: 7 днів

Доброго дня. Оглянув ТЗ, реалізую multi-agent систему (Jira, Slack, Perplexity, Fireflies): автоматизації, саммарі, RAG, синхронізація. FastAPI + API інтеграції.

Бюджет: 999 UAH Термін: 1 день

Доброго дня!

Ми компанія Devoxen, у нас великий досвід у подібних проектах, зокрема в налаштуванні AI-автоматизацій, multi-agent сценаріїв та інтеграцій зі Slack, Jira, сервісами для зустрічей та зовнішніми research-інструментами. За вашим описом завдання цілком здійсненне на тестовому середовищі: можна побудувати окремі агентні пайплайни під Jira-summary, завантаження команди, research-запити з Slack, саммари зустрічей та orchestration-слой, який буде синхронізувати агентів між собою, збирати daily-звіти, проблемні зони та рекомендації. Також зможемо допомогти оцінити, де OpenClaw дійсно оптимальний, а де краще посилити рішення додатковими AI-агентами та інтеграційною логікою.

Пропоную перейти в особисті повідомлення для більш детального обговорення ТЗ, архітектури рішення, термінів виконання та вартості.

Бюджет: 11111 UAH Термін: 30 днів

Привіт, Андрію!

Завдання зрозуміле — це не “написати одного бота”, а зібрати систему AI-агентів, які взаємодіють між собою і дають керований результат у Slack.

Судячи з опису, у вас вже є розуміння ролей (Дослідження / Зустріч / Резюме / завантаження по людям), але зараз це потрібно зібрати в єдину логіку, щоб це не було набором розрізнених інструментів.

Я б реалізовувала це як зв'язку:

— Slack як основний інтерфейс
— оркестратор агентів (через OpenAI / Perplexity / Fireflies API)
— централізована логіка (Node.js / Python)
— зберігання історії та станів (щоб агенти “пам'ятали” контекст)

Як бачу по агентам:

Агент Дослідження

Запит з Slack → Perplexity / LLM →
на виході: резюме + посилання + ключові ідеї
(з нормальною структурою, а не “простиня тексту”)

Агент Зустрічі (Fireflies)
Забираємо дані зі зустрічей →
ділимо на:
— що зроблено
— план дій
— ризики / блокери

Відстеження (Роман / Єгор)
Формуємо зрозуміле резюме:
— чим зайнятий
— % завантаження
— поточні завдання

Оркестрація багатьох агентів (ключовий блок)
Агрегуємо все в одне щоденне резюме:
— хто що зробив
— де проблеми
— рекомендації

Тут основний ризик — не в API, а в **логіці агрегації та якості резюме**.
Якщо не продумати це одразу — буде просто “шум з даних”.

Працювала з:
— інтеграціями AI (LLM + API)
— автоматизацією через Slack
— логікою багатьох агентів (агрегація, пайплайни)

Термін: 4 тижні
Вартість: 1000 USD

Якщо використовуєте OpenClaw — можемо або вбудуватися в нього, або запропонувати альтернативну архітектуру (іноді це дає більш стабільний результат).

Можемо обговорити деталі і зібрати систему, яка реально буде допомагати, а не просто генерувати тексти 👍 Розгорнути

Бюджет: 7000 UAH Термін: 18 днів

Доброго дня, Андрію. Зможу реалізувати для вас логіку Openclaw на Python-скрипті, в якому опишемо:
1. API Token.
2. Slack App.
3. Додамо потрібний воркпейс.
Повністю ознайомлений з вашою задачею, готовий розпочати роботу з вами, від себе додам налаштування, яке вам буде необхідне на наступному етапі.

Бюджет: 1000 UAH Термін: 3 дні

Доброго дня!

Маю практичний досвід налаштування комплексних автоматизацій OpenClaw з інтеграцією сторонніх AI-агентів. Готовий реалізувати описані юзкейси для Jira, Slack, Perplexity, Fireflies та Google BigQuery API.

Напишіть мені в лс, уточнимо деталі.

Бюджет: 27000 UAH Термін: 30 днів

Класна ідея, можна її втілити і можу я вам її зробити, максимально автоматизувати навіть з додатковими своїми ідеями, але одразу хочу на березі розуміти про який бюджет йдеться, чи буде він цікавий. Дякую.

Бюджет: 2000 UAH Термін: 3 дні

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

Бюджет: 15000 UAH Термін: 10 днів

Привіт, Андрій!

Готова взятися за налаштування OpenClaw з описаними юзкейсами. Маю досвід з мультиагентними системами, інтеграціями Jira API, Slack, Fireflies, Perplexity API та оркестрацією AI-агентів.

Що зроблю:

Агент 1 (Jira) — підключення до Jira REST API, збір задач, парсинг статусів, формування саммарі та відправка в Slack
Агент 2 (Team summary) — агрегація по учасниках команди з відображенням scope/прогресу/зайнятості
Агент 3 (Research) — інтеграція з Perplexity API для пошуку best practices, повертає саммарі + посилання
Агент 4 (Meeting) — Fireflies API → парсинг протоколів зустрічей → action items + done в Slack
Агент 5 (Multi-agent) — оркестратор, який синхронізує всіх агентів і формує зведений звіт
Працювала з подібними пайплайнами на Python + LLM (OpenAI API, RAG). Також є досвід з n8n/Make для автоматизацій, якщо буде потрібно гібридний підхід.

Спілкуюсь текстом, на зв'язку щодня. Розгорнути