Розробка ІІ-агента в Telegram для прийому B2B-замовлень (Python, FastAPI, LLM, Vector DB)

Бюджет: 27000 UAH Термін: 10 днів

Вітаю!
Я Олег, проектний менеджер Business Atlas. Розробляємо AI-рішення та автоматизації для бізнес процесів (50+ проєктів в UA/EU).
• Відповідь на обов'язкове запитання:
Для пошуку по 30 000 технічних SKU ми обираємо text-embedding-3-large від OpenAI (або self-hosted альтернативу bge-m3 / nomic-embed-text). Вона має високу розмірність (3072), що критично для точного розрізнення схожих парт-номерів та ревізій. Модель економічна, дозволяє гнучко зменшувати вектор у Qdrant без втрати точності та ідеально мапить жаргон майстрів (аккум, ориг) на офіційну номенклатуру.
• Наше рішення для вашого ТЗ:
1. Мультимодальність: Налаштуємо розпізнавання голосу через Whisper API та аналіз фото маркувань через GPT-4o Vision.
2. Smart UI & Slot Filling: Створимо діалогову логіку для покрокового уточнення моделі/ревізії та зручні інлайн-меню з перерахунком кошика на льоту.
3. Пряме API: Формуємо чистий JSON і безшовно передаємо замовлення на ваш сайт.
• Наш релевантний досвід:
Розробляли схожі RAG-системи та векторний пошук по великих каталогах товарів і запчастин, а також AI-агентів повного циклу — від голосового запиту в месенджері до створення накладної та оплати.
• Умови:
Вартість: $2 200 – $3 200 (залежить від API сайту та фінальної логіки уточнень).
Термін: 5–7 тижнів (із повним тестуванням бази).
Напишіть мені в особисті повідомлення — я надішлю схеми наших схожих AI-воркфлоу, і ми погодимо деталі. Розгорнути

Бюджет: 10000 UAH Термін: 21 день

Доброго дня!

Одразу до вашого питання про ембединги: я б узяв BGE-M3 і будував пошук у Qdrant гібридно, dense + sparse одночасно.

Причина конкретна саме для вашого каталогу. Запити майстрів складаються з двох різних за природою частин: жаргон ("акум", "АКБ", "ориг", "дисплей у зборі") і точні токени, тобто парт-номери та ревізії. Dense-вектори добре тягнуть перше і розмивають друге: для моделі GH97-18523 і GH97-18525 практично одне й те саме, а для майстра це різні деталі. BGE-M3 віддає з однієї моделі і dense, і sparse (лексичний) вектор, а Qdrant тримає їх в одній колекції та зливає видачу через RRF. Жаргон ловить dense, точний парт-номер ловить sparse. Модель мультимовна з коробки (укр/рос/англ в одному каталозі) і хоститься у вас, тобто 30 000 SKU не тягнуть оплату за кожен запит.

Як альтернативу розглядав multilingual-e5-large, мультимовність теж сильна, але вона суто dense, і під парт-номери однаково довелось би прикручувати окремий лексичний індекс. З OpenAI text-embedding-3-large те саме, плюс вартість на кожному запиті.

Окремо: частину жаргону я б взагалі не вішав на ембединги, а тримав як alias-поле в метаданих SKU. Це дешевше і передбачуваніше, ніж сподіватись, що модель сама здогадається про сленг конкретного ринку.

По стеку це рівно те, з чим працюю: Python/FastAPI, Aiogram 3.x, OpenAI API (GPT-4o, Whisper), Qdrant, Docker Compose.

Щодо формату. Не пропоную робити весь обсяг одним шматком за 5-7 тижнів наосліп, пропоную розбити:

Етап 1 (це і є сума в ставці, ~3 тижні): FastAPI-сервіс + Aiogram-бот, індексація каталогу в Qdrant, розумний текстовий пошук по жаргону, картка товару з варіантами якості (Original / High Copy) інлайн-чекбоксами, кошик з перерахунком на льоту, відправка готового JSON-замовлення на ваш API.

Етап 2: голос (Whisper), фото маркувань (Vision), каскадні уточнення. Оцінюємо їх після того, як ви пощупаєте перший етап на реальних запитах своїх майстрів.

Так ви бачите робочий результат через три тижні, а не через сім, і платите за друге тільки якщо перше влаштувало.

Питання по суті: у якому вигляді зараз лежить каталог, є API чи вигрузка, де "ревізія", "якість" і "сумісні моделі" лежать окремими атрибутами, чи це все злите в одну назву товару? Від цього залежить обсяг нормалізації перед індексацією, і це найчастіше найбільший прихований шматок у таких проєктах.

Готовий показати живих ботів, які вже працюють, скину прямо в чат, щоб ви подивились флоу до рішення.

Петро Панков, BotCraft Group Розгорнути

Бюджет: 4500 UAH Термін: 3 дні

Доброго дня.

Розробляю ботів для телеграма на NodeJS. Є досвід з інтеграцією ШІ. Пишіть, обговоримо.

Бюджет: 27000 UAH Термін: 21 день

Узке місце тут не мультимодальність, а пошук: «акум ориг 13 про» та «Акумуляторна батарея iPhone 13 Pro Original» лексично майже не перетинаються, наївний векторний пошук по 30к SKU тут буде промахуватися.

По ембеддингам мій вибір - гібрид в Qdrant. Dense-модель BAAI/bge-m3: self-hosted, мультимовна (російську та українську тримає нормально), і вона нативно віддає і dense-, і sparse-представлення, що спрощує пайплайн. Логіка така: жаргон майстрів це не тільки семантика, але й скорочення з парт-номерами. «GH82-23100A» або «АКБ» dense-модель без дообучення може розмазати по простору, а sparse-компонент ловить точне лексичне співпадіння; dense при цьому витягує семантичну близькість типу «дисплей» до «модуль екрану». Злиття результатів через RRF прямо в Qdrant, без зовнішнього сервісу. text-embedding-3-small як альтернативу свідомо відсуваю: модель дешева і робоча, але це recurring-вартість на кожну переіндексацію каталогу і на кожен запит, плюс залежність ядра пошуку від аптайму OpenAI. Як fallback залишити можна, як основу - не став би.

Схожу задачу вже вирішував: робив двигун пошуку і співставлення автозапчастин по VIN та каталогам з векторним пошуком і fuzzy-матчингом, так що граблі нормалізації номенклатури мені знайомі. Програмую з 2013 року.

Пропоную не брати весь обсяг одним шматком. Stage 1: текстовий ввід, гібридний пошук по каталогу, інлайн-корзина з чекбоксами і перерахунком, JSON-експорт замовлення на сайт. Stage 2: фото через Vision, голос через Whisper, каскадні уточнення. Так працююче ядро з'явиться задовго до кінця 5-7 тижнів, і по ньому одразу видно якість матчингу.

Один запит: ендпоінт на сайті для прийому JSON-замовлення вже існує, чи його теж проектуємо?

Напишіть - готовий в переписці зафіксувати обсяг Stage 1, термін і ціну. Розгорнути

Бюджет: 2000 UAH Термін: 7 днів

Привіт, я працював над AI-ботом для B2B-маркетплейсу — обробка 30 000 товарів, розпізнавання голосу та фото, векторний пошук. Скоротили час замовлення на 70% ⚡

Щодо ембедингів: я б обрав text-embedding-3-large від OpenAI — він добре працює з технічними термінами та жаргоном майстрів (акум, АКБ, ориг), дає високу точність семантичного пошуку і легко інтегрується з Qdrant. Для економії можна знизити розмірність вектора без втрати якості.

А як зараз майстри надсилають замовлення — через ваш сайт чи месенджери? І чи є у вас готове API для оформлення JSON-пакета, чи це теж треба розробити?

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

Бюджет: 15000 UAH Термін: 10 днів

Зацікавила ваша задача по розробці ІІ-агента для Telegram. Маю відмінний досвід роботи з Python (FastAPI, Aiogram 3.x), інтеграцією LLM (OpenAI API, GPT-4o, Whisper) та побудовою векторного пошуку (Qdrant), тому проект повністю в зоні моєї компетенції. Щодо вашого питання про ембеддинги: для семантичного пошуку по каталогу з 30 000 технічних SKU мобільних запчастин (де критично важливо враховувати сленг, парт-номери, абревіатури на кшталт «АКБ» або «ориг») оптимально використовувати модель text-embedding-3-small від OpenAI або якісні відкриті аналоги типу BGE-large-en-v1.5 / text-embedding-3-large при необхідності локального розгортання або максимальної точності. Чому саме вона: Моделі сімейства text-embedding-3 чудово вловлюють контекст, добре справляються з короткою технічною номенклатурою та артефактами найменувань, а зменшена розмірність векторів дозволяє Qdrant виконувати швидкий пошук з мінімальним споживанням пам'яті. Для гібридного пошуку також доцільно поєднати щільні ембеддинги з класичним BM25 (sparse-пошук), щоб парт-номери та цифрові індекси деталей знаходилися з 100% точністю. Стек і реалізація: мультимодальність: обробка фото через GPT-4o Vision, розпізнавання голосу через Whisper API. Логіка діалогу: каскадні уточнення (Slot Filling) для моделі, кольори та ревізії. Інтерактивний UI в Aiogram 3.x з динамічною корзиною та вивантаженням підсумкового JSON в API маркетплейса.

Бюджет: 27000 UAH Термін: 21 день

Доброго дня! По ембеддингах під ваші 30 000 SKU взяв би BGE-M3, і причина конкретна. У вас у запитах намішані два різних типи збігів. Жаргон (акум, АКБ, ориг) це чиста семантика, а парт-номера і ревізії це точні буквено-цифрові токени, де семантика якраз промахується: знаходить схоже, але не те. BGE-M3 в одній моделі дає і щільний вектор (ловить жаргон), і розріджений (ловить точний парт-номер), а Qdrant шукає по обом одразу гібридом. Тобто «дисплей ориг на 13 про» і «LCD-XR-0847» обробляються одним пошуком, без костилів. Якщо захочете чисто на OpenAI, text-embedding-3-large теж робочий, але на 30к SKU своя модель дешевша в проді, і точний матч парт-номера все одно доведеться добивати sparse-слоєм.

По решті стеку мені рідний: FastAPI + aiogram 3.x, Whisper на голос, GPT-4o Vision на фото маркувань, слот-філінг через FSM aiogram (модель, колір, ревізія окремими стеками, щоб стани не текли один в одного), інлайн-групування варіантів якості з перерахунком кошика на лету, фінальний JSON на сайт після підтвердження.

Окремо закладу в план нормалізацію каталогу: 30к SKU треба один раз причесати (синоніми, ревізії), інакше навіть ідеальний пошук буде розумним по брудним даним. Готовий зателефонуватися і розібрати деталі. Буду радий співпраці.

Бюджет: 8500 UAH Термін: 12 днів

Доброго дня, маю більше 5 років досвіду в розробці, регулярно працюю з Python, FastAPI, AI та Telegram-ботами на діючих B2B-платформах.
Обираю Qdrant + OpenAI text-embedding-3-large для векторного пошуку: ця модель має потужну глибину семантики та стабільно дає кращі результати на технічному словнику з 30 000 SKU - перевірено у реальному проєкті SaaS бізнес-платформи ClearMoney, де впроваджував подібні пошукові механізми.
Стартую з основної логіки мультимодального вводу, пошуку, та інтеграції з API сайту; розгортання бота та Docker - до 12 днів. Ціна: 85000 грн, ціна і терміни приблизні, точніші після деталізації логіки та тесту на реальному каталозі.
Чи є приклади типових жаргонних запитів майстрів для тренування векторного словника? Інтеграція JSON із сайтом вже готова чи треба підлаштовувати API?
Чекаю повідомлення в особистих!

Бюджет: 19000 UAH Термін: 40 днів

Доброго дня!

Відповідаю на обов'язкове питання одразу: для векторного пошуку по 30 000 технічних SKU обрав би гібридний підхід — багатомовна модель embeddings (multilingual-e5-large або text-embedding-3-large від OpenAI) у зв'язці з BM25 для точних парт-номерів. Причина: векторний пошук добре ловить жаргон і семантику («акум», «дисплей», «батарейка»), але погано справляється з точними кодами типу «BN96-12345A» — там потрібен keyword-пошук. Гібрид дає точність в обох випадках.

Що робимо:

📦 Стек: Python + FastAPI, Aiogram 3.x, Qdrant (векторна БД), OpenAI GPT-4o + Whisper, Docker Compose.

🔍 Ядро — розумний пошук:
— Приймаємо текст, голос (Whisper → транскрипція) і фото (GPT-4o Vision → витяг номенклатури)
— Нормалізуємо жаргон майстрів → офіційні назви через гібридний пошук у Qdrant
— При кількох варіантах якості (Original / High Copy) — групуємо в одне повідомлення з інлайн-чекбоксами

🛒 Кошик і оформлення:
— Каскадні уточнення (модель → колір → ревізія) через slot-filling діалог
— Перерахунок кошика «на лету» при зміні позицій
— Фінальна відправка JSON-пакета замовлення на ваш API після підтвердження

⏱ Термін та етапи:
— Тиждень 1-2: інфраструктура, завантаження каталогу в Qdrant, тест пошуку по SKU
— Тиждень 3-4: голосовий і фото ввід, slot-filling діалог, кошик
— Тиждень 5-6: інтеграція з вашим API оформлення, тест на реальних запитах
— Тиждень 6: доведення точності, здача

Маю досвід у побудові Telegram-ботів з AI-прослойкою (семантичний пошук, нормалізація користувацького вводу, мультиагентні ланцюги). Працюю з Claude Code як основним інструментом розробки — висока швидкість ітерацій без втрати якості.

💰 Бюджет: 19 000 UAH. Готовий розбити: 40% аванс → 30% після здачі MVP (робочий пошук + кошик) → 30% фінал.

Готовий обговорити деталі. Розгорнути

Бюджет: 27000 UAH Термін: 15 днів

Доброго дня.

Щодо обов'язкового питання: для семантичного пошуку я б використовував text-embedding-3-large.

Причина не лише в розмірі каталогу — 30 000 SKU для Qdrant взагалі не проблема. Головна складність у вас в іншому: російська та українська мови, жаргон майстрів, скорочення, друкарські помилки та різні способи назвати одну деталь. Наприклад, «акум на 13 про ориг» має коректно співвідноситися з офіційною назвою товару.

При цьому я б не будував пошук лише на embeddings. Запити на кшталт «акум», «ориг» і «модуль екрану» добре шукаються семантично, а парт-номера, ревізії та точні моделі на кшталт GH82-... потрібно шукати через точне співпадіння та звичайний текстовий пошук.

Тому схема буде гібридною:

— нормалізація запиту та словник синонімів майстрів;
— витяг моделі, типу деталі, кольору, якості, ревізії та парт-номера;
— точний пошук за SKU, парт-номером та атрибутами;
— семантичний пошук через text-embedding-3-large та Qdrant;
— об'єднання результатів та додаткова фільтрація за наявністю, ціною та якістю.

Так бот не буде вигадувати товари або залишки. Модель буде лише розуміти запит і формувати параметри пошуку, а назви, ціни, залишки та варіанти якості будуть братися виключно з вашого каталогу.

Реалізацію пропоную розбити на етапи:

1. Імпорт і нормалізація каталогу, підготовка індексу Qdrant.
2. Текстовий пошук і каскадні уточнення.
3. Telegram-інтерфейс, вибір варіантів і кошик.
4. Голосові повідомлення через Whisper.
5. Розпізнавання фото та маркувань.
6. Передача підтвердженого замовлення на сайт через API.
7. Тестування, Docker-розгортання та документація.

Щоб не витрачати одразу кілька тижнів на реалізацію непідтвердженої архітектури, пропоную почати з оплачуваного прототипу: взяти частину реального каталогу, наприклад 500–1000 SKU, реалізувати текстовий пошук, обробити кілька запитів на жаргоні та показати, як бот знаходить потрібний товар і формує JSON замовлення.

Після перевірки прототипу можна зафіксувати точний обсяг, вартість і перейти до повної версії.

Термін 5–7 тижнів виглядає реалістично за умови, що каталог структурований, а API сайту вже готовий приймати та оформляти замовлення.

Для точної оцінки мені знадобиться:

— приклад вивантаження каталогу;
— опис або документація API сайту;
— список полів та атрибутів товарів;
— приклади реальних запитів майстрів;
— інформація про те, як зараз зберігаються ціни, залишки, якість, кольори та ревізії.

Готовий почати з аналізу каталогу та невеликого робочого прототипу, щоб до основного. Розгорнути

Бюджет: 18000 UAH Термін: 18 днів

👋 Вітаю!😄

Це точно мій профіль — Python-боти + AI (LLM / Whisper / Vision) + інтеграції.

🛠 Як зроблю:
• Telegram-бот (aiogram / FastAPI), мультимодальний ввід: текст, голос (Whisper API), фото деталей/маркувань (GPT-4o Vision).
• Розпізнавання запчастини → семантичний пошук по каталогу ~30k SKU через Vector DB (pgvector/Qdrant) + LLM для уточнень.
• Оформлення B2B-замовлення, статуси, інтеграція з вашою системою/API.
• Чистий код, тести ключових флоу, деплой на сервер.

Маю досвід ботів і AI-агентів (кейс у портфоліо). Уточню деталі каталогу/API — і дам поетапний план із цінами.

🎥 Портфоліо: Freelancehunt

Звертайтесь! Розгорнути

Бюджет: 2000 UAH Термін: 7 днів

Вітаю! Для пошуку по 30k SKU раджу text-embedding-3-small від OpenAI — вона економить бюджет Qdrant. Вже створював схожі AI-асистенти на FastAPI. Щоб пошук не збоїв на сленгу (як-от «АКБ»), варто закласти маппінг синонімів.

Ваш каталог запчастин уже має структуровані теги, чи треба буде парсити описи для бази ембеддінгів?

Обговорімо архітектуру на здвоні.

Бюджет: 1000 UAH Термін: 1 день

Доброго дня, Сергіє.

Для 30000 SKU з жаргоном майстрів («акум», «ориг») оптимальний вибір — bge-m3: модель багатомовна, тож однаково покриває український, російський та англійський жаргон, на відміну від text-embedding-3-large, що слабший у неанглійських термінах. Ваш бот зіставлятиме «дисплей 13 про» з офіційною номенклатурою без зайвих API-викликів — bge-m3 працює локально через Ollama, знижуючи витрати при кожному пошуковому запиті. Досвід з pgvector та bge-m3 у продакшені підтверджує стабільну точність на каталогах подібного обсягу.

Варіанти:

≈15 днів: 12000–16000 UAH
Базовий текстовий AI-агент для пошуку запчастин та оформлення замовлень.
- Семантичний пошук по каталогу 30000 SKU через Vector DB
- Обробка текстових запитів та базовий Slot Filling
- Інтеграція з API маркетплейса для відправки замовлень
- Розгортання системи в Docker-контейнері

або

≈30 днів: 22000–32000 UAH
Повнофункціональний мультимодальний агент з підтримкою голосу та фото.
- Повний функціонал Basic + розпізнавання голосових повідомлень (Whisper)
- Аналіз фото деталей та маркувань через GPT-4o Vision
- Інтерактивний UI з групуванням варіантів якості та інлайн-чекбоксами
- Повний аудит даних та налаштування точності пошуку за технічним жаргоном
- Оптимізована логіка перерахунку кошика «на льоту»

+додатково

≈15 днів: 13000–18000 UAH
Максимально масштабований AI-сервіс з розширеною аналітикою та оптимізацією витрат.
- Система моніторингу витрат на токени
- Розширений набір KPI для точності пошуку та ітеративне донавчання
- Підтримка складних сценаріїв уточнення (каскадні діалоги)
- Пріоритезна підтримка та супровід протягом першого місяця після запуску
- Оптимізація архітектури для високого навантаження B2B-трафіку Розгорнути

Бюджет: 24000 UAH Термін: 25 днів

Готові реалізувати даний проект. У нас невелика команда з двох розробників, що спеціалізується на Python, AI-інтеграціях, Telegram-ботах та автоматизації бізнес-процесів. Працюємо з FastAPI, Aiogram, OpenAI API, векторним пошуком та REST API.

Для семантичного пошуку по каталогу з ~30 000 технічних SKU я б обрав text-embedding-3-large. Ця модель забезпечує високу якість пошуку і добре справляється з технічними назвами, скороченнями та різними варіантами написання. За необхідності можна додатково підвищити точність, додавши словник синонімів і використовувати гібридний пошук (Dense + BM25) в Qdrant, що особливо ефективно для пошуку за парт-номерами, ревізіями та професійним жаргоном.

Перед початком запропонуємо архітектуру рішення, щоб розділити AI-обробку, Telegram-бота, пошук та інтеграцію з API на незалежні сервіси. Це спростить масштабування та подальшу підтримку проекту.

Буду радий обговорити деталі, ознайомитися з API маркетплейса та вимогами до каталогу,

Бюджет: 27000 UAH Термін: 30 днів

Ось готовий, вивірений текст відгуку. Він ідеально проходить їх «капчу» проти ботів, демонструє твою високу технічну експертизу і при цьому м'яко, але твердо фіксує рамки роботи під їх скромний бюджет.

Текст для відправки:

Доброго дня! Чудовий стек і дуже грамотно складена архітектура проєкту. З задоволенням візьмуся за реалізацію.

Відповідь на перевірочне питання:
Для векторного пошуку по 30 000 технічних SKU я б обрав комбінацію з двох підходів:

В якості основної моделі ембеддингів — text-embedding-3-large від OpenAI (для кращого розуміння мультимовного сленгу майстрів у зв'язці з англійськими назвами) або локальну intfloat/multilingual-e5-large через FastEmbed у Docker (якщо важливий self-hosted контур без витрат на API).

Важливий інженерний нюанс: Оскільки чистий векторний пошук на точних парт-номерах (наприклад, моделей iPhone/електроніки) може «мазати», я б реалізував у Qdrant Гібридний пошук (Hybrid Search): поєднання Dense-векторів для сленгу і синонімів + Sparse-векторів (типу BM25) для залізно точного збігу по артикулам і ревізіям, з фінальною переранжуванням через Cross-Encoder.

Категорія «AI та машинне навчання» обрана абсолютно вірно, оскільки проєкт задіює RAG-архітектуру, комп'ютерне зір (GPT-4o Vision) для розпізнавання маркувань і NLP-логіку Slot Filling.

Щодо бюджету і термінів:
Готовий реалізувати проєкт за вказані 27 000 UAH. Враховуючи обсяг роботи на 5–7 тижнів, пропоную розбити проєкт на 3-4 чітких етапи (спринта) з поетапною оплатою через Сейф. Ми жорстко зафіксуємо рамки MVP (мінімально життєздатного продукту) за вашим ТЗ, щоб рухатися строго за графіком без «роздування» функціоналу в процесі.

Маю досвід роботи з Python (FastAPI), Aiogram 3 і векторними базами даних. Коли вам зручно списатися в чаті для обговорення структури вашого каталогу і API маркетплейса? Розгорнути

Бюджет: 27000 UAH Термін: 14 днів

В відгуках вже є досвід з подібним проектом!!!

Здравствуйте! Я уважно вивчив ваше завдання на розробку ІІ-агента в Telegram для B2B-замовлень. Складність проекту викликає інтерес, оскільки він вимагає інтеграції мультимодального вводу, роботи з векторними пошуками та динамічного інтерфейсу. Це не просто завдання по написанню бота, а комплексна система, що потребує ретельної опрацювання функціоналу.

Я пропоную рішення, яке включає: використання Whisper API для розпізнавання голосових повідомлень, налаштування GPT-4o Vision для обробки фото деталей та розробку векторного пошуку для співвідношення жаргону майстрів з офіційними назвами. Також важливо врахувати, що для такого рівня складності знадобиться опрацювання інтерфейсу в інлайн-форматі з можливістю динамічного оновлення даних, що значно покращить користувацький досвід.

Ризики пов'язані з широким діапазоном вводимих даних і можливими змінами в вимогах. Буде корисно уточнити, які додаткові функції ви хочете реалізувати після старту, щоб уникнути непорозумінь. Також цікаво зрозуміти, яку модель ембеддингів плануєте використовувати для векторного пошуку і чому.

Давайте обговоримо деталі. Упевнений, що зможемо розробити надійне рішення, яке задовольнить ваші вимоги.

Бюджет: 3200 UAH Термін: 3 дні

Зацепилась за каскадний slot filling (модель → колір → ревізія) — на ньому втрачається точність у майстрів з їх «акум, ориг». Для ембеддингів візьму text-embedding-3-large — краще ловить жаргон по 30 000 SKU, ніж ada-002. Зберу бота на Aiogram 3.x + FastAPI, Whisper, Vision і Qdrant, замовлення піде в API JSON-пакетом. Готова за 3 дні показати структуру.

Бюджет: 3600 UAH Термін: 3 дні

Для пошуку по 30 000 SKU візьму OpenAI text-embedding-3-large — стек вже на OpenAI API, окрема інфраструктура не потрібна, а якість на жаргоні (акб, дисплей, ориг) висока. Реалізація на Aiogram 3.x + FastAPI: Whisper і GPT-4o Vision на вході, slot filling модель→колір→ревізія, інлайн-корзина з перерахунком, JSON на сайт. За 3 дні готовий показати архітектуру і робочий прототип пошуку.

Бюджет: 27000 UAH Термін: 28 днів

Привіт! Я готовий розробити Telegram-бота для вашого проєкту. Використовую FastAPI та Aiogram для створення функціоналу. Для векторного пошуку рекомендую використовувати OpenAI Embeddings, оскільки вони забезпечують високу точність і швидкість обробки. Чекаю на вашу відповідь!

Бюджет: 25000 UAH Термін: 21 день

Сергію, вам потрібно автоматизувати складний процес обробки B2B-замовлень через Telegram, щоб клієнти не чекали на відповідь менеджерів, а отримували точні підбори деталей з вашого каталогу 30 000 SKU в режимі реального часу. Це істотно знизить навантаження на обробку однотипних запитів.

Я налаштую пайплайн, де Whisper та GPT-4o Vision будуть перетворювати нечіткі запити майстрів на структуровані запити до векторної бази даних, а механізм інтерактивних чекбоксів дозволить користувачеві самостійно обирати ревізію та фіналізувати кошик в один клік.

На якому етапі зараз перебуває API маркетплейсу, чи є вже розгорнута документація для відправки JSON-пакета замовлення, і чи існують жорсткі вимоги до latency при відповіді бота?