Виправити помилки в роботі АІ агента з векторною базою

Бюджет: 990 PLN Термін: 2 дні

Доброго дня,
Я проаналізував проблему з вашим агентом ШІ і визначив основну причину — векторна конкуренція між двома різними типами документів в одній площині. Документи Верховної Ради (структуровані статті) завжди виграють у рішеннях SAOS (неструктурований юридичний текст) при стандартному векторному пошуку.
Рішення
Архітектура з двома незалежними потоками пошуку:

Класифікатор запиту — визначає тип пошуку (закон/прецедент/обидва)
Паралельний пошук — окремі запити з оптимальною конфігурацією
Інтелектуальне з'єднання — об'єднання з крос-посиланням (рішення → закони)

Оптимізація витрат API
Поточна система: ~$0.20-$0.25/запит
Нова система: ~$0.03-$0.04/запит
Зменшення: 85% (при 1000 запитів/місяць = економія ~800 PLN/місяць)
Обсяг робіт
Виконаю віддалено (9-10 годин):
Аналіз і технічний план (2-3 години)
Функції SQL + конфігурація (2-2.5 години)
Класифікатор запитів (2 години)
Основний n8n workflow (3-3.5 години)

Виконаєте самостійно (економія ~4-5 годин):

Міграція даних (готовий SQL скрипт з інструкцією)
Імпорт workflow + конфігурація облікових даних
Тестування за чек-листом
Тонка настройка параметрів

Отримаєте: SQL скрипти, n8n workflow JSON, інструкції покроково, чек-лист, підтримка Telegram
Оцінка
Стандартний розрахунок: 1000-1350 PLN (9-10 годин × 25-30 EUR)
Пропозиція: 990 PLN
Знижка ~30% від стандартної ставки
Опціонально: повне впровадження "під ключ" +200 PLN (дебагінг TeamViewer, розширене тестування)

Якщо пропозиція влаштовує, можемо почати з аналізу (2-3 години) — отримаєте конкретний план і підтвердження здійсненності.
З повагою,
Євгеній Розгорнути

Бюджет: 500 PLN Термін: 1 день

я входжу до топ-5 розробників у категорії «Штучний інтелект і машинне навчання» серед ~2100 фахівців на платформі.
Гарантую:
- Швидке та якісне виконання завдання
- Чітке дотримання дедлайнів
- Регулярний зв'язок протягом усього процесу
Буду радий обговорити деталі вашого проекту у приватних повідомленнях.
ціна умовна

Бюджет: 500 PLN Термін: 3 дні

Доброго дня. Подивився опис проблеми типовий кейс

Схоже, що частина даних або не проіндексована через embeddings, або просто не потрапляє в пошук. Плюс зараз у агента немає нормальної логіки відбору, тому він губиться у великій базі і не розуміє, де що шукати.

Я працював із Supabase, vector search і RAG-системами. Можу Знайти, чому друга частина даних не знаходиться Перебудувати логіку пошуку Зробити так, щоб Gemini підключався тільки коли в БД реально немає відповіді
У результаті агент почне стабільно знаходити дані і відповідати адекватно.

Готовий подивитись на вашу поточну реалізацію і запропонувати рішення.