Ищем AI / LLM-разработчика (Python) для создания RAG-микросервиса (Retrieval-Augmented Generation) на базе Gemini API. Сервис должен индексировать файлы строительных норм и стандартов (КМК, СНиП, ГОСТ, IBC, Dubai Building Code и др.) по разным странам и давать точные инженерные ответы на текстовые и голосовые запросы пользователей.
Что нужно сделать:
1. Пайплайн индексации документов (ETL & VectorDB):
• Разработать модуль загрузки и чанкинга PDF/DOCX-документов с нормативами (сохранение структуры, таблиц и пунктов).
• Развернуть векторную БД (Qdrant / Pinecone / pgvector).
• Настроить векторизацию (Gemini Embeddings) и фильтрацию по метаданным (привязка к конкретной стране country_code).
1. Гибридный RAG-поиск & Gemini API:
• Настроить гибридный поиск (Semantic + Keyword/BM25) по нормативной базе выбранной страны.
• Написать системный промпт для Gemini API с защитой от галлюцинаций (ответ строго по нормам с указанием конкретных пунктов и номеров документов).
1. Обработка голосовых и текстовых запросов (Voice & Text):
• Реализовать распознавание голосовых сообщений с объекта (через Gemini Multimodal Audio / OpenAI Whisper).
• Выдача потокового ответа (SSE / Streaming) на русском/английском языках.
1. Упаковка в микросервис:
• Оформить решение в виде FastAPI микросервиса в Docker-контейнере с REST API endpoints.
Требования к исполнителю:
• Опыт коммерческой разработки RAG-систем на базе Python (LlamaIndex / LangChain).
• Уверенное понимание работы Gemini API, VectorDB (Qdrant/Pinecone), Embeddings.
• Опыт работы с распознаванием речи (Speech-to-Text / Multimodal audio).
• Понимание принципов защиты LLM от галлюцинаций и точного атрибутирования источников (Citation).
Формат работы: Проектная работа / Фиксированная оплата
Опубликован 29.09.2026 в 08:58