Разработка ИИ — удалённая работа в Москве

Ищем AI-автоматизатора / Python-разработчика для создания MVP умного ИИ-ассистента для строительных компаний (Telegram + n8n + Supabase) Суть проекта: Мы разрабатываем систему на базе ИИ (LLM) для автоматизации полного цикла строительного подряда: от поиска целевых тендеров и анализа технической документации до контроля выработки на стройплощадке и генерации закрывающих актов (КС-2, КС-3, журналы работ). Мы начинаем с запуска MVP для одной компании. Взаимодействие сотрудников (прорабов, ПТО, руководства) с ИИ будет происходить через Telegram-бота. Главное условие: проект изначально должен строиться на мультитенантной (Multi-tenant) архитектуре. Мы закладываем фундамент для полноценного B2B SaaS-продукта. В будущем к этой же базе данных будет написан веб-интерфейс, поэтому “костыли“ недопустимы. Технологический стек MVP: - База данных: Supabase (PostgreSQL). - Логика и маршрутизация: n8n. - Интерфейс: Telegram-бот. - ИИ-движок: API Claude / Gemini / ChatGPT - Кастомные скрипты: Python (для сложной генерации документов и работы с API). Основные задачи: 1. Проектирование БД (Supabase): Создать архитектуру с жестким разделением данных по company_id. Данные (справочники расценок, списки техники, история отчетов и тд) разных клиентов должны быть изолированы друг от друга (настройка Row Level Security). 2. Сборка сценариев в n8n: Настроить оркестрацию — прием сообщений из Telegram, транскрибация, обращение к базе данных, передача контекста в LLM и отправка ответов пользователю. 3. Интеграция поиска тендеров: Настроить получение данных о новых закупках по API от стороннего тендерного агрегатора (парсить 100+ площадок вручную не нужно). 4. Промпт-инжиниринг и RAG: Разработать логику, при которой ИИ анализирует загруженные PDF/Word документы (ТЗ, договоры), находит риски и рассчитывает себестоимость работ, опираясь исключительно на внутренние прайсы компании из БД. 5. Генерация документов: Написать Python-скрипты (запускаемые из n8n или микросервисом) для заполнения типовых строительных шаблонов .docx и .xlsx (акты скрытых работ, КС-2, КС-3) на основе данных, собранных ИИ. Важные нюансы (Архитектура): - Логика в n8n должна быть универсальной. Подключение новой строительной компании должно сводиться к созданию записи в таблице Companies, загрузке их прайс-листов и привязке нового токена Telegram-бота. - Данные с площадки (выработка за смену) не просто анализируются нейросетью, а обязательно структурируются и сохраняются в PostgreSQL для будущего вывода на дашборды. Кого мы ищем: - Senior/Middle специалиста (или небольшую команду из 2 человек), который свободно владеет n8n, понимает принципы реляционных баз данных (Supabase) и пишет на Python. - Опыт работы с API современных LLM, понимание принципов RAG (поиск по документам) и структурированного вывода (JSON из LLM). В отклике, пожалуйста, укажите: 1. Релевантный опыт (ссылки на похожие архитектуры: n8n + ТГ + ИИ). 2. Как бы вы подошли к реализации RAG для анализа 100-страничных строительных договоров в рамках этого стека? 3. Ориентировочную вилку по срокам и стоимости реализации такого MVP.