Услуга 04

Python-автоматизация на заказ

Пишу Python-скрипты, которые забирают рутину: обрабатывают файлы, собирают данные, связывают сервисы через API и запускаются сами по расписанию. Отдельное направление — локальные AI-ассистенты на RAG, которые работают на ваших документах и не отправляют их в облако. Мой проект Lama Loca с 59 звёздами на GitHub устроен именно так.

Обсудить проект
Стек
Python, FFmpeg, ChromaDB
AI
RAG, Qwen2.5, Gradio
Среда
Linux, серверы, ПК

Что я автоматизирую

  1. 01

    Скрипты под задачу

    Ежедневная ручная работа превращается в одну команду или запуск по расписанию.

  2. 02

    Обработка файлов

    Пакетная обработка документов, таблиц и медиа. Audio Suite сам добавляет интро и теги к целой папке аудиофайлов.

  3. 03

    Сбор данных

    Парсинг сайтов и выгрузки в таблицы, чтобы цены и отчёты обновлялись без вас.

  4. 04

    API-интеграции

    Связываю сервисы между собой: CRM, таблицы, Telegram, платёжные системы.

  5. 05

    Локальный AI (RAG)

    Ассистент, который ищет ответы в ваших документах и работает офлайн. Ничего не уходит на чужие серверы.

  6. 06

    Автоматизация контента

    Генерация отчётов, презентаций и документов по шаблону. Lama Loca собирает DOCX и PPTX из ваших материалов.

Локальный AI или облачный сервис?

Локальная модель нужна, когда документы нельзя отправлять наружу. Облачный API проще и дешевле на старте, если данные не чувствительные.

Локальный RAGОблачный API
Где данныеТолько на вашем компьютереУходят на сервер провайдера
ИнтернетНе нуженОбязателен
ЖелезоНужен мощный ПК с GPUПодойдёт обычный сервер
ПлатежиРазовые, за оборудованиеРегулярные, за запросы

Кейс: Lama Loca

Lama Loca — локальный AI-ассистент, который учится по вашим книгам и работает полностью офлайн. Он читает PDF, EPUB, DOCX, TXT, FB2, HTML и Markdown, режет текст на фрагменты по 1500 символов и кладёт эмбеддинги в ChromaDB. На вопрос система находит 15 подходящих фрагментов, cross-encoder оставляет 8 лучших, а Qwen2.5 пишет ответ. На выходе — чат, отчёты в DOCX, презентации в PPTX, конспекты и подготовка к экзаменам.

Подход
RAG, полностью офлайн
Эмбеддинги
multilingual-e5-large
Поиск
Top-15, reranker до Top-8
Модель
Qwen2.5, контекст 32K
Признание
59 ★ и 11 форков на GitHub

С чего начать автоматизацию

Лучший кандидат на автоматизацию — действие, которое повторяется, идёт по понятным правилам и занимает заметное время. Вот как я подхожу к такой задаче.

Опишите рутину
Расскажите по шагам, что делается вручную, откуда берутся данные и что должно получиться на выходе. Часто хватает короткого голосового сообщения и примера файла.
Покажите примеры
Настоящие файлы и таблицы важнее описания: на них видно исключения, пустые поля и разные форматы, которые ломают автоматизацию в первую неделю.
Начинаем с малого
Сначала автоматизирую самый затратный шаг и показываю результат. Если он экономит время, расширяем. Так вы не платите за то, что не окупится.
Определяем запуск
Скрипт по команде, на компьютере сотрудника, или сервис на Linux-сервере по расписанию. От этого зависят и настройка, и дальнейшая поддержка.
Что влияет на цену
Число источников данных, качество исходных файлов, наличие готового API у сервисов и требования к надёжности. Для локального AI добавляются объём документов и мощность компьютера.
Что получите на выходе
Рабочий код, инструкцию по запуску и понятную обработку ошибок: скрипт сообщает, что пошло не так, а не молча падает. Исходники остаются у вас.

Кому подойдёт

Проекты на Python

01

Lama Loca

AI-ассистент

Локальный ИИ-ассистент для учёбы. Учится по вашим книгам и генерирует отчёты, презентации, конспекты — полностью офлайн. RAG + Qwen2.5 + ChromaDB.

  • Python
  • RAG
  • Qwen2.5
  • Gradio
  • ChromaDB
★ 59 · 11 форков на GitHubGitHub
02

UzAuto Event

Презентация

Ивент-презентация Chevrolet Onix 2025 для UzAutoMotors. Python-автоматизация контента.

  • Python
  • Автоматизация
  • Ивент
Ивент-презентацияGitHub
03

Audio Suite

Автоматизация

Python CLI: авто-интро, пакетные теги, микширование. Полная автоматизация аудио-конвейера.

  • Python
  • FFmpeg
  • CLI
Python CLIGitHub

Процесс

Как я работаю

  1. Анализ

    Разбираю задачу, фиксирую требования, оцениваю сроки. Бесплатная первая консультация.

  2. Архитектура

    Выбираю стек, проектирую структуру, согласовываю прототипы до начала кода.

  3. Разработка

    Пишу чистый код, показываю прогресс. Регулярные демо и обратная связь.

  4. Запуск и поддержка

    Тесты, деплой, документация. Поддержка и доработки после релиза.

Вопросы о Python-разработке

Что можно автоматизировать на Python?

Почти любое повторяющееся действие на компьютере: обработку файлов и таблиц, сбор данных с сайтов, отчёты, рассылки, обмен данными между сервисами через API.

Сколько стоит скрипт?

Небольшой скрипт под одну задачу стоит недорого, система из нескольких сервисов — дороже. Оценку называю после бесплатной консультации.

Как быстро будет готово?

Простые скрипты — самые быстрые задачи: первая рабочая версия появляется за дни. Срок для большой интеграции фиксирую на этапе анализа.

Что такое RAG простыми словами?

RAG — способ заставить языковую модель отвечать по вашим документам. Система находит нужные фрагменты в базе и передаёт их модели, поэтому ответ опирается на ваши данные, а не на общие знания.

Нужен ли мне сервер?

Не всегда. Скрипт может работать на вашем компьютере. Если нужен запуск по расписанию или круглосуточная работа, разверну его на Linux-сервере.

Другие услуги

Контакт

Давайте создадим что‑то вместе

Расскажите о проекте — первая консультация бесплатна. Отвечаю в Telegram в течение часа.