Ik voeg llm-functies toe aan je python backend met geciteerde rag en kostencontrole

Je wilt een LLM-functie die onderbouwde antwoorden geeft, veilig faalt en je niet verrast met de rekening. Ik bouw dat in bestaande Python backends.

Wat ik bouw: retrieval (RAG) met citaties, zodat elk antwoord naar de bron verwijst; gestructureerde outputs, gevalideerd met pydantic voordat er iets wordt opgeslagen of uitgevoerd; agent-stappen die wachten op goedkeuring van een persoon voordat ze data wijzigen; model routing en caching om de kosten per verzoek onder controle te houden; en een evaluatieset, zodat de kwaliteit wordt gemeten in plaats van met het blote oog.

Hoe ik werk: ik lees je codebase voordat ik wijzigingen aanbreng, ik schrijf eerst de falende test, en ik loop je door de feature op je eigen data voordat ik het overhandig. Achtergrond: productie Python (Django REST, pytest, queue workers op AWS) op een platform dat al LLM-functies levert, na jaren van remote werken voor teams in Nieuw-Zeeland, Singapore en Australië.

Wat je krijgt: de feature in je repo met tests, een korte ontwerpnotitie en de evaluatieresultaten.

Stuur me eerst een bericht met je stack en wat de feature moet doen.