Ich baue deine RAG-Pipeline oder MCP-Server in Python


Über diesen Service
Automatische Übersetzung
Du brauchst ein LLM-Feature, das mit deinen eigenen Daten und Tools funktioniert und von deinem Team gewartet werden kann.
Was ich in Python baue:
- RAG-Pipelines: Ingestion, Chunking, Retrieval und Antworten, gemessen mit einem kleinen Eval-Satz, damit du weißt, dass es funktioniert
- MCP-Server, die deine Tools oder Daten Claude und anderen Agents zugänglich machen, mit getesteten Verträgen
- Backends und Automatisierung rund um LLM-APIs (Claude, OpenAI, lokale Llama-Modelle)
Was du bekommst: sauberen, kommentierten Quellcode, Tests und ein README. Premium enthält ein Eval-Set und die Bereitstellung auf deinem Linux-Server.
Warum ich: Ich habe mcp-warrant gebaut, das prüft, ob ein MCP-Server das versprochene Vertragswerk einhält, und agentarch, ein Multi-Agent-RAG-System, das exakt aus seinem Trace abspielt. Ich betreibe meinen eigenen Linux-Server mit Python-Diensten, einem Operations-Dashboard und einer autonomen Automatisierung.
Schreib mir, was das System tun soll, wo deine Daten liegen und wie es bereitgestellt werden wird.
Lerne Adham Momen kennen
AI Red Teaming and LLM Evaluation Engineer
- AusÄgypten
- Mitglied seitJuli 2021
Sprachen
Arabisch, Englisch
Automatische Übersetzung
Mein Portfolio
Meine weiteren Dienstleistungen im Bereich KI-Entwicklung
FAQ
Automatische Übersetzung
Mit welchen Modellen und Stacks arbeitest du?
Zuerst Python. Claude, OpenAI und lokale Modelle; SQLite oder die Datenbank, die du bereits nutzt; Docker auf Linux. Wenn du bereits einen Stack hast, arbeite ich darin.

