Корпоративные знания
RAG/KAG, пул локальных LLM, векторный поиск и разграничение данных в multi-tenant продукте.
Productio.tech
AI Engineer · Product Builder
Превращаю ручные процессы в работающие AI-сервисы
Нахожу точку автоматизации, собираю MVP, связываю LLM, данные и API, разворачиваю решение и довожу его до пилота с пользователями.
6+лет в разработке
5+компаний в AI-пилоте
10+продуктовых проектов
Екатеринбург · удалённоOpen to AI products
Как я собираю решения
Бизнес-задача→Контекст→AI + Logic→Результат
system ready for iteration
Релевантность роли
Точный мэтч с ролью AI Automation Engineer
Не просто пользуюсь AI в чате. Проектирую системы, которые получают контекст, выполняют действие и встраиваются в существующий процесс.
Боты и ассистенты
Telegram-бот, транскрибация встреч и двусторонняя работа с базой знаний.
Рабочий продукт
Интеграции, MCP и API
Кастомные API и MCP-инструменты для связи нейросетей с внешними сервисами, данными и бизнес-логикой.
AI ↔ внешние сервисы
Пилот под ключ
Интервью с бизнесом, архитектура, full-stack MVP, деплой, документация и доработка по обратной связи.
5+ компаний в тестировании
Главный продуктовый кейс
Productio.tech
B2B-платформа интеллектуальной базы знаний с локальными LLM и изоляцией данных для каждой компании.
От идеи и архитектуры до закрытого тестирования
Спроектировал multi-tenant систему, которая принимает корпоративные материалы, превращает их в поисковый контекст и отвечает через веб-интерфейс и Telegram. Пул локальных моделей позволил подбирать LLM под задачу и сохранять контроль над данными и стоимостью.
РольАрхитектура, backend, инфраструктура, продукт
КомандаБольшая часть разработки самостоятельно + backend-разработчик и дизайнер
Результат5+ компаний, 10+ пользователей в закрытом тестировании
PRODUCTIO / SYSTEM MAP LOCAL AI
INPUTДокументы · встречи · Telegramingestion & transcription
01
KNOWLEDGERAG / KAG + pgvectorretrieval & tenant isolation
02
MODEL POOLПул локальных LLMQwen · Mistral · Llama · GLM 5.2
03
ACTIONWeb UI · Telegram · Adminanswers, controls & metrics
Коммерческие проекты · NDA
AI-автоматизация бизнес-процессов
Сценарии для SMM и HR, browser agents, MCP и кастомные API для связи нейросетей со сторонними сервисами. CLI-агенты на VPS закрывали задачи глубокого анализа и ресурсоёмкие операции в отдельном вычислительном контуре.
процесс→агенты и API→бизнес-результат
Инженерный AI-процесс
Агенты работают по проверяемому пайплайну
Подстраиваю процесс под специфику проекта: брейншторминг, самокритика гипотез, повторная проверка решений и тестирование кода в момент написания. Для критичных модулей применяю TDD. При необходимости PR одного AI-провайдера проверяет агент другого.
гипотеза→критика и тесты→cross-review
Масштаб и процессы
30+ человек без потери инженерного контекста
Руководил Unity/Unreal, backend/frontend и дизайн-командами. Выстроил KPI, синхронизацию, найм и взаимодействие с заказчиками.
10+ проектов3–12 месяцев цикл
Рабочий подход
От боли бизнеса до измеримого пилота
AI имеет смысл, когда меняет конкретную операцию. Поэтому начинаю не с выбора модели, а с процесса, данных и критерия успеха.
Найти процесс
Разобраться, где теряется время, где возникают ошибки и какой результат нужен бизнесу.
Собрать пилот
Выбрать минимальный сценарий, данные и метрику, по которой можно проверить ценность.
Встроить в работу
Связать LLM, API, базу, интерфейс и реальные ограничения инфраструктуры.
Измерить эффект
Смотреть на время операции, точность, adoption и стоимость, а не на эффектность демо.
Профессиональный путь
Инженерная база. Продуктовый масштаб.
Co-Founder / Head of Development
Productio.techСпроектировал и реализовал AI-продукт с локальными моделями. Большую часть пути от архитектуры до инфраструктуры закрыл самостоятельно.
Руководитель отдела разработки
НПЦ НовАТранс30+ специалистов, 10+ VR/AR/PC-проектов, работа с заказчиками, техническими требованиями и процессами разработки.
Unity Developer → Team Lead
AppCake / НПЦ НовАТрансПроекты с нуля, архитектура, клиент-серверные интеграции, прототипы и переход к техническому лидерству.
Технологии
Стек под задачу, а не задача под стек
AI / LLM
RAG / KAGLocal LLM poolQwenMistralLlamaGLM 5.2pgvectorfaster-whisper
AI Development
Claude CodeCodexCursorMCPAgent SkillsCLI agents on VPSCross-provider review
Agents / Automation
Multi-agent systemsOrchestrationBrowser UsePlaywrightGoogle CDPCustom API integrations
Backend
PythonFastAPI.NET / C#SQLAlchemyAlembicPostgreSQLRedis
Frontend
React JSTypeScriptJavaScriptHTML5CSS3Responsive UIAdmin interfaces
Infrastructure
DockerNginxLinuxGitLab CIGPU inferenceAWS Route53
Следующий шаг
Готов показать практический подход на тестовом
Разберу процесс, соберу прототип и объясню, как превратить его в устойчивое рабочее решение.