онлайн

> ls -la /whoami

Привет, я fullstack-разработчик с 2006 года

Делаю веб, desktop, автоматизацию и исследую LLM-технологии. Люблю чистый код, сложные задачи и инструменты, которые расширяют возможности разработчика.

2006 начал путь
100+ проектов
строк кода
LLM исследую

Код — это способ мышления, а не просто профессия.

/projects

Избранные работы

все web desktop llm эксперименты

NeuralFlow

LLM Python FastAPI

Платформа для работы с LLM-моделями и собственными данными.

DataBridge

Web TS Next.js

Система мониторинга и аналитики в реальном времени.

DevStudio

Desktop C# WPF

Кроссплатформенная студия для разработки, автоматизации и внутренних инженерных процессов.

/lab

Эксперименты и исследования

Лаборатория — это рабочие стенды вокруг LLM, RAG, AI planning, code intelligence и админских workflow. Здесь я фиксирую не красивые обещания, а проверяемые гипотезы: что автоматизируется, где нужен контроль человека и как это довести до production.

> llm-playground

в процессе

Общий стенд для быстрых проверок: промпты, системные инструкции, tool calling, JSON-ответы, streaming и поведение моделей на одинаковых входных данных.

ai-agent code-miner prompt-studio rag-lab
> run experiment.py loading model... gpt-4o building context... ok generating... ███████████ 78% result: полезно
// principle

Я не ищу волшебные инструменты — я собираю свои рабочие системы.

/notes research log

Полевые заметки из AI-лаборатории

LIVE BUILD NOTES
01

RAG pipeline без магии

Как я собираю retrieval-слой: источники, чанкинг, pgvector, eval-наборы, трассировка и честная проверка качества ответов.

lab: rag-lab / retrieval / evals
02

AI Factory task planning loop

Как должен работать планировщик: цель, декомпозиция, выбор skills, контрольные точки, execution trace и ручное подтверждение рискованных действий.

lab: ai-factory-planner / skills / execution trace
03

Context mining for large codebases

Как вытаскивать из репозитория не просто файлы, а полезный пакет контекста: entrypoints, зависимости, зоны риска и историю решений.

lab: code-miner / repo context / LLM handoff

/about :: senior fullstack operator

Собираю продукты там, где интерфейс, данные и AI-модель должны работать как одна система.

Я веду полный цикл: архитектура, прототип, production-инфраструктура, observability и аккуратный UX. Люблю сложные домены, где нужно быстро проверить гипотезу, но не потерять инженерную дисциплину.

TypeScript React Next.js Node.js Python Postgres Redis OpenAI API RAG Queues CI/CD Telemetry
INPUTcontext.md
VECTORpgvector index
MODELreasoning loop
TOOLSapi + workers
$ run senior-stack --mode=production
architecture: clean | telemetry: on | ai: assisted
output: systems that survive real users

/contact :: open channel

Нужен инженер, который доведет AI-продукт до production?

Напишите, если нужен fullstack-лид для MVP, внутреннего инструмента, AI-интеграции или аудита архитектуры. Быстро вникаю, говорю прямо, оставляю систему понятной команде.

Написать письмо