AI-engineer

На данный момент Специалист по автоматизации.

Мои компетенции и опыт

Системный архитектор

Январь 2024 — Май  нужен доступ к резюме  года и 5 месяцев)
Ускорил типовые инженерные задачи команды в 16–240 раз (с 8–16 часов до 10–30 минут), совокупная экономия 150–200 чел-часов команды в месяц.

Спроектировал и разработал библиотеку из 20 LLM-инструментов (Claude Code SDK / Anthropic API) для трассировки требований в команде Body CAN (19 ECU): извлечение данных из инженерной документации (PDF, ~700 стр.), маппинг в структурную модель, генерация артефактов трассировки. Structured output через Pydantic-схемы на каждом шаге пайплайна — невалидные структуры отсекаются до записи в данные. Построил автоматическую валидацию: детект orphan-связей, constraint-правила, diff между версиями модели. На основе документации была построена векторная база Qdrant для ускорения разработки и уменьшения затрат при использовании агентов.

Стек: Python, Claude Code SDK, Anthropic API, Pydantic, prompt engineering, SysML, structured output.


Python-разработчик

Январь 2025 — сейчас (1 год и 7 месяцев)

Асинхронный backend на Python нужен доступ к резюме : бот на aiogram 3, SQLAlchemy 2.0 (async) + Alembic, PostgreSQL, Redis. Автоматический расчёт дедлайнов по 30+ категориям обращений со статусной моделью и эскалацией. Фоновые задачи и уведомления — в воркере arq, расписание в БД (правки без релиза). Импорт данных из Excel/CSV (pandas), интеграция с Google Sheets API через OAuth нужен доступ к резюме Контейнеризация (Docker Compose), тесты (pytest), CI (GitHub Actions).

Стек: Python, asyncio, aiogram, FastAPI, SQLAlchemy, Alembic, PostgreSQL, Redis, arq, Docker, pandas, OAuth 2.0, pytest, Git.

Resume Scoring & Market Intelligence — сервис для HR: LLM-скоринг откликов + аналитика рынка труда. Тестовое задание, реализовано за 3 дня.
Ranking accuracy ≈ нужен доступ к резюме на eval-харнессе из 15 резюме, включая adversarial-кейсы (prompt-injection, keyword-stuffing).

Backend на FastAPI + SQLAlchemy (async) + SQLite, фронт на React/TypeScript, весь стенд поднимается одной командой docker compose up. LLM-скоринг с structured output: обоснование по каждому критерию с цитатами из резюме, confidence, флаг needs_review. Итоговый балл считается детерминированно в коде (не моделью) — аудируемо и воспроизводимо. LLM-провайдер абстрагирован через Protocol-интерфейс (Anthropic/OpenAI-совместимый/mock), защита от prompt-injection во входных данных. Клиенты для сбора вакансий (Trudvsem, нужен доступ к резюме API) с обходом лимита в 2000 результатов рекурсивным делением окна дат. Автономный сбор по расписанию через arq + Redis.

Стек: Python нужен доступ к резюме , FastAPI, Pydantic, SQLAlchemy (async), SQLite, Redis, arq, Anthropic API, OpenAI API, Docker, React, TypeScript, pytest, ruff, uv.

Специалист по автоматизации

Июль 2026 — сейчас (1 месяц)

Сократил ручную обработку сверок с 3 часов до 10 минут.

Спроектировал и внедрил ИИ-агента для интеграции в учётный контур на базе 1С: автоматизация сверки выгрузок, детект расхождений и аномалий с флагированием для проверки человеком. Реализовал OCR-пайплайн для извлечения структурированных данных из сканов PDF (первичные документы) с последующей загрузкой в 1С без ручного ввода. Настроил обмен данными между агентом и 1С через API и файловый обмен.

Автоматические и детерминированные отчеты с даш-бордами по запросу, анализ и выводы для презентации через AI-агента, LLM и Python.

Стек: 1С, Python, OCR, pdfplumber