AI-агенты и LLM
Мультиагентные системы, маршрутизация моделью, function calling, MCP, structured output, RAG.
Python-разработчик Middle+ и AI-инженер, 16 лет в ИТ. Проектирую системы end-to-end — от архитектуры и выбора моделей до поставки в закрытый контур. Довожу до эксплуатации, а не до демо.
> делаю:
Беру задачу целиком: архитектура, код, тесты, безопасность, мониторинг и доставка до рабочего места.
Мультиагентные системы, маршрутизация моделью, function calling, MCP, structured output, RAG.
Своя RPA-платформа полного цикла: оркестратор, агенты, студия, поиск по изображению и OCR.
Zabbix, Grafana, Prometheus. Monitoring-as-code через API, AI-агент для разбора инцидентов.
РЕД ОС, RPM и установщики, офлайн-поставка, шифрованные секреты, модель угроз.
Корпоративная платформа интеллектуальной автоматизации для закрытого контура на Windows и РЕД ОС. Наведите на узел, чтобы узнать, что он делает.
HMAC-подпись запросов, пароли выдаются роботу только на время задания и маскируются в журналах. Модель угроз, приёмка 33/33.
Без интернета: PyInstaller, Inno Setup, rpm для РЕД ОС 7.3/8, офлайн-зависимости, обновление роботов с контроллера с откатом.
Робот работает на своём невидимом экране, не мешая человеку. В панели — живая картинка экрана робота ~12 кадров/с.
Модель-маршрутизатор отдаёт просьбу одному из четырёх исполнителей. Важное решает код, а не модель: проверка сценария, права, секреты. Работает с GigaChat, Selectel, локальными моделями — и отдаёт инструменты чужим агентам по MCP.
Демо развёрнуты на моём сервере: Docker, Caddy с HTTPS, DeepSeek V4.1 Flash через Selectel.
Планировщик → Исследователь → Автор ⇄ Критик. Критик возвращает черновик на доработку, пока не одобрит. Шаги агентов транслируются в браузер в реальном времени.
Диспетчер разводит заявку по веткам, агенты ходят во внешний API и считают в коде, критик проверяет итог. Ответ уходит в чат и на АРМ пользователя — в Word на рабочий стол.
Событие мониторинга → агент сам собирает контекст через Zabbix API и историю сбоев → гипотеза root cause → черновик заявки в Naumen Service Desk. Решение — за инженером.
⚠ event DB response > 2s agent → zabbix.history(host, 6h) → incidents.similar(top=3) reason долгие транзакции отчёта action черновик → Naumen SD
Шаблоны и дашборды генерируются кодом и разворачиваются через API. Коллекторы метрик на Python (JSON-RPC), интеграция ИУС с КСМ через Redis и ClickHouse, чат-боты мониторинга VK Teams.
$ deploy_monitoring --target rpa ✓ zabbix шаблон · LLD · макросы ✓ grafana дашборд загружен ✓ naumen интеграция ⚠ robot-07/step 4 → скриншот
Понимаю инфраструктуру снизу доверху — поэтому мои AI-решения работают в реальной эксплуатации.
Python Backend / AI Engineer: RPA-платформа NeRPA с нуля, NeRPA AI, LLM-сервисы для эксплуатации, AIOps.
Python-сервис синхронизации 1С и Active Directory, PowerShell-автоматизация, кластер VMware на 100 серверов, Zabbix.
Отказоустойчивый кластер HPE, VMware и Hyper-V, сетевая безопасность, мониторинг в Zabbix.
Серверы, виртуализация, сети Cisco, резервное копирование, IP-телефония.
Ищу роль AI-инженера: внедрение LLM-агентов, автоматизация процессов, интеграция ИИ в инфраструктуру.