Backend-разработчик. Пишу на Python, основной стек - FastAPI, PostgreSQL, Redis. Специализируюсь на AI-агентах и интеграциях с LLM: нативный tool calling, RAG на векторных базах, собственные MCP-серверы. Фронтенд делаю сам на React и TypeScript, поэтому проекты собираю целиком - от схемы БД до интерфейса и деплоя.
Студент 4 курса направления "Информационные системы и технологии" в КФУ. Ищу удалённую работу.
Коммерческий AI-агент для автоматизации карточек товаров - код закрыт Интернет-магазин электроники. Заменил ручной процесс, отнимавший у сотрудника 30-50 часов в месяц на ~300 товаров. Python, Playwright, Flask, OpenAI API. Каскад источников данных с фолбэком, извлечение характеристик из неструктурированного текста, vision-проверка соответствия фотографий модели и цвету. Разделение задач между дорогой и дешёвой моделью по критерию "качество против стоимости запроса", кэширование и корректная деградация при сбоях внешних сервисов.
ai-lead-intake-bot - Telegram-бот разбора входящих заявок Извлекает контакт, категорию и срочность из свободного текста, обрабатывает мультизаявки, фильтрует спам. aiogram 3, OpenAI SDK, OpenRouter, PostgreSQL, Qdrant, MCP. Нативный tool calling с forced tool_choice вместо парсинга текста в поисках JSON, каскад моделей с автопереключением при сбоях и лимитах, защита от промпт-инъекций как проектная задача, валидация ответов модели через Pydantic вторым независимым уровнем. RAG на Qdrant: перед классификацией бот ищет семантически похожие прошлые заявки и передаёт их модели как контекст. Поверх данных бота - собственный MCP-сервер, протестированный настоящим MCP-клиентом по протоколу. Задеплоено в webhook-режиме.
Kodama - сервис интервального повторения слов для английского и японского Спроектировал и написал единолично. FastAPI, PostgreSQL, SQLAlchemy 2.0, RabbitMQ, Redis, React 19. Алгоритм SM-2, асинхронная очередь задач, realtime-уведомления через WebSocket. Проверка произношения на ML-моделях (Whisper и wav2vec2) вынесена в отдельный воркер, изолированный от API. Docker Compose на шесть сервисов, образ backend оптимизирован с 12.4 ГБ до 2.67 ГБ, мониторинг в Grafana.
ClickReserve - асинхронный сервис бронирования билетов Слоистая архитектура (Router → Service → Repository → Model), защита от double-booking через распределённые атомарные блокировки в Redis, фоновый воркер очистки просроченных броней, JWT-авторизация с ролевой моделью доступа.
movie-service - SPA на React и TypeScript · демо Интеграция с внешними API, кэширование, CI/CD через GitHub Actions, развёрнуто в проде.
Архитектуру, контракты между модулями и границы ответственности проектирую сам, до первой строчки кода: что на входе и выходе, какие крайние случаи, что считается готовым. Это подход Spec-Driven Development - он даёт воспроизводимый результат вместо угадывания по промпту.
AI использую как ускоритель на этапе реализации: Claude Code в терминале, кастомные Agent Skills в формате SKILL.md, sub-agents под изолированные подзадачи, несколько параллельных сессий. За код в репозитории при этом отвечаю я: разбираю логику, покрываю тестами, проверяю поведение на некорректных данных и граничных значениях. Если я не могу объяснить, почему строчка написана именно так, она в проект не попадает.
- Backend: Python, FastAPI, SQLAlchemy 2.0, Alembic, asyncio, Pydantic, Pytest
- Frontend: React, TypeScript (strict), TanStack Query, Tailwind, Next.js
- Данные: PostgreSQL, Redis, SQLite, RabbitMQ, Qdrant
- Инфраструктура: Docker, Docker Compose, Linux, Bash, Git, GitHub Actions, Grafana
- AI: OpenAI SDK (tool calling, vision), OpenRouter, LangChain, RAG, MCP, промпт-инжиниринг, Claude Code
- Прочее: REST API, WebSocket, SSE, вебхуки, JWT/OAuth 2.0, Playwright
Telegram: @kitolovv Email: nikita.khaziev@mail.ru