FullStack + Devops Engineer

Есть контакты

Приветствую! Интересует part-time работа в любом направлении (руководство, разработка, инфра), ранее был fullstack разработчиком, в данный момент devops инженер, так же разиваю свой AI проект, быстро делаю MVP. Резюме www.linkedin.com/in/ammo-sov Связь: tg @eammosov --- В резюме отсутствует подробности по AI проекту, поэтому добавлю здесь: # AI / Automation — технический опыт Спроектировал и вывел в прод **AI-сервис с мульти-агентным ядром на LLM**. Не демо и не пет-проект: система работает в продакшене с реальными пользователями, с двумя окружениями (dev/prod), CI/CD и мониторингом. Отвечал за всю AI-часть и инфраструктуру вокруг неё. Продукт обрабатывает пользовательские данные через LLM-пайплайны и выдаёт персонализированный результат. Ниже — что я построил и на каком стеке. --- ## Архитектура Несколько сервисов, общающихся через общую PostgreSQL: | Сервис | Роль | Стек | |---|---|---| | Web API | Продуктовый бэкенд | FastAPI | | Bot | Пользовательский интерфейс | aiogram | | Frontend | Веб-интерфейс | React / Vite | | **AI-сервис** | **Вся AI-логика** (отдельная VM) | Prefect · LangGraph · LangFuse | | Инфра | Облако | Terraform · Ansible | Ключевое архитектурное решение: **AI-сервис полностью изолирован** и общается с основным приложением только через общую БД (плюс outbox-очередь для сообщений). В основном приложении нет AI-инференса — оно читает готовые результаты работы AI-сервиса. Это разделяет ответственность, упрощает деплой и позволяет масштабировать AI-часть отдельно. --- ## AI-стек - **LangGraph** — LLM-пайплайны собраны как граф состояний (`StateGraph`) с типизированным стейтом. - **Prefect 3** — оркестратор: запуск флоу, ретраи, cron-расписания, логи, UI. - **LangFuse** — observability по LLM: трейс на **каждый** вызов (стоимость / латентность / ошибки). - **LLM + эмбеддинги** — генерация и семантический поиск. - **VLM (vision-модель)** — анализ изображений. - Вокруг: менеджер секретов, S3 для медиа, Nginx (auth перед внутренними UI), GitHub Actions (CI/CD). --- ## Что я построил ### Многоступенчатый LLM-пайплайн обработки данных Входные данные проходят через цепочку этапов (нормализация → векторизация → семантический скоринг → LLM-обработка → формирование результата), собранную как граф состояний в LangGraph с типизированным стейтом и точками сохранения между шагами. ### Мульти-агентное ядро на LLM Центральная и самая сложная часть — **симуляция на нескольких LLM-агентах с разными ролями**, работающих вместе: - **агент-генератор контекста** — задаёт условия сценария; - **агент-персоны** — каждый со своим приватным внутренним состоянием, недоступным другим агентам (информационная асимметрия); - **последовательный цикл раундов** — агенты реагируют друг на друга, состояние накапливается от хода к ходу; - **независимые агенты-оценщики** — раздельно оценивают результат с разных сторон, система ловит и штрафует асимметрию оценок; - **агент-критик** — прогоняет стресс-сценарий и корректирует итоговую оценку. Технически: верхний уровень пайплайна держит LangGraph, а сама мульти-агентная оркестрация — на Python внутри ноды (цикл раундов, `asyncio` для параллельных независимых вызовов, отдельный промпт на каждую роль-агента, передача состояния между агентами в коде). Оркестрация детерминированная — предсказуемость, контроль стоимости и воспроизводимость важнее автономного планирования. Смысл мультиагентности не в параллельности, а в **разделении ролей, приватном состоянии у каждого агента и взаимодействии между ними** — это даёт качество и структурность, которых один большой промпт не даёт. ### Анализ изображений (VLM) Отдельный этап на vision-модели: извлечение структурированных признаков из загруженных пользователями изображений. ### Контент-модерация Гибрид: быстрый прескрининг по словарю + LLM-классификатор на пограничных случаях. ### Операционная автоматизация (целиком на Prefect-кронах) Регулярные фоновые задачи: обработка по расписанию, напоминания, экспирация, сбор обратной связи. Раньше жило внутри бота на APScheduler — вынес в отдельный оркестратор с ретраями, расписаниями и наблюдаемостью. ### Outbox-паттерн доставки сообщений AI-флоу пишут сообщения в очередь, бот их забирает и доставляет — так AI-сервис остаётся изолированным и не пишет в чужие таблицы. --- ## Observability и эксплуатация - **LangFuse** — трейс на каждый LLM-вызов: стоимость, латентность, ошибки, группировка по сессиям. - **Metabase** (self-hosted) — продуктовые метрики. - **Алерты по проду.** - **Два окружения (dev + prod)** на инфраструктуре, секреты в менеджере секретов, деплой через CI/CD. --- ## Стек одной строкой Python · FastAPI · aiogram · LangGraph · Prefect 3 · LangFuse · LLM/VLM · PostgreSQL · React/Vite · Terraform · Ansible · Docker · GitHub Actions · S3 · Nginx

Похожие резюме