Principal Architect / Staff Engineer. 25 лет в разработке ПО с 2001 года (МГТУ им. Баумана, ИУ-5).
Проектирую и эксплуатирую распределённые системы и облачные платформы для регулируемых отраслей с изолированным контуром (air-gap). Последние два года фокус сместился в сторону прикладного AI: локальный inference в закрытом контуре, агентные системы и инженерия окружения (harness engineering) — как заставить LLM-агентов делать инженерную работу предсказуемо и под контролем. Беру разные роли в зависимости от масштаба: ведущий разработчик, технический лидер (tech lead), руководитель группы (team lead), DevOps-инженер, архитектор.
Текущий фокус — организация многоагентной работы и инфраструктура прикладного AI в закрытом контуре.
- Harness engineering и многоагентная оркестрация. Строю обвес (harness) вокруг LLM-агентов: детерминированные guard-хуки, библиотека ролевых скилов (ядра + проектные wrapper'ы), контуры обратной связи и самообучения, пайплайны полного цикла. Центральная практика — оркестрация группы субагентов (тимлид → исполнители → ревьюер → аудит) с маршрутизацией задач и автономным прогоном после утверждения плана. Обвес работает с OpenCode поверх локальных моделей Qwen — агентный кодинг на собственном inference, без облака, через OpenAI-совместимый API. Дисциплина задокументирована отдельной серией статей: теория harness, каталог паттернов, оценка зрелости обвеса.
- Hermes Agent в корпоративном контуре. Эксплуатирую open-source ИИ-агента (Nous Research) на корпоративной ВМ поверх собственного GPUStack: persistent memory, autonomous skills, learning loop, MCP-серверы, интеграции с Jira и Confluence, cron-мониторинг безопасности. Данные не покидают контур. Веду замкнутую базу знаний по практике применения — от ИИ-ликбеза до рабочих ранбуков.
- Бенчмаркинг LLM. Воспроизводимые прогоны моделей на корпоративном GPUStack (Aider Polyglot, Terminal-Bench): методика, метрики, лидертаблицы, отчёты прогонов. Цифры — только из реальных запусков, одинаковые условия для сравнения.
- Сервер локального inference. AMD Strix Halo с unified memory 120 GiB, llama.cpp, квантование, работа без облачных сервисов.
Параллельно продолжаю платформенную инженерию:
- Облачная платформа как IaC для Kubernetes, PostgreSQL и compute (Go, Python, Terraform, Ansible). Гексагональная архитектура (ports & adapters), доменные спецификации, зеркальные профили (mirror profiles) для изолированного контура.
- Configuration Management Database с мульти-мастерной репликацией между ЦОД и битемпоральным учётом (valid_time + transaction_time).
- 2001-2014 — телеком-домен: биллинг, маршрутизация, статистика и аналитика.
- 2014-2024 — JVM и функциональное программирование: Scala (Typelevel stack), Akka, Kafka Streams, Cassandra; event-driven, Lambda/Kappa, CQRS.
- 2024-2025 — облачные платформы: Go, Python, KVM, Kubernetes, Terraform.
- 2026 — прикладной AI: локальный inference, агентные системы, harness engineering и многоагентная оркестрация в изолированном контуре.
- Агентные системы и harness engineering: оркестрация субагентов (роли, маршрутизация, автономные пайплайны), guard-хуки и детерминированные защиты, контуры самообучения, prompt → context → harness как три волны инженерии окружения, агентный loop, MCP; обвес для OpenCode поверх локальных моделей Qwen.
- AI-инфраструктура: внутреннее устройство llama.cpp, KV-cache, компромиссы квантования, локальный inference в изолированном контуре, бенчмаркинг моделей на GPUStack.
- Распределённые системы: битемпоральные модели данных, multi-master репликация, Raft, eventual consistency.
- Архитектура: hexagonal (ports & adapters), DDD, ADR-driven design, specification pattern, C4-моделирование, миграция 24x7 через паттерн «Душитель» (strangler).
- Stream processing: Kafka Streams, Spark, event-sourcing, CQRS, BPMN-оркестраторы (Camunda, Zeebe).
- Инфраструктура: Kubernetes (on-premise), KVM/QEMU, Terraform, Ansible, PostgreSQL (HA, streaming replication).
- SRE: chaos engineering, SLI/SLO/SLA, error budget, DORA-метрики; мониторинг — Prometheus, Grafana, ELK, Graylog.
- Языки: Scala (эксперт, FP/Typelevel), Java, C++, Python, Go, TypeScript.
- HARNESS_ENGINEERING — инженерия окружения LLM-агента: обвес из хуков, скилов и обратных связей; многоагентные пайплайны и оркестрация субагентов под контролем.
- AI_CLOSED_LOOP_METHODOLOGY — практика применения LLM в изолированном контуре.
- AI_DEVELOPMENT_METHODOLOGY — эмпирический анализ ROI разработки с AI на реальных git-метриках.
МГТУ им. Баумана, ИУ-5, выпуск 2001.