AI в процессы
Нахожу задачи, где AI окупается, и довожу их от идеи до работающего пайплайна в проде.
>_Fractional FDE · AI implementation
Внедряю AI в бизнес так, чтобы он работал в проде, а не в демо.
25 лет в разработке, 11 лет в HR tech. Всё, о чём рассказываю, сначала собираю и запускаю в своей компании и у клиентов.
25
лет в разработке
11
лет в HR tech
Что делаю
Работаю как Fractional FDE (forward deployed engineer): встраиваюсь в команду на часть времени и довожу AI-сценарии до прода.
MCP и агенты
Подключаю AI-ассистентов к продуктам и данным компании через MCP, чтобы агент делал работу сам.
Evals и качество
Строю проверки, которые ловят ошибки модели до того, как их увидят клиенты.
Найм и HR tech
Первая ниша и источник кейсов: автоматизация найма, аналитика компенсаций, платформы для кандидатов.
Проекты
- P-01 NEWHR клиент Найм в IT и исследования рынка. Разработка и внедрение AI по заказу. newhr.org
- P-02 Hello New Job! клиент Сообщество и курсы для тех, кто ищет работу: уроки, мок-интервью, AI-разбор резюме. Разработка и внедрение AI по заказу. hellonewjob.org
- P-03 Geekjob клиент Платформа найма, где кандидаты и работодатели взаимодействуют через AI-агентов по протоколу MCP. Разработка и внедрение AI по заказу. geekjob.ai
Подход
Несколько правил, по которым я внедряю AI и сужу о результате.
-
01
Прод, а не демо
Красивая демка ничего не стоит. Считается только то, что работает каждый день на реальных данных.
-
02
Показывать, а не рассказывать
Сначала работающий продукт, потом презентация.
-
03
Мерить качество
У каждого AI-сценария есть тесты и метрика. Без них непонятно, стало лучше или хуже.
-
04
Начинать с простого
Промпт, потом RAG, потом дообучение. Сложность добавляется, только когда простое упёрлось в потолок.
AI без магии. Рассказываю только про то, что работает.
Статьи
Пишу о том, что сделал и запустил сам: как устроено, где ограничения, когда пригодится.
- MCP: как дать AI доступ к вашим продуктам и данным Что такое Model Context Protocol, как он устроен после ревизии 2026-07-28, как написать свой MCP-сервер, закрыть его авторизацией и не дать модели наделать лишнего.
- RAG с нуля: как научить LLM отвечать по вашим документам Что такое RAG, когда он нужен, как устроены эмбеддинги, чанкинг, гибридный поиск и реранкинг, и как по шагам собрать первую рабочую версию на MongoDB.
- Evals: как проверить, что AI работает не только на демо Что такое evals, из чего они состоят, как оценивать ответы кодом, LLM-судьёй и человеком, как собрать свой датасет и какие инструменты для этого есть в 2026 году.
Есть задача для AI? Напишите.
Расскажите о задаче в форме ниже. Отвечу на почту или в мессенджер.