Привет. Я занимаюсь backend-разработкой и проектами в области LLM.

Мне особенно интересны системы, в которых модель — это только часть решения: RAG, MCP, multi-agent workflow, tool-based integration, retrieval quality, evaluation и инженерная обвязка вокруг всего этого.

Не ограничиваюсь только интеграцией модели в приложение — интереснее выстраивать вокруг этого более цельные backend-системы с понятной архитектурой, API-слоем, инфраструктурой и контролем качества.

• RAG-системы: ingestion, embeddings, hybrid retrieval, reranking, citations, evaluation

• MCP/tool-calling серверы для интеграции LLM с внешними инструментами

• Multi-agent workflows на LangGraph с маршрутизацией, review loop и typed state

• LLM backend: FastAPI, Pydantic, PostgreSQL, Redis, Docker, CI/CD

• Structured outputs, JSON schemas, task routing, prompt design, answer validation

• Retrieval quality, observability, testing и production-oriented подход к AI-системам

Advanced RAG-система для работы с документами: ingestion pipeline, Qdrant, dense + BM25 hybrid retrieval, cross-encoder reranking, citations, streaming и evaluation.

Что показывает проект:

• построение RAG-пайплайна end-to-end;

• hybrid retrieval и reranking;

• генерация ответов с источниками;

• оценка качества retrieval/generation;

• FastAPI API для работы с системой.

MCP-style backend-сервер для LLM-агентов с typed tools, JSON-RPC endpoint, API-key auth, scope-based доступом, audit logging, PostgreSQL search, Redis, metrics и CI.

Что показывает проект:

• tool-calling архитектуру для LLM;

• серверную реализацию MCP-style подхода;

• строгие схемы инструментов;

• контроль доступа и audit logs;

• production-oriented backend вокруг LLM-инструментов.

Мультиагентный workflow на LangGraph с planner, coordinator, curator, writer и reviewer loop. Проект демонстрирует orchestration, typed artifacts, traceable execution и работу с несколькими ролями внутри LLM-системы.

Что показывает проект:

• LangGraph state machine;

• multi-agent orchestration;

• reviewer loop и итеративное улучшение результата;

• typed state/artifacts;

• traceable execution.

OpenAI-compatible FastAPI assistant для подбора моделей MWS Model Hub: парсинг каталога и тарифов, расчёт стоимости, session-aware follow-ups, streaming/SSE и LLM-based ranking.

Что показывает проект:

• OpenAI-compatible API;

• прикладной AI-assistant под бизнес-задачу;

• работу с каталогом моделей и pricing logic;

• структурированную генерацию ответа;

• session management.

Backend-проект для демонстрации Python/infrastructure базы: FastAPI, PostgreSQL, Redis cache-aside, MongoDB event store, RedPanda/Kafka, Docker Compose, GitHub Actions CI и Kubernetes manifests.

Что показывает проект:

• event-driven backend architecture;

• работу с Kafka/RedPanda;

• Redis cache invalidation;

• Docker/CI/CD/Kubernetes basics;

• backend-навыки, полезные для production LLM-систем.

Travel assistant с LangGraph orchestration, RAG-поиском по рекомендациям, weather API integration, ChromaDB vector store и OpenRouter LLM.

Что показывает проект:

• связку LangGraph + tools;

• RAG-инструмент внутри агента;

• интеграцию внешнего API;

• FastAPI API для агентного приложения.

LLM / AI: LangChain, LangGraph, RAG, MCP, tool-calling, structured outputs, embeddings, reranking, evaluation

Backend: Python, FastAPI, Pydantic, REST API, OpenAPI, SQLAlchemy, Alembic

Databases / Storage: PostgreSQL, Redis, Qdrant, ChromaDB, MongoDB

Infrastructure: Docker, Docker Compose, GitHub Actions, basic Kubernetes, logging, metrics

Quality: Pytest, Ruff, MyPy, typed schemas, CI checks

• production-oriented RAG-системы с evaluation и citations;

• MCP/tool-calling backend для LLM-агентов;

• multi-agent orchestration на LangGraph;

• event-driven backend и инфраструктурные навыки для AI-сервисов.

• Email: zaharikafona@gmail.com

• Telegram: @zachhew