Резюме
Алексей Рыбкин AI-инженер
Встраиваю языковые модели в работающие продукты и довожу их до продакшена. За неделю сделал сервис проверки договоров на LLM со сверкой цитат и протоколом в Word и PDF; собрал headless-пайплайн генерации контента на Anthropic API с MCP-коннектором — 500+ публикаций силами одного человека; перевёл интернет-магазин на Next.js с обменом 1С, парсером на Python и мониторингом. Архитектуру проектирую сам, с агентами работаю через Claude Code, результат принимаю только после автотестов и код-ревью.
Кейсы: rybkin.dev/ru/cases/contract-review, rybkin.dev/ru/cases/roton · Как сделан этот сайт: rybkin.dev/ru/how
Опыт
AI Engineer
Кейс крупным планом2,5 минна анализ типового договора; протокол — за секунды10–20 ₽анализ договора на 20 страниц моделью Claude Sonnet, цены октября 2026
- Разработал веб-сервис, который проверяет договор поставки покупателя с помощью LLM и выпускает протокол разногласий в Word и PDF: от ТЗ до работающей системы на сервере — неделя, в паре с Claude Code.
- Сделал ответ модели проверяемым: строгая JSON-схема (structured outputs) с одним переспросом, каждая цитата сверяется с текстом договора — точно, затем нечётко, — номера пунктов и ссылки на приложения проверяются по разметке документа.
- Подключил модели через API, совместимый с OpenAI (RouterAI с серверами только в РФ, OpenRouter, Ollama, vLLM), API Anthropic с потоковым ответом и кэшем промпта и Codex CLI; у промпта в админке версии, сравнение, откат и прогон на договоре.
- Научил систему читать настоящие документы — docx из XML с автонумерацией Word, doc и rtf через LibreOffice, PDF через pdfplumber, сканы через Tesseract по ячейкам — и собирать протокол как деловой документ. Файл договора удаляется после чтения, проверка — через 24 часа, тексты не попадают в логи и копии; больше 450 автотестов.
AI Engineer
Кейс крупным планом+12%поискового трафика через три месяца после переезда20 чв месяц освободил менеджеру обмен с 1С — оценка заказчика
-
Перевёл интернет-магазин медицинских товаров со взломанного сайта на Bitrix в чистую сборку на Next.js и WordPress/WooCommerce. Время загрузки страниц (LCP) сократилось с 4,1 до 1,1 секунды. подробнеесвернуть
WordPress с WooCommerce остались закрытой админкой, публичная часть работает на Next.js: списковые страницы собираются заранее, карточки по запросу и живут в кэше готовых ответов, который обмен сбрасывает точечно вебхуком, только по тронутым товарам. Раздача с собственного сервера за Caddy с автоматическим TLS, кэш объектов WordPress в Redis. Все метрики Core Web Vitals в зелёной зоне, сервер отдаёт карточку товара за 0,3 секунды.
Старый сайт был скомпрометирован: 435 вредоносных файлов, включая веб-шеллы в папках со случайными именами. Данные вытащил в чистую сборку, заражённый код не переносил. Плюс вход по SSH только по ключу, fail2ban, автоматический HTTPS.
-
Настроил автоматический обмен с 1С и написал на Python парсер характеристик: около 1 100 товаров с остатками и фото обновляются на сайте сами. По оценке заказчика, это освободило менеджеру 20 часов в месяц. подробнеесвернуть
Обмен идёт по CommerceML каждую ночь по будням: товары, категории, размеры, цвета, остатки и изображения, около 1 100 позиций и 2 300 торговых предложений за четверть часа. Сайт и 1С расходятся не дольше чем до следующего обмена. Плагин обмена чинил под PHP 8: 11 правок накладываются скриптом при старте контейнера, поэтому переустановка плагина их не теряет.
Парсер разбирает справочник размеров. В поле «Размер» у заказчика склеено до пяти сущностей: размер, сторона, обхват в сантиметрах, класс компрессии и длина изделия, плюс путаница кириллицы и латиницы. Из 233 уникальных значений разобраны 227, это 97%, а по частоте употребления 99,7% товаров; шесть нестандартных ушли на ручной разбор. Правила закрыты 47 модульными тестами, написанными до кода. На витрине разбор не выполняется: там поиск по готовой таблице, а неизвестное значение уводит товар в карантин до решения человека. Сейчас в карантине 40 позиций из 1 070, то есть 96% публикуются без ручного вмешательства. Размеры и цвета стали выбором внутри карточки, 2 300 предложений свернулись в 940 карточек.
-
Сохранил поисковый трафик при смене движка: все старые адреса ведут на нужные страницы, а позиции в поиске вернулись к прежним за три недели. подробнеесвернуть
Товар связан с позицией 1С по её идентификатору, поэтому повторная выгрузка обновляет ту же страницу, а адрес переживает и переименование товара в 1С, и смену движка. Собрал инвентарь из 1 192 адресов старого сайта и закрыл их 33 правилами переадресации, каждое ведёт на осмысленную живую страницу. Плюс структурированные данные, карта сайта, человекопонятные адреса с транслитерацией. Позиции просели не больше чем на 5% в первые две недели, органика к концу третьего месяца выросла на 12%.
-
Сделал поиск с фильтрами и заказ через чат на сайте: сообщение уходит менеджерам в Telegram, ответ возвращается посетителю в тот же чат. подробнеесвернуть
Поиск на Meilisearch: мгновенная выдача и фильтры по бренду, размеру, разделу и типу изделия на каталоге из тысячи позиций. Значения фильтров и счётчики считает сам поиск, поэтому в списке не бывает пунктов, которые ничего не находят.
Заказ без формы и регистрации: раньше кнопка уводила в мессенджер и посетитель терялся. Конверсия чата 4,2%. Позже мост молча умер, сервер потерял доступ к Telegram, и менеджеры неделями не видели обращений. Нашёл, поднял собственный релей на Cloudflare Workers и восстановил переписку целиком, ни одно обращение не потерялось.
-
Настроил мониторинг обмена и резервное копирование с проверкой восстановления. Подготовил проект к передаче другому разработчику: документация, автотесты, выкладка одной командой. подробнеесвернуть
Три независимых сторожа: ночной наблюдатель ведёт окно выгрузки и присылает разницу каталога, утренняя проверка ловит протухшие данные, третий поднимает наблюдение по факту обращений 1С, чтобы выгрузка вне расписания не прошла молча. Критерий успеха — метка, которую обмен ставит каждому разобранному товару: она не зависит от того, что обмен ответил, а по стандарту он отвечает «200 OK» и на ошибку. Канал доставки задублирован, Telegram через собственный релей плюс почта.
Ночные шифрованные копии уезжают в облако кусками в четыре потока, это обход лимита провайдера в 16 КБ/с на соединение, из-за которого целиком они не доезжали. Отдельный режим проверки скачивает копию, расшифровывает и поднимает дамп, последний прогон восстановил все 60 таблиц.
Отказы разбирал до причины. Импорт из 1С падал на очистке кэша: сторонний плагин звал сброс каждую тысячу элементов XML, при внешнем кэше это стирание всей базы Redis, 20 290 раз за месяц. Однажды очистка не уложилась в таймаут и откатила всю выгрузку. Заменил на очистку памяти процесса, перенёс полный сброс в конец обмена, сделал сбой кэша неопасным для страницы. Другой случай: ночной отчёт показал минус 73 позиции в наличии, заказчик уже собирался сверять склад, но замер сняли посреди фонового пересчёта. Исправил признак завершённости работы и сам сказал заказчику, что тревога была ложной.
Воспроизводимая среда в Docker, выкладка одной командой с автоматическим откатом при неудачной сборке, 6 700 строк документации по развёртыванию, восстановлению и эксплуатации, 16 скриптов эксплуатации, 16 инструментов проверки каталога, 106 автотестов витрины. Отдельный файл разобранных ошибок на 157 записей: что сломалось, почему и какой признак это ловит.
Разрабатывал в паре с Claude Code: сам проектировал архитектуру, разбивал работу на задачи для агента и принимал результат только после автотестов и код-ревью. Это позволило в одиночку провести весь переезд магазина.
Product Manager
- Спроектировал и вывел в прод headless-пайплайн генерации контента. Тексты генерирует Claude через Anthropic API, изображения делает NanoBanana через remote MCP-сервер Higgsfield. Сервер подключён MCP-коннектором к тому же вызову: модель сама вызывает генерацию и опрашивает статус асинхронной задачи, пока та не будет готова. Под каждый формат свой промпт-шаблон, few-shot собран на эталонных текстах бренда. Человек отбирает и доводит.
- За 5 месяцев вышло 500+ публикаций, 100+ в месяц силами одного человека вместо трёх (контент-менеджер, дизайнер, маркетолог): по ФОТ это около 1,5 млн ₽ в год. 56% черновиков ушли в публикацию без правок, время на пост упало с 4 часов до 20 минут.
- Писал ТЗ разработчикам и дизайнерам: декомпозиция фич, логика игровых режимов, критерии приёмки.
- На тестировании нашёл расхождения между ТЗ и реализацией — 30 багов закрыли до релиза.
- Спроектировал два боевых пропуска и лестницу наград с параметрами, зависимостями и целевой метрикой удержания. D7 retention вырос с 22% до 31%.
- Переводил результаты опросов сообщества в приоритеты роадмапа.
- Провёл конкурентный анализ рынка Telegram-игр — выводы легли в фичи и промо-кампании.
Project Manager
- Перевёл производство рекламной графики на генеративные модели: баннеры для клиента-застройщика собираются в NanoBanana и Recraft по фирменному стилю. 4 макета в день против одного, время на макет сократилось вчетверо. Адаптация под форматы площадок и правки перестали требовать отдельной итерации с дизайнером.
- Автоматизировал рутину в Jira и Confluence: шаблоны задач, автоправила, гайды. Около 40 ручных шагов в неделю ушли из процесса.
- Формализовал приёмку требований: чек-листы и брифы сократили доработки после сдачи на 60%.
- Собрал единую базу документации в Confluence — онбординг сократился с 10 дней до 3.
- Вёл дорожные карты и координировал 5 параллельных проектов.
Бизнес-ассистент
- Автоматизировал работу с созвонами: внедрил транскрибирование встреч с автоматическим саммари и списком решений. Раньше на ручные протоколы уходило 14 часов в неделю рабочего времени участников, теперь — 5 минут на вычитку после встречи. Договорённости перестали теряться между созвонами, а поиск по прошлым обсуждениям занимает секунды вместо перебора чатов.
- Упростил работу с Google Sheets: автоматическое сведение данных между таблицами и автозаполнение отчётных форм. Из недельного цикла ушли 12 ручных шагов и ручное копирование между документами вместе с ошибками, которые оно порождало.
- Собирал и визуализировал данные, готовил аналитические отчёты для решений руководства.
- Инициировал и продвинул интеграцию с Notcoin: собрал метрики прошлых интеграций и обоснование, привёл тёплые контакты. Интеграцию реализовали.
- Исследовал рынок конкурентов и сегментировал аудиторию для позиционирования компании.
КАК ЭТО УСТРОЕНО
Скучное я беру на себя сознательно: развёртывание, мониторинг и резервные копии. Выкладка одной командой с автоматическим откатом, копии проверяются восстановлением, а сбой ночного обмена не проходит молча.
Бэкенды, которые держат продакшен-трафик: типизированные API, кэш под реальный паттерн доступа и поведение при отказе — деградация вместо обвала.
Я превращаю сырые выгрузки в данные, на которые можно опереться: правила разбора закрыты тестами, а непонятное значение не попадает на витрину, пока его не проверит человек.
Я проектирую интерфейсы, которые превращают инфраструктуру, данные и модели в то, с чем можно работать без инструкции.
Думать. Действовать. Проверять. Повторять. Я проектирую сценарии, в которых агент достаёт нужный контекст, выбирает инструмент и проверяет свой результат, а решение, отдавать ли его, остаётся за человеком.
Образование
Программный инженер
Направление «Фундаментальная информатика и информационные технологии».
Стек
LLM и агенты
Claude Code, NanoBanana, Anthropic API, OpenAI API, MCP, Prompt Engineering
Бэкенд и данные
Python (продвинутый), FastAPI, Node.js, REST APIs, SQL (продвинутый), PostgreSQL, MySQL, Redis, Meilisearch
Фронтенд
TypeScript, React, Next.js
Инфраструктура и интеграции
Docker, Linux, Cloudflare Workers, 1С (CommerceML), Telegram, n8n
Весь стек
Ярким — применял в коммерческих проектах. Приглушённым — изучал в теории или пробовал в личных.
Генеративный ИИ и LLM
Prompt Engineering, OpenAI API, Anthropic API, NanoBanana, Recraft, MCP · LangGraph, LangChain, CrewAI, RAG Systems, Fine-Tuning (LoRA/QLoRA), LLM Evaluation, Context Engineering, HuggingFace Transformers, AWS Bedrock, Ollama, CUDA
Машинное и глубокое обучение
PyTorch, OpenCV · Scikit-learn, TensorFlow, Keras, XGBoost, LightGBM, CatBoost, BERT/DistilBERT, NLP Pipelines, CNN, RNN/LSTM, Transformers
Backend-разработка
FastAPI, Node.js, REST APIs, GitHub Actions · Flask, Express, GraphQL, WPGraphQL, Pydantic, JWT Authentication, RBAC
Данные и векторные базы
Pandas, NumPy, Matplotlib, Meilisearch, PostgreSQL, MySQL, MongoDB, Redis · Seaborn, FAISS, Chroma, Pinecone, pgvector, Prisma
Языки программирования
Python (продвинутый), SQL (продвинутый), TypeScript, JavaScript, PHP 8, C++, Java, Go, Bash
Инструменты и платформы
Claude Code, Codex, Git, GitHub, VS Code, Figma, Framer, Notion, Jira, Confluence · Cursor, Copilot, Jupyter Notebook, Streamlit, Gradio, Google Colab, LangSmith
Веб и фронтенд
React, Next.js, HTML5, CSS3, WordPress / WooCommerce · React Native, Redux, Tailwind
Инфраструктура и облака
Docker, Cloudflare Workers, Linux, nginx, Caddy · Kubernetes, AWS, GCP, Firebase, Lambda, CDN
Автоматизация
n8n, Slack API, 1С (CommerceML), Telegram, Google Sheets, Google Apps Script · Stripe