Senior Full-Stack Engineer:от модели данных до выручкидо продакшенадо мониторингадо пользователя

Веду фичи целиком — модель данных, асинхронный бэкенд, боевой интерфейс, инфраструктура, мониторинг. Глубже всего — промышленный AI и DevEx: мультиагентные delivery-пайплайны, кастомные MCP-серверы, каскады моделей.

Что я уже сделал

1. 01AI-ассистент обработки заявоквыручка канала выросла в 3 раза (с ~$47K до ~$141K/мес); время ответа лиду — с ~8 минут до менее 30 секунд со снижением расходов на API в 10 раз.−
   проблема

   менеджеры отвечали лиду в среднем за 8 минут и только в свою смену — горячие клиенты остывали, а штат чат-менеджеров стоил дорого.

   ограничения

   Нагрузка скачет, диалоги живые: оператору нужна очередь в реальном времени, а не по обновлению страницы.

   решение

   Автономный AI-ассистент отвечает меньше чем за 30 секунд в любое время суток: горячий лид получает квалификацию сразу. Спроектировал каскад роутинга моделей по порогу уверенности на FastAPI и Redis: легковесные модели закрывают типовой диалог, а к Claude / GPT-4 эскалируются только сложные кейсы — расходы на API снижены в 10 раз. Внедрил Tool Calling во внешние CRM и операторскую React-админку с live-мониторингом очереди по WebSocket. По итогам 3-месячного controlled trial (люди, гибрид, только ИИ) канал полностью переведён на ИИ.

   trade-off

   Каскад надо сопровождать: маршрутизация — своя логика, не одна модель на всё. Взамен — счёт за API в 10 раз ниже.

   стек

   PythonFastAPIReactRedisWebSocketLLM APIsClaudeOpenAI

   Читать разбор >Связаться >
2. 02Кредитные отчёты и скоринг на 20 млн строкпродукт вышел в прибыль в первую неделю: +40% к чистой прибыли, EPC вырос в 2 раза (с ~$1.9 до ~$3.8).+
   проблема

   запуск нового кредитного продукта с жесткими SLA и расчётом скоринга по историческим данным.

   ограничения

   Кредитные и скоринговые данные: строгая изоляция, sub-second выдача отчёта по номеру телефона.

   решение

   Возглавил команду из 3 инженеров: спроектировал архитектуру, контракт API и интеграцию с кредитным бюро для скоринга и принятия решений. Спроектировал схему данных под заявки, отчёты и скоринг, построил асинхронный бэкенд на FastAPI со скорингом по датасету на 20 млн строк с составными индексами PostgreSQL и кешированием в Redis.

   trade-off

   Составные индексы и кеш в Redis потребовали детального профилирования запросов, но позволили мгновенно отдавать скоринг по 20 млн строк.

   стек

   PythonFastAPIPostgreSQLRedisReact

   Читать разбор >Связаться >
3. 03Событийный push-движок на Kafkaпоток телеметрии на пиках нагрузки, доставка <500 мс, ноль потерь сообщений.+
   проблема

   на пиках нагрузки терялись сервисные push-уведомления и кликстрим аналитики.

   ограничения

   решение

   Построил событийно-ориентированный пайплайн на Apache Kafka (Consumer Groups, DLQ) в AWS и Kubernetes для потоковой передачи кликстрима напрямую в асинхронный push-движок на FastAPI и живой React-интерфейс: продюсеры пишут события, консьюмеры разбирают их батчами без задержек. Мониторинг через OpenTelemetry и Grafana с алертами в Telegram.

   trade-off

   Kafka добавила инфраструктурной сложности, но исключила рассинхрон аналитики и гарантировала мгновенную доставку триггерных пушей.

   стек

   PythonFastAPIApache KafkaCeleryDockerKubernetesOpenTelemetryGrafana

   Читать разбор >Связаться >
4. 04Мультиагентный delivery-пайплайнпоставка фич сокращена с ~2 ч до ~40 минут; со 100% контрактным покрытием тестами, галлюцинации в прод не проходят.+
   проблема

   рутинные модули и регрессионные проверки отнимали часы разработки при расширении кодовой базы.

   ограничения

   Полная изоляция контекстов субагентов и автоматический запрет на пропуск линтеров и тестов.

   решение

   Спроектировал изолированный мультиагентный пайплайн разработки: задача анализируется PRD-агентом, строгие DTO-контракты и тесты пишутся до кода в TDD red-phase, реализация идёт в изолированных контекстах, а ревьюер-гейт автоматически проверяет архитектурные инварианты репозитория через кастомные MCP-серверы.

   trade-off

   Строгая формализация контрактов требует 10 минут на старте, зато экономит часы на отладке и интеграции.

   стек

   PythonFastAPIClaude CodeMCPPydanticVitestPlaywright

   Связаться >
5. 05Задания с вознаграждениями и антифродмасштабирование до 1 000 DAU за 3 месяца; 100% выплат проверяемы, отсечены мошеннические дубликаты.+
   проблема

   масштабирование платных заданий требовало защиты от накруток, дубликатов и поддельных пруфов.

   ограничения

   Сотни выполнений в день, защита от мошеннических накруток без замедления честных выплат.

   решение

   Смоделировал полный жизненный цикл задания от взятия до выплаты: адаптивный React-кабинет для выполнения заданий и проверки пруфов через WebSockets в реальном времени, чат-боты для удержания и возврата, очередь асинхронной модерации с антифрод-валидацией, а также глубокий трекинг UTM и реферера с когортными метриками активности.

   стек

   ReactTypeScriptRedux ToolkitPythonFastAPIPostgreSQLWebSockets

   Связаться >
6. 06Конструктор кампаний и таблица на 100k строкмаркетинговая выручка без участия разработчиков — ~$80K в месяц; ускорение таблицы на 100 тыс. строк с 8 с до менее 1 секунды.+
   проблема

   маркетологи зависели от разработчиков для запуска пушей, а таблица скоринга на 100 тыс. строк открывалась по 8 секунд.

   ограничения

   Тяжёлые скоринговые выборки в реальном времени и необходимость автономной работы маркетологов без риска уронить прод.

   решение

   Разработал no-code визуальный конструктор маркетинговых кампаний: маркетологи самостоятельно настраивают сегменты аудитории и триггеры рассылок без участия разработчиков. Оптимизировал выборки PostgreSQL составными индексами, вынес тяжёлые задачи в Celery/Redis и внедрил клиентскую виртуализацию: интерфейс плавно рендерит 100 000 строк скоринга с мгновенным откликом.

   trade-off

   Виртуализация требует фиксированной геометрии строк, зато DOM остаётся легковесным при любом объёме данных.

   стек

   PythonFastAPIReactPostgreSQLRedisCelery

   Читать разбор >Связаться >

1. 01 · 2022 — 2024

   Appbooster

   удалённо · авг 2022 — авг 2024 · 2 года

   Платформа мобильного маркетинга и роста аудитории: продвижение мобильных приложений для клиентов в 26 странах.

   
   роль

   Full-Stack Engineer

   product

   Автономный AI-агент обработки лидов, каскад моделей, платформа заданий и микросервисы

   достижения

   • Утроил месячную выручку канала с ~$47K до ~$141K и сократил время ответа лиду с ~8 мин до <30 с: возглавил разработку автономного AI-агента обработки лидов с Tool Calling во внешние CRM (3-месячный trial: люди / гибрид / ИИ)

   • Спроектировал каскад роутинга моделей по порогу уверенности на FastAPI и Redis: стоимость обработки лида через LLM API снижена в 10 раз без потери качества (легковесные модели эскалируют к Claude / GPT-4 только сложные кейсы)

   • Сделал 100% выплат проверяемыми и масштабировал платформу заданий до 1 000 DAU за 3 месяца: асинхронный пайплайн модерации с антифрод-правилами, React-кабинет на WebSockets и когортная UTM/referrer-атрибуция

   • Перевёл легаси-монолит на PHP в асинхронные микросервисы на Python/FastAPI: пропускная способность бэкенда +40% без простоя, React-хаб интеграций с CRM и рост конверсии SPA в ~1,5 раза (Lighthouse 58 > 87)

   PythonFastAPIReactTypeScriptRedux ToolkitPostgreSQLRedisApache KafkaAWSDockerWebSocketsLLM APIsPlaywrightJestAnt Design
2. 02 · 2024 — сейчас

   ID Finance

   удалённо · сент 2024 — наст. время · 2 года

   Платформа цифрового кредитования и скоринга. Получил промоушен до Senior за техническое лидерство и системный вклад.

   
   роль

   Senior Full-Stack Engineer (05/2025–н.в.) · Full-Stack Engineer (09/2024–05/2025)

   product

   AI-пайплайн проверки документов, кредитные отчёты на 20 млн строк, мультиагентный пайплайн, push-движок на Kafka, конструктор кампаний

   достижения

   • Автоматизировал проверку документов заёмщиков за <15 с и снизил ручную нагрузку на ~60%: иерархический AI-пайплайн разбора файлов (AWS S3, Vision LLM, гибридный поиск PostgreSQL pgvector + BM25, реранкинг) под графом агентов LangGraph, MCP и схемами Pydantic

   • Возглавил команду из 3 инженеров: продукт кредитных отчётов вышел в прибыль в первую неделю (+40% к чистой прибыли, EPC $1.9 → $3.8); асинхронный бэкенд на FastAPI со скорингом по 20 млн строк (PostgreSQL составные индексы, Redis)

   • Сократил поставку фич с ~2 ч до ~40 мин со 100% тест-покрытием: автономный пайплайн из 5 субагентов (PRD, TDD, FastAPI/React, ревьюер-гейт) на Python SDK (Anthropic/OpenAI), схемах Pydantic и кастомных MCP-серверах

   • Событийно-ориентированный пайплайн на Apache Kafka (Consumer Groups, DLQ) в AWS и K8s: стриминг телеметрии в асинхронный push-движок на FastAPI — доставка <500 мс, ноль потерь на пиках нагрузки

   • Обеспечил ~$80K/мес маркетинговой выручки без участия разработчиков и ускорил таблицу скоринга на 100 тыс. строк с 8 с до <1 с: визуальный конструктор кампаний (React, FastAPI, Celery/Redis) и оптимизация PostgreSQL с виртуализацией строк

   PythonFastAPIasyncioLangGraphPostgreSQLRedisApache KafkaCeleryReactAWSDockerKubernetesGitLab CI/CDOpenTelemetryClaude CodeMCPAnthropic/OpenAI Python SDK