Дмитрий Одегов

Senior Software Engineer / AI Engineer

Architecture · Backend · Agentic AI · Full-cycle Engineering

Строю production-системы на стыке backend, архитектуры и AI. Основа ‒ backend-разработка и проектирование корпоративных систем; сейчас специализируюсь на agentic AI: мультиагентных системах, RAG, tool calling, AI workflows и инженерной инфраструктуре вокруг LLM. Беру задачу от бизнес-требований и архитектуры до реализации, интеграций, frontend и production.

Коротко обо мне

Я инженер с сильной базой в backend и архитектуре корпоративных систем, но значительную часть продуктов разрабатывал full-cycle — от требований и архитектуры до backend, frontend, интеграций и production.

Сегодня я специализируюсь на production AI: agentic systems, RAG, multi-agent architectures и AI-assisted engineering. При этом сохраняю тот же инженерный подход, который использовал в backend и fullstack-разработке.

Как я подхожу к разработке

Начинаю не с технологии, а с задачи и ограничений системы.

  1. 01

    Требования и границы

    Формализация требований, границ продукта и ограничений: что система должна делать, а что ‒ нет.

  2. 02

    Архитектура и данные

    Границы сервисов, API, модели данных и интеграции. Декомпозиция требований в поддерживаемую архитектуру.

  3. 03

    Реализация

    Backend, AI-компоненты, frontend и инфраструктура ‒ инструменты выбираются после архитектуры, а не до неё.

  4. 04

    AI как часть системы

    LLM и агенты получают интерфейсы, бизнес-правила, инструменты, ограничения, проверки и наблюдаемость ‒ а не заменяют архитектуру.

  5. 05

    Production

    Тестируемость, наблюдаемость, поддерживаемость и эксплуатация важнее эффектного демо.

Такой подход позволяет использовать AI для ускорения разработки, не превращая production-код в набор непредсказуемых решений.

AI engineering, а не vibe coding

Инженерный подход к AI-разработке

Использую AI как часть инженерного процесса, а не как замену инженерной работе.

В AI-разработке опираюсь на опыт backend и архитектуры: заранее определяю правила системы, структуру проекта, интерфейсы компонентов, бизнес-ограничения и критерии качества.

Для AI-assisted development использую собственный инженерный harness: набор правил, архитектурных паттернов, backend/frontend conventions, business constraints и guardrails, которые помогают AI работать внутри заданной системы, а не проектировать её заново на каждом шаге.

Правила раньше промптов

Бизнес-правила, conversation rules и критерии качества фиксируются до подключения моделей.

Граница LLM и детерминированной логики

AI генерирует контент и решения внутри допустимой модели данных; проверки, биллинг и сайд-эффекты остаются в deterministic backend-коде.

Наблюдаемость и оценка

Логирование вызовов, тестирование сценариев и оценка качества retrieval/ответов ‒ обязательная часть AI-компонента.

Мой инженерный профиль

Одна ось: Архитектура → Backend & Fullstack → AI Engineering → Production

Architecture

Проектирование систем, границ компонентов, API, данных и интеграций.

Backend

Python / FastAPI, асинхронные сервисы, API, бизнес-логика, PostgreSQL, очереди, кэширование и интеграции.

Fullstack

Web-приложения и клиентские интерфейсы на React/Vue, realtime, desktop/mobile delivery через web-based clients и соответствующие платформенные инструменты.

AI Engineering

Agentic AI, multi-agent systems, RAG, tool calling, MCP, orchestration, evaluation и production LLM integration.

Production

Docker, Linux, CI/CD, monitoring, deployment и эксплуатация.

Ключевые проекты

Инженерные кейсы: продукт, задача, моя роль, решения и результат. Стек ‒ в самом низу каждой карточки.

Ключевые проекты

Multi-Agent AI Support Platform ‒ Beeline

Production-ориентированная AI-система техподдержки с multi-agent orchestration, RAG, бизнес-правилами и интеграциями с backend API.

Мультиагентная AI-система техподдержки: диалог, корпоративная база знаний и вызов backend-инструментов по бизнес-правилам.

Подробнее →
Python FastAPI Pydantic-AI RAG Weaviate PostgreSQL Temporal Redis LiteLLM React

Корпоративный мессенджер

Полноценный fullstack-корпоративный мессенджер: архитектура, backend, web-клиент, desktop-клиенты для Windows и Linux, Android-клиент, дизайн, интеграции и deployment.

Проект реализован end-to-end одним разработчиком — от архитектуры и UX/UI до backend, клиентских приложений и production deployment.

Подробнее →
Python FastAPI SQLModel PostgreSQL RabbitMQ Redis WebSocket S3 JWT Vue.js Tauri Capacitor Docker Nginx

AI-редактор лендингов

Fullstack AI-продукт для генерации и визуального редактирования лендингов: архитектура, backend, frontend, UI/UX, AI-интеграции, deployment и отдельный Go-based serving layer для опубликованных страниц.

Полный цикл разработки продукта: от интерфейса редактора и AI-взаимодействия до хранения и публикации готовых лендингов через отдельный высокопроизводительный слой рендеринга и выдачи.

Подробнее →
Python FastAPI Vue.js Pydantic-AI LiteLLM OpenRouter PostgreSQL RabbitMQ S3 WebSocket Go Docker Nginx

Планировщик кухни с ИИ

Микросервисное AI-приложение для планировки кухни: архитектура, backend, realtime-интеграции и техническое руководство backend-командой.

Архитектурная ответственность: границы микросервисов, realtime, очереди, AI-модели и техническое руководство backend-командой.

Подробнее → Презентация проекта →
Python FastAPI PostgreSQL SQLAlchemy RabbitMQ Redis S3 WebSocket Aiogram Docker

Другие проекты

Энциклопедия авиации + RAG

Полный цикл: knowledge base, ingestion/ETL, embeddings, retrieval pipeline и RAG поверх структурированных источников.

Python FastAPI PostgreSQL pgvector Elasticsearch

Корпоративная ERP-система

Инженерная база: полный цикл описания бизнес-процессов компании и гибридная архитектура с модернизацией legacy.

MSSQL C# .NET Python FastAPI

API и личный кабинет

REST API и клиентский портал для оптовой организации с интеграцией данных и web-интерфейсом.

Go React MSSQL Redis JWT

Сервис резюме с ИИ

Full-cycle AI-сервис: анализ опыта, подбор вакансий, сопроводительные письма и web-интерфейс.

Python FastAPI PostgreSQL Redis OpenAI API

Как сформировался мой профиль

Не копия резюме, а нарратив профессионального развития: корпоративные системы → backend → архитектура → full-cycle → AI engineering.

  1. 2018–2023

    Lead Developer ‒ корпоративные системы

    C#/.NET → Python → Web → Go → ML

    Модернизация legacy-систем, backend, API, бизнес-процессы, архитектура.

  2. 2023–2025

    Senior Backend Developer

    Python/FastAPI, микросервисы, инфраструктура

    Микросервисы, AI/ML-продукты, инфраструктура и техническое лидерство.

  3. 2025

    AI / Full-cycle Engineering

    RAG, LLM integrations, fullstack

    AI-продукты, RAG, интеграции LLM, fullstack-доставка от идеи до production.

  4. 2026+

    Senior AI Engineer

    Agentic AI, multi-agent systems, RAG, MCP

    Production AI: агентные архитектуры, knowledge base, AI engineering harness.

Engineering principles

Senior mindset без слов «ответственный и стрессоустойчивый».

Архитектура раньше фреймворка

Сначала определяю границы системы и ответственность компонентов, потом выбираю инструменты.

AI ‒ часть системы

LLM и агенты получают интерфейсы, ограничения, инструменты, правила и наблюдаемость.

Простое решение лучше сложного

Не добавляю микросервис, очередь или AI-компонент только потому, что технология доступна.

Production важнее demo

Система должна быть тестируемой, наблюдаемой, поддерживаемой и пригодной к эксплуатации.

Технологии решают задачу

Стек выбирается под ограничения продукта, а не наоборот.

Core stack

Стек как подтверждение профиля, а не главное содержание сайта.

Основной стек

Python FastAPI PostgreSQL AsyncIO SQLAlchemy Pydantic React/Vue Docker Linux

AI

Agentic AI Multi-Agent Systems RAG Tool Calling MCP LLM APIs Embeddings Vector Search AI Evaluation

Infrastructure

Redis RabbitMQ Temporal S3 CI/CD Monitoring Logging

Дополнительный опыт

Go C#/.NET MSSQL MongoDB Elasticsearch Django

Связаться со мной

Контактная информация

Показать
tg Показать