резюме / ai tech lead / агентная разработка для enterprise

AI Tech Lead.

16 лет enterprise-инженерии (ERP/1С, интеграции, регулируемые отрасли) на пересечении с production-практикой AI: агентные системы, RAG, интерпретируемость LLM. Строю конвейеры разработки, в которых AI-агенты пишут и проверяют код, а инженерные стандарты и приёмка удерживают качество.

16 летenterprise-инженерии

до 15человек в команде

60runtime-команд в Agent API

50Mпараметров — своя LLM с нуля

Инженерные стандарты и приёмка — вместо «вайб-кодинга».

→

Позиционирование

enterprise-инженерия × agentic AI

AI Tech Lead — архитектура, команда, инженерные стандарты

AI под контролем

16 лет enterprise-инженерии (ERP/1С, интеграции, регулируемые отрасли) × production-практика AI (агентные системы, RAG, интерпретируемость LLM). Строю конвейеры разработки, в которых AI-агенты пишут и проверяют код, а инженерные стандарты и приёмка удерживают качество. Специализация — перенос агентной разработки в контуры, где цена ошибки высока: регламенты, приёмка, измеримое качество вместо «вайб-кодинга».

Целевая роль — AI Tech Lead / руководитель направления AI-инструментов разработки: архитектура, команда, инженерные стандарты, контролируемое внедрение с измеримым качеством.

16 лет в 1С и enterprise-системах — актив на пересечении с AI: понимание регламентов, приёмки и цены ошибки в контурах, где нельзя просто «попробовать нейронку».

Форматы работы

как можно работать

Первая версия продукта Быстро проверить идею на практике: цель, границы, план работ, реализация, демонстрация и решение, что делать дальше.

Внутренний инструмент Автоматизировать ручной B2B-процесс без зоопарка скриптов: роли, данные, интеграции, доступы и понятная эксплуатация.

AI в разработке без хаоса Настроить или проверить, где AI реально ускоряет команду, а где создает риски для качества, сроков и данных.

Техническое руководство Взять ответственность за решение, постановку задач, проверку результата и ритм поставки в роли руководителя продукта или разработки.

▤

Как веду работу

понятный процесс без хаоса

Разбор задачи и границыФиксирую бизнес-цель, пользователей, ограничения, риски, критерии приемки и то, что точно не делаем в первой версии.

План решенияОписываю данные, интеграции, роли, ошибки, ответственность и путь внедрения до начала реализации.

Задачи для людей и AI-помощниковРазделяю работу на маленькие проверяемые шаги: где помогает AI, где нужен разработчик, где решение должен принять руководитель.

Проверки и качествоПроверяю изменения, запускаю автоматические тесты, смотрю риски для данных, безопасности, сроков и поддержки.

Внедрение и приемкаДовожу до рабочего контура, демонстрации, обратной связи и следующего решения: развивать, урезать первую версию или закрыть эксперимент.

{ }

Основания

опыт + практика

Enterprise-база — 16 лет

16 лет 1С команда до 15 человек 10+ CI/CD-конвейеров 1С:Шина / OData / REST ERP ↔ MES/TeamCenter Directum RX регулируемые отрасли

Руковожу командами до 15 человек: 1-1, ИПР, бюджеты, риски, техдолг. Построил 10+ CI/CD-конвейеров 1С с нуля (GitLab CI, Docker, SonarQube, Vanessa Automation, EDT + Git) и обучил им команды заказчиков. Интеграционная архитектура: 1С:Шина, OData, REST; ERP ↔ MES/TeamCenter; 1С ↔ Directum RX — коробочный модуль на расширениях. Как технический архитектор в транспорте и строительстве сократил ручные операции более чем на 100 часов в день и поднял отказоустойчивость интеграционного контура на порядок. Отрасли: оборонная, атомная, нефтегаз, транспорт, ритейл, медицина; миграция ERP 2.1 → 2.4 без остановки бизнес-процессов.

AI-инженерия — открытые артефакты

открытый код агентные системы RAG MCP интерпретируемость 50M LLM с нуля

Три открытых проекта — от реверса протокола отладки и Agent API до RAG-платформы с eval-loop и тулкита интерпретируемости LLM — держу сам, от исследования до релиза. Ежедневно работаю по фазовому конвейеру research → design → plan → code → test → review → quality gate с мультиагентной координацией через файловую шину.

{ }

Что я строю сейчас

github.com/lekot

CDT 41 — VS Code-платформа для 1С

MIT · 40+ ★ · 25 релизов

Реверс закрытого протокола отладчика (RDBG) и собственный debug adapter (DAP), дерево и визуальные редакторы метаданных, Agent API на 60 runtime-команд — LLM-агент управляет метаданными, формами и отладкой без человека за рулём IDE.

→ GitHub

RAG-Platform — Pipeline-as-a-Service для документов

open-core · AGPL-3.0

No-code лаборатория чанкеров, эмбеддеров, реранкеров и LLM; eval-loop для измеримого качества ответов; multi-tenancy, RBAC, Helm-чарт — разворачивается в контуре заказчика.

→ GitHub

llm-latent-language — интерпретируемость LLM

open source · MIT

Извлечение концептов до их вербализации, steering со знаковыми контролями и provenance-протоколом. Результат: причинная управляемость составных концептов эмерджентна по масштабу (возникает между 3B и 7B) — воспроизводимые эксперименты в репозитории.

→ GitHub

Ежедневная практика агентной разработки

метод работы

Фазовый конвейер research → design → plan → code → test → review → quality gate; мультиагентная координация через файловую шину; собственная 50M-модель, обученная с нуля (токенайзер, корпус-пайплайн, eval) как стенд для архитектурных экспериментов.

Условия и контакты

от 450 000 ₽ · только удалённо

AI Tech Lead / руководитель направления AI-инструментов разработки

от 450 000 ₽ только удалённо

Архитектура, команда, инженерные стандарты, контролируемое внедрение с измеримым качеством.

На старте готов показать результат измеримым пилотом: первый агентный конвейер на вашем контуре с метриками качества.

@ kotvomne@ya.ru → Telegram { } GitHub

Классическое 1С-резюме

та же база, управленческий акцент

Руководитель отдела 1С / учетных систем

16 лет · команда до 15 · от 400

Для классической роли руководителя 1С-направления есть отдельная версия резюме: управление разработкой и сопровождением, интеграции, качество изменений, релизы, экономика проектов и предсказуемость поставки.

→ Открыть 1С-резюме txt Текстовая версия