# Мои проекты

Мои лучшие проекты здесь не появятся никогда.

High-load Compliance Platform

Платформа комплаенс-отчётности для высоконагруженного транзакционного контура

PostgreSQL 16 PL/pgSQL High-load

AI-конструктор сайтов

Платформа, где диалог с AI превращается в опубликованный статический сайт

Node.js TypeScript Claude CLI

AI Shopping Automation

Платформа автоматизации регулярных закупок: от чеков до корзины

.NET 8 PostgreSQL Electron

AI Agent Orchestrator

Платформа оркестрации AI-агентов: workspace, DAG-воркфлоу, multi-runner

Node.js XML DAG Claude CLI

High-load Compliance Reporting Platform

Платформа комплаенс-отчётности для высоконагруженного транзакционного контура

PostgreSQL 16 PL/pgSQL Message Broker High-load Partitioning JSONB

Database-first backend для обработки потоковых результатов проверок транзакций по контрольным спискам. Система принимает события из брокера сообщений, нормализует вложенные JSON-данные, хранит их в партиционированной PostgreSQL-базе и генерирует регламентные и пользовательские отчёты на больших объёмах.

              
              PostgreSQL 16 как ядро хранения, обработки и отчётности
            

              
              PL/pgSQL для ingestion, нормализации, бизнес-правил и генерации отчётов
            

              
              Потоковая интеграция через message broker, batch-загрузка и валидация
            

              
              Time-based partitioning с автоматическим управлением партициями и TTL
            

              
              BRIN, B-tree, GIN, covering indexes — индексы под разные паттерны запросов
            

              
              Системное логирование, мониторинг и performance-тесты на реальных объёмах
            

Масштаб: система рассчитана на обработку миллионов транзакционных событий в сутки и долгосрочное хранение терабайтного исторического архива.

Подробнее о проекте

Проект представлял собой высоконагруженную комплаенс-платформу для финансового транзакционного контура. Основная задача системы — надёжно принимать потоковые результаты проверок, преобразовывать сложные входные структуры в нормализованную модель данных, рассчитывать итоговые статусы по доменным правилам и предоставлять отчётность для операционного контроля.

Архитектура была построена вокруг PostgreSQL как активного backend-слоя. Внутри базы были реализованы хранение, обработка, отчётный движок, управление жизненным циклом данных и часть эксплуатационной автоматизации. Такой подход позволил держать критичную бизнес-логику ближе к данным, снизить лишние перемещения больших объёмов и обеспечить предсказуемую производительность.

Для устойчивой работы использовались партиционирование по времени, batch-загрузка, специализированные индексы, нормализация JSONB, материализованные отчётные структуры, TTL для разных классов данных, системное логирование и регламентные maintenance-задачи.

AI-конструктор сайтов для микробизнеса

Платформа, где предприниматель общается с AI в чате, а система по диалогу собирает и публикует статический сайт

Node.js TypeScript SQLite Claude CLI SSE nginx React

Спроектировал и собрал backend-архитектуру AI-конструктора сайтов, где пользовательский диалог превращается в опубликованный статический сайт. Система изолирует tenant-данные, управляет AI-сессиями, файлами и предпросмотром, а историю чата строит как безопасную восстанавливаемую проекцию из runtime transcript.

              
              Multi-tenant архитектура: каждый пользователь в отдельном workspace и tenant storage
            

              
              Session-first AI runtime: контекст модели живёт в AI-сессии, а не в самодельной склейке истории
            

              
              Разделение режимов: выбор адреса и генерация сайта — в разных AI-сессиях, setup не загрязняет продуктовый контекст
            

              
              Rebuildable UI projection: история чата восстанавливается из runtime transcript, frontend не видит tool payload и thinking blocks
            

              
              File bridge: файлы пользователя не уходят в prompt как base64, AI получает manifest и локальные references
            

              
              Preview pipeline: статические файлы публикуются через wildcard routing и tenant symlink registry
            

Подробнее о проекте

Пользователь заходит через Web UI или мессенджер, описывает бизнес обычным языком, загружает материалы и отвечает на уточняющие вопросы. AI-агент работает в изолированном workspace пользователя, генерирует файлы сайта, публикует результат в preview-домене и сохраняет историю как восстанавливаемую проекцию для интерфейса, поиска и левой панели чатов.

Главный архитектурный принцип: AI-сессия хранит контекст диалога, приложение хранит продуктовые данные. Это убирает дублирование «памяти» между приложением и AI-runtime. Backend не пересобирает старую переписку в prompt и не прокидывает «Previous conversation» вручную. Вместо этого он возобновляет Claude session, а собственное хранилище использует как registry, metadata и sanitized UI projection.

API-first frontend: Web UI ничего не знает о деталях Claude CLI, файловой структуры и runtime-сессий. Вся логика инкапсулирована в backend API, что позволяет менять AI-провайдера или транспорт (SSE, WebSocket) без изменений на клиенте.

AI Shopping Automation Platform

Персональная платформа автоматизации регулярных закупок: от сбора чеков и прогнозов до оформления корзины через desktop-агента

.NET 8 PostgreSQL pgvector LLM Electron Docker Next.js

Спроектировал и реализовал архитектуру AI-powered shopping automation platform: backend, multi-tenant runtime, LLM orchestration, desktop automation agent, data pipelines, observability, documentation workflow and deployment model.

              
              Per-tenant isolation через отдельные Docker compose стеки под управлением Gate Service
            

              
              Declarative AI Task Engine: задачи описываются SQL, prompt и endpoint config в БД, без отдельных сервисов
            

              
              Единый LLM tool-call runner для чата, Telegram и фоновых задач
            

              
              Multi-provider LLM: разные модели для chat/background/embeddings/filtering, rate limiting, reasoning control
            

              
              Desktop-agent: SSE command bus, heartbeat, deep links, auto-update, CDP browser automation
            

              
              Pipeline обработки чеков: fetch, parse, embeddings, classify, link products, forecast, shopping list
            

Подробнее о проекте

Проект решает бытовую, но технически сложную задачу: автоматизировать цикл продуктовых закупок от сбора чеков до формирования корзины. Система собирает данные из email-чеков, нормализует товары, классифицирует позиции через AI, строит прогнозы остатков, формирует плановый и срочный списки покупок, а затем отправляет команды desktop-агенту, который ищет товары и собирает корзину в онлайн-магазине.

Архитектурно это не «чатик с AI», а полноценная продуктовая система. Backend построен как .NET 8 API с PostgreSQL/pgvector, декларативным движком фоновых AI-задач, cron-цепочками, SSE-стримингом и строгими границами доменной модели. Frontend — Next.js/React-интерфейс для управления закупками, прогнозами, AI-ассистентом, агентом и настройками.

Отдельная сильная часть — multi-tenant runtime. Вместо хрупкой per-schema модели используется Gate Service, который управляет отдельными Docker-стеками для тенантов: свой API, frontend и PostgreSQL на каждый изолированный контур. Gate отвечает за login flow, provisioning, routing, health-checks и жизненный цикл стеков.

Для автоматизации магазинов реализован desktop-agent на Electron/TypeScript. Сервер остаётся источником бизнес-логики, а агент работает как исполнитель: получает команды по SSE, управляет браузером через Chrome DevTools Protocol, обходит ограничения обычного API магазинов, возвращает структурированные результаты и статусы.

AI Agent Orchestration Platform

Self-hosted платформа для управления AI-агентами: workspace-модель, DAG-оркестратор, файловое состояние и управляемый жизненный цикл

Node.js TypeScript Next.js Claude CLI XML DAG Telegram PM2

Спроектировал и реализовал платформу оркестрации AI-агентов: backend на Node.js/TypeScript, web-интерфейс на Next.js, Telegram-интеграции, XML workflow engine, streaming-протокол, файловое хранилище конфигов и истории, слой запуска CLI-агентов и lifecycle management дочерних процессов.

              
              Workflow as DAG: XML-сценарии парсятся в граф шагов с зависимостями, условиями, retry и параллельным выполнением
            

              
              Multi-agent workspaces: workspace объединяет проект, агентов, промпты, историю, workflow и настройки исполнения
            

              
              Runner abstraction: Claude CLI, GLM CLI и OpenCode подключаются через общий слой streamAgent
            

              
              File-based state: YAML, JSONL и XML как прозрачное состояние: читаемое, версионируемое, переносимое
            

              
              Process lifecycle management: registry активных оркестраций, таймауты, запрет вложенных запусков, graceful shutdown
            

              
              Security by configuration: read-only режимы, whitelist инструментов, sandbox для файлов, Telegram allowlist
            

Подробнее о проекте

Это внутренняя платформа для оркестрации AI-агентов в рабочих проектах. Она решает задачу, которая быстро появляется при реальном использовании LLM не как «чата», а как исполнительной среды: нужно управлять разными агентами, хранить историю, подключать их к репозиториям, разделять роли, запускать многошаговые процессы и не терять контроль над процессами, контекстом и ресурсами.

В основе платформы лежит модель workspace. Каждый workspace описывает проект, набор агентов, системные промпты, доступные workflow и параметры исполнения. Обычный чат работает через OpenAI-compatible API, а workspace-агенты запускаются через CLI-раннеры в контексте конкретной директории проекта. Это даёт агентам доступ к файлам, git, shell и MCP-инструментам, но при этом оставляет управление сессиями, правами, логами и остановкой процессов на стороне платформы.

Ключевая часть архитектуры — workflow engine. Сценарии описываются в XML, парсятся в DAG шагов и исполняются с учётом зависимостей, условий, retry-логики и статусов. Оркестратор может делегировать шаги разным ролям: архитектору, backend-разработчику, фронтендеру, ревьюеру или документатору. Независимые шаги запускаются параллельно, а прогресс транслируется в интерфейс через единый streaming-протокол.

Платформа поддерживает несколько режимов работы: standalone-чаты, full workspace с оркестрацией, simplified workspace для одного Telegram-агента, OpenCode runner для альтернативных LLM-исполнителей и headless night-work режим для автономного выполнения задач по расписанию.