Портфолио и кейсы фрилансеров по vibe coding и разработке с ИИ

Мультиагентный пайплайн, который автоматически создаёт готовые к публикации маркетинговые кейсы «с нуля»: находит реальные проблемы в заданной нише, самостоятельно ищет в интернете недостающие рыночные данные, формулирует решение, пишет черновик, проверяет его независимым агентом-критиком, дорабатывает по замечаниям и приводит текст к естественному, «человеческому» стилю. Готовый кейс автоматически публикуется на сайте компании. Стек: Python, FastAPI (Clean Architecture), LangGraph (оркестрация агентов и цикл ревизии), Qdrant (RAG-память по нишам и примерам кейсов), SQLAlchemy/Alembic, Telegram-бот для модерации публикации, n8n для расписания и уведомлений. Результат: сокращение времени на создание одного кейса с часов ручной работы маркетолога до нескольких минут автоматической генерации, с сохранением достоверности данных и качества текста.

Умный чат-бот, который не просто отвечает на сообщения, а по-настоящему помнит контекст: запоминает факты о пользователе по его команде, умеет искать ответы в загруженных документах и подстраивается под выбранный стиль общения (личный ассистент, эксперт, наставник и т.д.). Что умеет: - Запоминает важные факты о пользователе и использует их в будущих ответах - Отвечает на основе загруженных документов — находит нужный фрагмент и даёт ответ со ссылкой на источник - Переключается между разными "личностями" — от делового ассистента до дружелюбного собеседника - Позволяет выбирать, какая AI-модель отвечает на сообщения - Есть отдельная защищённая панель для управления базой знаний и профилями — без доступа к коду Как сделано: Проект построен по принципам чистой архитектуры — код разделён на понятные независимые слои, что делает систему надёжной и простой в развитии. Всё упаковано в контейнеры и готово к развёртыванию на реальном сервере с автоматическим резервным копированием, HTTPS и мониторингом состояния.

Цифровой консультант, обеспечивающий круглосуточный доступ к экспертным знаниям о портативном рентгеновском аппарате «Пардус-Р» для сотрудников компании, медицинских специалистов и потенциальных заказчиков. AI-консультант создан для накопления, систематизации и распространения продуктовой экспертизы по аппарату «Пардус-Р». Система выполняет функции цифрового продуктового эксперта, обеспечивая единый центр знаний по техническим характеристикам, сценариям применения, нормативной документации, клиническим преимуществам и особенностям эксплуатации оборудования. AI-ассистент использует корпоративную базу знаний и отвечает на вопросы пользователей о технических характеристиках, возможностях применения, нормативной документации, комплектации, преимуществах и особенностях эксплуатации оборудования.

Десктоп-помощник: скриншот вопроса из приложения с билетами → OCR/поиск по базе билетов ПДД → правильный ответ и пояснение. Собрано как локальное .app (Electron + Vite); база вопросов собирается/обогащается отдельными скриптами. Стек: Electron, React, Vite, Tesseract/OCR, Node, Python-утилиты для БД билетов. Роль: продукт + реализация desktop-контура.

MVP-конструктор презентаций: форма с идеей → генерация структуры/контента через LLM → превью → экспорт PPTX. Собран как базовая платформа под наращивание (корпоративный стиль, связка с базой знаний — в бэклоге). Сделан за короткий цикл как рабочий end-to-end, не как макет. Стек: React + Express/TS, OpenRouter/OpenAI, pptxgenjs (дальше — PostgreSQL/Redis/MinIO в архитектуре платформы). Роль: архитектура MVP + реализация пайплайна.

Тулкит для нескольких локальных позиционирований CV и сверки с тем, что опубликовано на площадках. Учтены ограничения API: у HH соискательский API сильно урезан; у LinkedIn без Talent API — по сути базовый профиль. Рабочий контур: типы CV, импорт PDF/HTML, сверка локального ↔ площадок, разбор писем «резюме привлекло внимание», пакеты откликов, поиск вакансий через публичный HH API. Стек: Python/FastAPI, React, Electron, SQLite, Docker. Роль: постановка продукта + реализация web/desktop контура.

Контур для работы с облачной LLM без утечки чувствительных данных наружу: локально маскируем сущности → запрос уходит в облако → ответ демаскируется. MVP трёхшагового цикла: каталог сущностей, API, пошаговый UI, настройка промпта детекта. On-prem модель (Ollama) для mask/demask; генерация — через облачный провайдер (OpenRouter и аналоги). Стек: FastAPI, React/TS/Vite/Tailwind, Ollama, OpenRouter, Docker. Роль: архитектура пайплайна + full-stack реализация MVP.

Исследовательский engineering-контур по рыночным данным: интеграции с брокерскими и биржевыми API → кэш истории и дня → гипотезы → аналитика/графики → ML на удалённом GPU. Собраны backend (Go/gRPC), frontend аналитики, prod/dev контуры, remote ML-сервис. Фокус публичного показа — технологический пайплайн и research-цикл, не торговый бот. Стек: Go, gRPC, PostgreSQL, frontend UI, Finam / Tinkoff / MOEX API, remote ML + GPU, Docker. Роль: архитектура + реализация ключевых контуров (данные, API, ML-обвязка, UI).

Собрал корпоративную базу знаний из справки, FAQ, статей и материалов поддержки — и поверх неё прикладного ИИ-помощника для техподдержки и техпресейла. Стартовали с гипотезы «взять готовый OpenWebUI». Не подошёл по гибкости и ролям. На Qdrant сделали свой слой ingestion/индекса и чат; затем расширили до Workspace-рантайма: классификация запроса, маршрутизация способностей (поиск по KB, вложения/OCR, сценарии трекера), события и инструменты вместо «одного длинного промпта». Стек: Python/FastAPI, Celery, React, PostgreSQL, Redis, Qdrant, Docker; LLM — llama.cpp / Ollama / vLLM (+ облако по необходимости). Интеграции: YouTrack, RoboHelp. Роль: архитектура контура + постановка и ведение реализации (код — в т.ч. с ИИ-агентом под управлением). На скринах — showroom/demo UI без контура заказчика.

Локальный пайплайн: длинная история Telegram-группы/канала → темы и факты в KB → RAG с опорой на источники. Ingest (Telethon / экспорт) → Postgres → эмбеддинги + Qdrant → ask через vLLM. Добавлены склейка тредов, KB-pipeline (summary/facts/qa со ссылками на сообщения), фоновые воркеры и SwiftUI-оркестратор поверх CLI. Стек: Python (Typer, FastAPI, Telethon), PostgreSQL, Qdrant, embedding-сервис, vLLM, Docker Compose, SwiftUI. Роль: проектирование пайплайна и реализация end-to-end. Скрины — showroom UI на fixture-данных, без live Telethon-сессии.