Примеры работ и кейсы по направлению «C++»

Разрабатываю в одиночку Open Source движок на Vulkan. На данный момент есть PBR, различная базовая пост обработка и интерфейс для создания сцены. Еще много работы предстоит

Видеоплеер с базой данных фильмов

Программа-тренажер для обучения настройки гитары.

Self-hosted приложение для умного поиска по документам с использованием больших языковых моделей. Возможности: — Загрузка PDF, DOCX, TXT, MD-файлов — Векторная индексация документов (ChromaDB) — Q&A с цитированием конкретных фрагментов источника — пользователь видит, откуда взят ответ — Двуязычный интерфейс RU/EN с переключателем — Поддержка любых OpenAI-совместимых API: OpenAI, Anthropic Claude, NVIDIA NIM, OpenRouter, локальные модели через Ollama — Запуск одной командой через Docker Архитектура и стек: — FastAPI + Uvicorn — асинхронный backend — ChromaDB — локальная векторная БД для хранения эмбеддингов — tiktoken — разбиение текста на чанки с учётом токенов — pypdf, python-docx — извлечение текста из документов — Vanilla HTML/CSS/JS — фронтенд без зависимостей и сборки — Docker + docker-compose — деплой одной командой Особенности реализации: — Корректная работа с асимметричными моделями эмбеддингов (NVIDIA nv-embedqa) — разделение passage/query — Token-aware разбиение текста с настраиваемым overlap — Системный промпт с инструкцией отвечать только на основе предоставленных фрагментов и на языке вопроса Подходит для: — AI-ассистентов по базе знаний компании — автоматизации поддержки клиентов — поиска по технической документации — обработки внутренних регламентов и инструкций Открытый код, документация и Docker-сборка: https://github.com/lowlatency-dev/docrag

Production-grade Telegram-бот на C++20, спроектированный под максимально низкую задержку реакции. Технические показатели на VPS 1 vCPU / 4GB RAM: — End-to-end задержка реакции: 234 микросекунды — Обработка 100+ чатов одновременно — 277 000+ обработанных событий за один сеанс — Потребление: 62 МБ RSS, 3% CPU — Без падений и утечек на длительных сессиях Стек: — C++20, TDLib (официальная библиотека Telegram) — jemalloc для предсказуемой задержки под нагрузкой — SQLite для хранения настроек — cpp-httplib для веб-панели управления — Vanilla HTML/CSS/JS — фронтенд без сборки Веб-панель управления с real-time метриками: количество событий, отправленных реакций, текущая задержка в микросекундах. Открытый код и подробная документация: https://github.com/lowlatency-dev/plusbot

Проект по базовым алгоритмам машинного обучения на Python. Реализовывал и исследовал kNN, линейную регрессию и градиентный спуск, сравнивал качество моделей, работал с признаками, метриками и подготовкой данных. Часть алгоритмов разбирал и реализовывал самостоятельно, чтобы лучше понимать их устройство и поведение на реальных данных

Проект по анализу табличных данных на Python. Выполнял очистку данных, работу с пропусками и признаками, исследовательский анализ, поиск зависимостей и построение визуализаций. Использовал pandas, NumPy, matplotlib, seaborn и plotly. Проект показывает уверенную работу с данными и умение находить в них закономерности перед построением моделей

Проект для численного решения прикладной математической задачи: вычисление точек пересечения кривых и площади между ними с использованием нескольких численных методов. Критичные вычислительные участки вынесены в Assembly для ускорения. Такой проект хорошо показывает умение совмещать алгоритмическую часть на C с низкоуровневой оптимизацией и аккуратной организацией вычислений

Backend-сервис для управления аудиториями, пользователями и бронированиями. В проекте есть REST API, подключение PostgreSQL и Kafka, запуск инфраструктуры через Docker Compose, Swagger UI, health-check, JSON-отчеты и экспорт аудиторий в CSV. Подходит для портфолио как пример прикладного backend-проекта с API и инфраструктурой

Клиент-серверное приложение на C++17 из трех консольных компонентов: клиент отправляет файл на проверку, сервер анализирует его по набору вредоносных паттернов из конфигурации и ведет статистику, а отдельная утилита запрашивает и отображает эту статистику через IPC. Проект показывает работу с сетью, межпроцессным взаимодействием, обработкой файлов, конфигами, CMake и тестами