Федянов Степан
Applied AI Engineer

с мая 2026 года по настоящее время

Компания с портфелем продуктов, включающим Madison AI — AI-платформу для органов местного самоуправления США: генерация закупочной документации, staff reports и compliance-проверки для городов и округов (Merced, Contra Costa County, Corona), а также интеграции с закупочными площадками (BidNet, OregonBuys, ePro).

• С нуля построил Solicitation Builder совместно с компанией Sovra — AI-инструмент для генерации закупочной документации с последующим экспортом на платформу BidNet: архитектура, AI-пайплайн на Claude с хранением чатов в Cosmos DB, MySQL с авто-миграциями в CI/CD, авторизация через Microsoft Entra ID и окружения dev, staging и production на Azure.
• Разработал Word-подобный WYSIWYG-редактор на Tiptap с пагинацией и печатью «как на экране»: колонтитулы, таблицы, «Edit with AI», Format Standards (стили и логотип агентства) и экспорт в PDF и DOCX через config-driven экспортер. Затем перенёс редактор и движок выбора шаблонов в основное приложение Madison AI.
• Реализовал AI Evaluator — проверку документов на соответствие политикам закупок: единый Compliance Report и review rail на одной оценке, цитаты со ссылками на исходные документы, «Fix with AI» с привязкой к нужному фрагменту и проверку языка шаблонов.
• Улучшил закупочных агентов: guided chat с одним вопросом за ход, корректный порядок tool calls, генерацию заголовков и имён файлов (с regex fallback), Haiku-агента для дат и полей METS. Разделил чат и генерацию документов в Solicitation Builder на отдельные модели и процессы, а время ответа поискового агента Sovra сократил в среднем на треть.
• Построил пайплайны сбора данных для OregonBuys и ePro (Sovra): Azure VM, runbooks в Automation Account, отказоустойчивая синхронизация с retry-логикой и перенос более 13 000 записей из Redshift и S3 в Azure.
• Реализовал Document API (Export-to-METS) для обмена документами с BidNet по JWT и HTML-генератор отчётов для GFOA на Claude с рендером в PDF.
• Выпустил публичный виджет Public Policy & Law Assistant (inline и floating embed) с конфигурацией под каждую юрисдикцию и скриптом проверки безопасности публичных путей, а также agent skill для генерации новых закупочных workflow из шаблона.
• Сократил расходы на инфраструктуру Azure примерно вдвое (Defender for Cloud, тарифы App Service, лишние инстансы БД), настроил мониторинг всех окружений и Dependabot, закрыл уязвимости в приложениях и на VM и ускорил backend-тесты с 40 до 5 минут.

Стек: Python, TypeScript, React, Tiptap, Claude API, Azure (App Service, Container Apps, MySQL, Cosmos DB, Blob Storage, Entra ID), AWS (S3, Redshift), Docker, GitHub Actions.

с марта 2024 года по май 2026

Крупнейшее золотодобывающее предприятие в Сибири, управляющее множеством распределенных производственных площадок со сложной логистикой и потоками данных (более 2000 сотрудников).

• Спроектировал и реализовал full-stack ERP-систему для учета золотых запасов и операционной аналитики для 250+ пользователей, заменив ручные Excel-процессы и сократив время подготовки отчетности с 2 часов до 30 минут.
• Оптимизировал обработку больших объемов данных в PostgreSQL за счет переписывания критически важных запросов, добавления составных индексов и внедрения материализованных представлений, сократив время генерации управленческих отчетов с 50 минут до менее чем 2 минут.
• Разработал распределенный слой синхронизации данных на Celery и REST для географически изолированных производственных площадок с нестабильным соединением, обеспечив надежную и идемпотентную доставку данных между всеми узлами.
• Спроектировал multi-agent LLM-систему аналитики на LangGraph с 3 агентами, которая преобразует запросы на естественном языке в полностью отрисованные HTML-дашборды. Система включает агента понимания запроса, который сопоставляет intent со структурированной спецификацией дашборда, агента извлечения данных, который генерирует и валидирует SQL, и агента построения дашборда, который рендерит HTML/JS-результат, позволяя нетехническим менеджерам получать инсайты без поддержки аналитиков.
• Реализовал pipeline понимания запросов, который обогащает промпты доменным контекстом, извлеченным через RAG, включая бизнес-правила и определения метрик, и использует schema-constrained outputs на Pydantic для извлечения сущностей, временных диапазонов, типов графиков и KPI в валидированный JSON-формат, обеспечивая детерминированное выполнение последующих этапов.
• Разработал retrieval-augmented слой контекста: разбил внутреннюю документацию, бизнес-правила и схему БД на чанки, сгенерировал embeddings и сохранил их в ChromaDB. Во время выполнения запроса система извлекает наиболее релевантные чанки через semantic search, чтобы grounding LLM-ответов снижал hallucinations в определениях метрик и использовании схемы.
• Разработал автоматизированный pipeline, который парсит Django migration files, извлекает и нормализует metadata схемы базы данных в структурированный JSON, поддерживая LLM-контекст в актуальном состоянии и повышая точность text-to-SQL генерации.
• Реализовал безопасный text-to-SQL pipeline с несколькими уровнями валидации: LLM-проверками согласованности со схемой, статической SQL-валидацией и EXPLAIN dry-runs перед выполнением. В сочетании с read-only доступом, whitelist таблиц и retry logic это сократило количество невалидных запросов и ошибок, вызванных hallucinations, почти до нуля в production.

Стек: Vue 3, TypeScript, Python, Django/DRF, PostgreSQL, Celery, LangGraph, LLM (OpenAI/Claude/Ollama), RAG (ChromaDB).

с июня 2023 года по май 2026 года

Студия № 1 в России, специализирующаяся на сложном дизайне и технологических решениях, включая веб-приложения и инновационные AI-продукты (Фокус, Николай Иронов).

• Спроектировал ключевые функции для Fokus — AI-powered конструктора презентаций с более чем 100 000 пользователей, включая интерактивные элементы canvas и сценарии монетизации на базе Stripe.
• Спроектировал и реализовал распределённый LLM-powered пайплайн генерации презентаций, который преобразует тему, исходный текст или URL в полностью структурированные слайд-деки. Реализовал предобработку веб-контента — scraping и извлечение текста — и объединил все типы входных данных в единый процесс генерации.
• Реализовал этап генерации плана на Celery, который создаёт структурированный outline презентации с типами слайдов и описаниями контента. Добавил доступные шаблоны слайдов напрямую в prompt и внедрил строгую Pydantic-валидацию с автоматическими повторами, обеспечив детерминированные и валидные результаты.
• Построил систему параллельной генерации слайдов с использованием Celery groups и chords, где каждый слайд генерируется независимо. Каждая задача заполняет поля шаблона через LLM и генерирует prompts для изображений, которые затем обрабатываются через внешние API. Изолировал ошибки на уровне отдельных слайдов с помощью retry-логики, предотвращая сбой всего пайплайна.
• Спроектировал финальный этап агрегации — Celery chord callback, который собирает все слайды в валидированную JSON-структуру и сохраняет её в базу данных, включая проверки целостности перед записью.
• Спроектировал и реализовал AI-powered пайплайн code review, который анализирует Git diffs и предоставляет контекстно-зависимую обратную связь напрямую в GitLab Merge Requests на основе labels и scope изменений.
• Реализовал слой предобработки, который парсит diffs, фильтрует шум и обогащает контекст связанными файлами и метаданными, позволяя LLM рассуждать не только об изолированных изменениях, но и об их влиянии на окружающую кодовую базу.
• Спроектировал prompt pipeline, который динамически адаптирует глубину review — style, architecture, logic — на основе MR labels и типов файлов, обеспечивая релевантную и точечную обратную связь вместо generic-комментариев.
• Построил систему структурированной обратной связи, в которой LLM-результаты нормализуются в категоризированные комментарии — bugs, risks, improvements, style — что обеспечивает единый формат и удобное восприятие разработчиками.
• Интегрировал систему в GitLab CI/CD как автоматизированный этап, публикующий inline comments и summaries напрямую в Merge Requests, сократив время review на 67% и позволяя находить логические ошибки до human review.
• Руководил миграцией с Vue 2 / Nuxt 2 на Vue 3 / Nuxt 3, снизив технический долг и улучшив поддерживаемость проекта.
• Реализовал автоматизированное тестирование — Playwright, Vitest — и мониторинг через Sentry, увеличив crash-free sessions с 89% до 98%.

Стек: Vue 2/3, Nuxt 2/3, TypeScript, Pinia, Node.js, OpenAI/Gemini, Python (Django/DRF), PostgreSQL, Playwright, Vitest, Gitlab CI/CD, FSD.

Июнь 2023 – Май 2024

• Разработал ключевые генеративные и фронтенд-функции для Николая Иронова, первого AI-генератора фирменного стиля для малого бизнеса, масштабируя продукт до тысяч уникальных дизайн-проектов.
• Возглавил крупную инициативу по рефакторингу производительности, переведя фронтенд на использование серверного рендеринга (SSR) и устранив устаревшие зависимости. Это улучшило показатели Google PageSpeed с 40 до 80 и обеспечило рост органического трафика примерно на 75%.
• Внедрил и обеспечил соблюдение архитектурного паттерна Feature-Sliced Design (FSD) в крупном legacy-коде, что значительно повысило ясность кода, модульность и долгосрочную поддерживаемость в команде разработчиков.
• Спроектировал и построил архитектуру для парка высокоавтоматизированных микросервисов для генерации лидов. Эта масштабируемая система быстро стала основным источником входящих заявок для продукта, требуя минимального вмешательства разработчиков для развертывания и A/B тестирования.

Стек: Vue 2/3, Nuxt 2/3, JavaScript/TypeScript, Vuex/Pinia, NodeJS, SSR, SEO/GEO Optimization, FSD Architecture, Django/Python (API Integration), PostgreSQL.

с января 2020 по июнь 2023

Одна из крупнейших площадок для фриланса в СНГ, обслуживающая тысячи клиентов и специалистов.

• Успешно реализовал более 20 различных Fullstack-проектов, специализируясь на адаптивных приложениях на Vue.js и Nuxt; обеспечивал высокие стандарты UX, доступности (accessibility) и архитектурной устойчивости.
• Провел масштабный рефакторинг кодовой базы и очистку зависимостей в различных проектах, что позволило сократить размер бандла до 40% и стабильно повышать показатели Google Lighthouse до 90+ баллов.
• Разработал эффективные стратегии получения данных, интегрируя REST и GraphQL API. Внедрил механизмы агрессивного кэширования на стороне клиента (используя модули Vuex/Pinia), что привело к ускорению загрузки страниц до 50%.
• Реализовал улучшения UI/UX на основе данных, полученных в ходе A/B тестирования для e-commerce проектов, что напрямую привело к среднему росту конверсии на 30%.
• Спроектировал и внедрил несколько библиотек переиспользуемых компонентов (Design Systems) на принципах композиции, что ускорило разработку новых функций для клиентов примерно на 25%.

Cтек: Vue.js, Nuxt.js, Vuex/Pinia, JavaScript/TypeScript, REST/GraphQL, Figma, A/B тестирование, PostgreSQL/MongoDB.