Skip to content
View DelixeamI's full-sized avatar
  • ООО «СКАЙЛАБ»
  • Samara · Remote

Block or report DelixeamI

Block user

Prevent this user from interacting with your repositories and sending you notifications. Learn more about blocking users.

You must be logged in to block users.

Content in all repositories owned by your account will be closed.
Maximum 250 characters. Please don’t include any personal information such as legal names or email addresses. This note will only be visible to you.
Report abuse

Contact GitHub support about this user’s behavior. Learn more about reporting abuse.

Report abuse
DelixeamI/README.md
Михаил (DelixeamI): AI & LLM Systems Engineer

Telegram Email

Самара, Россия · удалённо или гибрид


Профиль

AI / LLM Engineer. Строю LLM-сервисы, которым можно доверять чувствительные данные: модель отвечает за язык, а цифры, проверки и решения — за детерминированный код.

Единственный разработчик в медицинской лаборатории: в 2025 году по своей инициативе запустил направление AI-автоматизации и вывел в прод сервисы обработки документов и сопоставления каталогов. Специализируюсь на гибридном RAG, каскадном матчинге номенклатуры, автоматизации первичной документации и работе с отечественными LLM (GigaChat, YandexGPT) и локальными моделями (Ollama, Qwen) в закрытых контурах с соблюдением 152-ФЗ.

Инженерная база: автотесты и mypy --strict в открытых проектах, офлайн-оценка качества, системный бэкграунд в Linux, сетях и мониторинге.


Технический стек

Направление Стек и технологии
AI & LLM Engineering GigaChat API (OAuth, сертификаты Минцифры), YandexGPT, Ollama, Qwen 2.5/3, Structured Outputs (Pydantic v2 / JSON Schema), Tool Calling, LangGraph, Prompt Engineering
RAG и поиск Гибридный поиск (dense + sparse), Reciprocal Rank Fusion (RRF), cross-encoder реранкинг (bge-reranker-v2-m3), эмбеддинги (multilingual-e5, bge-m3), BM25, PostgreSQL FTS
Хранилища PostgreSQL (pgvector, HNSW, SQL-фильтрация), Redis (кэш, rate limiting, дедупликация), Qdrant
Бэкенд и архитектура Python 3.12, FastAPI, asyncio (Semaphore, Token Bucket, DAG-пайплайны), Pydantic v2, REST API, интеграция с 1С
Надёжность и оценка Fallback между провайдерами (GigaChat → YandexGPT, локальные модели), ретраи с full jitter, метрики Hit Rate@k / MRR / Recall, подбор порогов на отдельной выборке и проверка на отложенной
Инфраструктура Docker, Docker Compose, Linux (Debian/Ubuntu), GitHub Actions, quality gates в CI, Zabbix, Grafana, 152-ФЗ

Коммерческий опыт — ООО «СкайЛаб», медицинская лаборатория (под NDA)

Два production-сервиса и MVP медицинского AI-продукта, от требований до поддержки.

  • Обработка первичных документов (счета, УПД, акты) → 1С — Production:

    • Асинхронный конвейер на FastAPI, pdfplumber, OCR и GigaChat API со Structured Outputs для документов от поставщиков реагентов и расходников.
    • Сократил трудозатраты бухгалтерии на ~70%: ~78% входящего потока (и свыше 90% цифровых PDF) проходят по быстрому сценарию — около 45 секунд вместе с ревью оператора вместо 6–8 минут ручного разбора.
    • Точность на контрольной выборке из 200 документов: 98,2% по реквизитам и 94,5% по строкам таблиц.
    • Детерминированный валидатор сумм и НДС, сверка реквизитов через tool calling, экспорт в 1С; двухуровневая защита от дублей в Redis исключает повторную платную обработку и двойные проводки.
  • Сопоставление прайс-листов партнёров с мастер-каталогом — Production:

    • Автоматическое сопоставление прайсов поставщиков и франчайзи (Excel/PDF) с номенклатурой лаборатории: онбординг прайса сократился с нескольких дней ручной работы до часа, нагрузка на методистов — в ~8 раз.
    • Retrieval-слой на PostgreSQL + pgvector (HNSW, multilingual-e5): Hit Rate@1 вырос с 0.68 до 0.89 и MRR с 0.74 до 0.91 относительно BM25.
    • LLM-скоринг на GigaChat Lite и трёхзонный триаж уверенности (GigaChat Pro с fallback на YandexGPT → оператор): Hit Rate@1 — 0.94, 82% позиций матчатся автоматически с precision 99,1%.
    • Асинхронный DAG на FastAPI и asyncio с семафорами и микро-батчингом: latency снижена в 4 раза, quality gate в CI блокирует деплой при падении точности.
  • Интерпретация результатов анализов для пациентов — MVP:

    • Детерминированное ядро (извлечение геометрии PDF без OCR, контракты Pydantic v2 над YAML-базой знаний) само вычисляет отклонения и границы норм: модель не считает и не меняет клинические значения. LLM только формулирует пояснения по схеме «факты → модель → проверка кодом → повтор или шаблон».
    • Гибридный RAG-справочник по 24 клиническим рекомендациям Минздрава (pgvector + bge-m3 + BM25 + RRF): Recall@3 = 92% на 42 контрольных вопросах.
    • Мультипровайдерный LLM-слой: локальная Ollama (Qwen) в закрытом контуре, GigaChat API в расширенном режиме; наружу уходят только обезличенные данные. 362 автотеста, 0 сбоев на реальных бланках.

Открытые проекты

CI License python

Сервис ответов на вопросы по Трудовому кодексу РФ. Основная инженерная задача — надёжный ретривал, калиброванный отказ на нерелевантных вопросах и проверка того, что ответ опирается на источник.

  • гибридный ретривер: dense multilingual-e5-small в pgvector и BM25 на лексемах PostgreSQL (russian), объединённые через RRF (top-20);
  • cross-encoder реранкер: bge-reranker-v2-m3 пересортирует top-20 кандидатов гибрида и оставляет top-5: Recall@5 растёт с 84,9% до 90,8%, MRR — с 0.727 до 0.816 на 76 вопросах с ответом (у одного dense-поиска Recall@5 80,3%);
  • отказ по порогу: если лучший скор реранкера ниже порога, система отказывает до вызова LLM. Порог подобран на DEV-половине вопросов; на отложенной TEST-половине — 8 из 8 корректных отказов и 0 ложных на 37 вопросах с ответом (на всём наборе 16/16 и 0/76);
  • детерминированный валидатор: синтаксическая проверка grounding (числа с единицами, номера статей, цитаты есть в процитированном тексте) проходит у 71 из 76 данных ответов (93,4%); при провале — деградация до списка статей. Это проверка опоры на текст, а не юридической правильности;
  • кассетный офлайн-инференс: RecordedLLM воспроизводит сохранённые ответы, CI работает без внешних API;
  • FastAPI-сервис: эндпоинты /ask и /health, JSON-логи с латентностью по стадиям; ингест идемпотентен по отпечатку индекса (файл, модель эмбеддингов, чанкинг, версия парсера).

145 тестов, запуск без сети и API-ключей. Архитектурные альтернативы и компромиссы — в DESIGN.md.


CI License python

Сопоставление прайс-листов поставщиков с эталонным каталогом на публичных бенчмарках Abt-Buy и Amazon-Google. Ключевая задача — найти баланс между долей автоматизации и точностью без затрат на облачные токены.

  • трёхзонная маршрутизация: автоподтверждение (auto_match) для пар с высоким скором и отрывом, серая зона для локальной LLM и эскалация оператору (human_review);
  • двухстадийный гибридный поиск: эмбеддинги bge-small-en-v1.5 и BM25 со слиянием RRF (top-20) плюс cross-encoder ms-marco-MiniLM-L-6-v2;
  • доменные признаки: коды моделей, бренды и запас уверенности между кандидатами подняли долю автоматизации с 28,3% до 67,7% при точности 96,7%;
  • локальный LLM-арбитр: qwen2.5:14b через Ollama с Pydantic-контрактом разрешает 45,4% серой зоны с точностью 84,8%; с арбитром система автоматизирует 82,3% при precision 96,3%;
  • калибровка порогов: только на валидационной выборке, метрики — на тестовой; нижняя граница Уилсона (95%) доступна как опция и показана в таблице компромиссов для сравнения;
  • перенос домена: проверка устойчивости калибровки на втором датасете (Amazon-Google) с фиксацией изменения метрик.

169 тестов, запуск без сети и API-ключей. Компромиссы — в DESIGN.md.


CI License python Checked with mypy

Асинхронный API-шлюз на FastAPI для предсказуемой работы с LLM-провайдерами.

  • отказоустойчивость: ограничение параллелизма через семафоры, таймауты на попытку, экспоненциальные повторы с full jitter только для временных сбоев (429/5xx), изоляция провайдеров через Protocol;
  • Structured Output с самоисправлением: валидация Pydantic и контур автоматического исправления ответов модели (feedback recovery loop);
  • контроль контекста и биллинг: предварительный расчёт токенов, учёт стоимости в Decimal, отчёты в USD и RUB;
  • кэширование и защита: exact-match кэш в Redis (temperature=0), rate limiting на скользящем окне (Lua), идемпотентность через Idempotency-Key;
  • наблюдаемость: JSON-логи с X-Request-ID, метрики Prometheus (/metrics), трассировка OpenTelemetry.

142 теста, покрытие 96%, strict-типизация mypy. Компромиссы — в docs/trade-offs.md.


CI License python

Аналитик на LangGraph: отвечает на вопросы к базе данных на естественном языке, сам пишет и исправляет SQL и строит отчёт с графиком. Ключевая задача — дать агенту доступ к данным так, чтобы он не мог навредить базе.

  • граф агентов на LangGraph: планировщик, генератор SQL, AST-проверка, исполнитель, исправление, синтез ответа и отказ — как узлы машины состояний;
  • трёхуровневая песочница: разбор запроса через sqlglot и проверка AST, отдельная роль PostgreSQL только на чтение, ограничения на выполнение;
  • цикл самоисправления: ошибка выполнения возвращается генератору с контекстом, число попыток ограничено;
  • отчёты: ответ с графиком в Vega-Lite; API /query, /schema, /health, /examples;
  • провайдеры: демо-режим без API-ключа и любой OpenAI-совместимый endpoint, включая локальную Ollama;
  • данные: синтетическая e-commerce база, генерируется детерминированными SQL-скриптами.

129 тестов, в том числе 40+ кейсов на AST-проверку и интеграционные тесты с PostgreSQL через testcontainers. Оценка точности на реальной модели — следующий шаг.


Контакты

Pinned Loading

  1. llm-chat-api llm-chat-api Public

    Resilient async LLM Gateway on FastAPI, PostgreSQL 17 & Redis 8: semaphores, retries with jitter, structured outputs feedback loop, and token billing.

    Python

  2. entity-cascade entity-cascade Public

    Cost-aware catalog matching cascade: 3-zone routing, thresholds fit on validation only, and local Qwen 14B judge with JSON schema.

    Python

  3. hybrid-rag hybrid-rag Public

    Hybrid RAG over Russian Labour Code with calibrated abstention, BM25 + dense e5 + cross-encoder reranking, and offline cassette evals.

    Python

  4. agentic-sql-analyst agentic-sql-analyst Public

    Autonomous multi-agent Text-to-SQL analyst on LangGraph: zero-trust sqlglot sandbox, read-only PostgreSQL execution, self-repair loop and Vega-Lite reports.

    Python