AI Platform Architect. I build production AI systems and run Telegram products used by millions of people.
Claude, GPT, Gemini, Capka
TypeScript, Python, Claude, Docker, React, Azure, Node.js, PostgreSQL, Vertex AI, Telegram, Go, OpenAI, Redis, Kotlin, Next.js, Gemini, MongoDB, Linux, NestJS, Cloudflare, Tailwind CSS, GitHub Actions, Android, Sentry
The largest sticker platform on Telegram: a bot, a web catalog, a Mini App and an Android app on one stack.
The bot is where people create sticker packs. The catalog is where anyone can browse and search millions of them. The Android app brings it all to the phone. I built the bot and the app; the catalog I built together with a friend. Everything runs on my own servers.
Найбільша платформа стікерів у Telegram: бот, вебкаталог, Mini App і Android-застосунок на одному стеку.
Бот — тут люди створюють стікерпаки. Каталог — тут будь-хто переглядає й шукає мільйони паків. Android-застосунок переносить усе це в телефон. Бот і застосунок зробив я, каталог — разом із другом. Усе працює на моїх серверах.
Give Capka the work. Get the finished files. An agent harness I wrote from scratch, open source and self-hosted.
Describe the goal and attach the files. Capka hands back the finished report, spreadsheet, document or code, and shows every step it took.
Runs on a small Linux server with Docker. Your keys, your models, your rules. Also works in Telegram with the same files and context.
Дай Capka роботу — отримай готові файли. Agent harness, який я написав з нуля: відкритий код, self-hosted.
Опиши мету й додай файли. Capka поверне готовий звіт, таблицю, документ або код і покаже кожен крок.
Працює на невеликому Linux-сервері з Docker. Твої ключі, твої моделі, твої правила. Є і в Telegram — з тими самими файлами й контекстом.
Ukraine’s news from every source at once. It reads 354 Telegram channels, merges reports of one event into one story and shows where the sources disagree.
Each post’s category comes from a model I trained: multilingual-e5-base fine-tuned on 40K posts labelled by a large LLM, running in ONNX int8 at ~50 ms a post on a plain CPU. It gets the category right 94.8% of the time, against 72% for the classifier it replaced. It also scores topic, region, significance and urgency.
Headlines and multi-source summaries are written by an LLM; the original of every message stays on the story page. Built on the open-source NYAN, reworked for Ukrainian and Ukrainian sources.
Новини України з усіх джерел одразу. Читає 354 телеграм-канали, зводить повідомлення про одну подію в одну новину й показує, де джерела не збігаються.
Категорію кожного поста визначає модель, яку я навчив: multilingual-e5-base, донавчена на 40 тис. постів, розмічених великою LLM. Працює в ONNX int8 за ~50 мс на пост на звичайному CPU і влучає в категорію в 94.8% випадків — проти 72% у класифікатора, який вона замінила. Також оцінює тему, регіон, значущість і терміновість.
Заголовки й зведення з кількох джерел пише LLM, а оригінал кожного повідомлення лишається на сторінці новини. В основі — відкритий NYAN, перероблений під українську мову й українські джерела.
Turns any Telegram message into a clean quote image.
Reply to a message with /q and get a sticker-quote that keeps the name, avatar and formatting.
Перетворює будь-яке повідомлення в Telegram на охайну картинку-цитату.
Відповідай на повідомлення командою /q — і отримаєш стікер-цитату з іменем, аватаром і форматуванням.
I design the architecture of a corporate AI platform: the foundation many AI products are built on.
At KNESS I grew from bots to backend to leading AI. As AI lead I took internal AI systems from prototype to production: document analysis, internal search, employee workflows and department agents for HR, Legal and Accounting.
Проєктую архітектуру корпоративної AI-платформи — фундаменту, на якому будуються AI-продукти.
У KNESS я виріс від ботів до бекенду і до керування AI-напрямом. Як AI lead вів внутрішні AI-системи від прототипу до продакшну: аналіз документів, внутрішній пошук, робочі процеси співробітників і агенти для HR, юристів і бухгалтерії.
Reads Telegram channels as one chronological feed instead of a chat list.
Jetpack Compose, Material 3, TDLib. Open source.
Читає Telegram-канали однією хронологічною стрічкою замість списку чатів.
Jetpack Compose, Material 3, TDLib. Відкритий код.
Most of what I run in production is public. 1.1K stars, 400+ followers.
Більшість того, що я запускаю в продакшн, — публічне. 1.1K зірок, 400+ підписників.
Smaller products I run for Telegram communities.
Менші продукти, які я підтримую для Telegram-спільнот.
Self-taught, ten years in production.
Started at twelve, editing uCoz sites with too much time on my hands. Then came PHP, then VK bots, then the Telegram ecosystem I still live inside today.
Most of my public products grew out of Telegram. fStik and QuotLy together reached millions of users, and in 2023 I took first place in Telegram's Mini App Contest.
At KNESS I went from bots and backend to AI lead. Now I'm an AI Platform Architect and build Capka, my own agent harness.
Самоук, десять років у продакшні.
Почав у дванадцять — редагував сайти на uCoz, бо мав забагато вільного часу. Далі був PHP, потім боти для VK, потім Telegram, у якому я живу й досі.
Більшість моїх публічних продуктів виросли з Telegram. fStik і QuotLy разом охопили мільйони людей, а у 2023 я посів перше місце в Telegram Mini App Contest.
У KNESS пройшов шлях від ботів і бекенду до AI lead. Тепер я AI Platform Architect і будую Capka — власний agent harness.
