Кирило

Кирило Калашник
AI Automation Engineer
Анталія, Туреччина · [відкрити контакти](див. вище в блоці «контактна інформація») · t.me/kotiniiqq · github.com/kotiniiqq
Українська та російська — рідні · Англійська — Intermediate · Польська — базова

КО Р ОТ КО П Р О С Е Б Е
Інженер з AI-автоматизації. Будую системи на LLM, які забирають на себе рутинні бізнес-процеси — підтримку клієнтів,
обробку документів, внутрішню звітність, розбір вхідних задач. Веду роботу повним циклом: з’ясовую задачу, проєктую
пайплайн, інтегрую системи, яких він торкається, розгортаю і супроводжую далі.
Основний інструментарій — Python, n8n та API OpenAI/Claude, із self-hosted та локальними моделями там, де дані не
можна віддавати назовні. Звик доводити процес від нечіткого опису до того, що працює в продакшені. Відкритий до
віддаленої роботи, контракт або повна зайнятість; найбільше цікавлять LLM-агенти та tool use.

ТЕХНІЧНІ НАВИЧКИ
AI та LLM: OpenAI API, Claude API, OpenRouter, LangChain, LlamaIndex, MCP (Model Context Protocol), RAG-пайплайни,
OpenAI embeddings, чанкінг документів, prompt engineering, структурований вивід через Pydantic-схеми, локальні моделі
(Ollama, vLLM — Llama 3.1, Mistral), Whisper / розпізнавання мовлення, логування LLM-викликів (вартість і затримка)
Автоматизація та інтеграції: n8n (Code node, sub-workflows, обробка помилок, власні ноди), Telegram Bot API, Slack apps,
WhatsApp Business API, JIRA REST API, Stripe API, вебхуки, OAuth-флоу для сторонніх API, пайплайни за розкладом
Бекенд: Python, FastAPI, проєктування REST API, Pydantic, Node.js, PostgreSQL, MongoDB, Redis (кешування), SQL
Векторні сховища та дані: ChromaDB, Qdrant, BigQuery, Pandas
Веб-скрапінг: Playwright, BeautifulSoup
Інфраструктура: Docker, Nginx, Caddy, розгортання та адміністрування VPS, Linux, GCP, CI/CD (GitHub Actions), Git, Postman,
self-hosted поштовий сервіс
Фронтенд: React, JavaScript, HTML/CSS, внутрішні дашборди

ДОСВІД

AI Automation Engineer — фріланс / контракт
Кінець 2022 – дотепер
Будую автоматизацію на базі LLM для малого бізнесу та продуктових команд, працюючи безпосередньо із замовником, а
не через агенцію.
Беру процеси, які виконуються вручну — відповіді на однакові питання клієнтів, перенабір рахунків, збирання
тижневих звітів, перевірку вхідних задач — і замінюю їх пайплайнами на LLM.
Веду повний цикл: з’ясовую, що насправді потрібно замовнику, проєктую пайплайн, розробляю, розгортаю на його
інфраструктурі та підтримую надалі.
Інтегрую все, чого процес торкається — CRM, JIRA, Slack, Stripe, рекламні кабінети, внутрішні бази — через API та
вебхуки.
Запускаю локальні моделі на обладнанні замовника там, де документи не можна надсилати у зовнішній API.
Проєктую поведінку на випадок помилки: пороги впевненості, передача людині, чернетка на перегляд замість
автоматичної відправки — щоб невпевнена модель деградувала передбачувано, а не вигадувала відповідь.
Стек: Python, FastAPI, n8n, OpenAI API, Claude API, OpenRouter, LangChain, Ollama, PostgreSQL, MongoDB, Redis, Docker, Linux

ПРОЄКТИ

Бот перевірки готовності задач у JIRA
Автоматизація для команди, яка хотіла перевіряти вхідні тікети до початку роботи, а не ловити прогалини всередині
спринту.
Підключився до JIRA через n8n (REST API і вебхуки), щоб підхоплювати нові та оновлені задачі одразу після появи.
Перевіряв кожен тікет за чеклістом Definition of Ready: опис, критерії приймання, оцінка, виконавець, пов’язані задачі.
Використав LLM, щоб оцінити, чи опис і критерії приймання справді придатні до роботи, а не заповнені формально —
саме те, чого перевірка наявності полів не ловить.
Публікував звіти про готовність і попередження у Slack команди, щоб прогалини спливали до того, як задача потрапить
у спринт.
Стек: Python, n8n, JIRA REST API, OpenAI API, Slack API, вебхуки

Чат-бот підтримки з RAG
Бот для невеликого інтернет-магазину, який забрав на себе однотипні питання клієнтів, що власник до цього
відпрацьовував вручну — статус замовлення, повернення, наявність товару.
Побудував RAG-пайплайн поверх FAQ і документів з політиками магазину: розбив документи на чанки, порахував
embeddings через OpenAI, зберігав і шукав у ChromaDB.
Маршрутизував кожне питання між пошуком у FAQ, API статусу замовлення та передачею власнику — залежно від
того, що питання насправді вимагало.
Додав поріг впевненості: нижче нього бот припиняв вгадувати і передавав розмову власнику з коротким підсумком
замість відповіді.
Запустив ту саму логіку одночасно в Telegram і WhatsApp.
Стек: Python, n8n, ChromaDB, OpenAI API, Telegram Bot API, WhatsApp Business API, PostgreSQL
Офлайн-обробка документів
Обробка рахунків і договорів для бізнесу, який не міг надсилати документи у зовнішній API.
Запустив локальну LLM (Ollama, Llama 3.1) на власному обладнанні замовника, щоб жоден документ не залишав його
мережу.
Побудував пайплайн OCR і розбору для сканованих рахунків та договорів.
Змусив модель віддавати структурований вивід через Pydantic-схеми — типізовані поля (суми, дати, сторони) замість
вільного тексту, який довелося б розбирати повторно.
Порівняв кілька локальних моделей на одному наборі документів, зважуючи точність вилучення проти вартості
інференсу на наявному залізі.
Стек: Python, Ollama (Llama 3.1, Mistral), PyPDF, Pydantic, OCR, n8n, Docker, PostgreSQL
Автоматизація дослідження лідів та аутрічу
Інструмент для замовника, який займався холодним аутрічем і витрачав більшу частину часу на ручне дослідження
кожного ліда до написання листа.
Збирав публічну інформацію про компанії з сайтів і каталогів через Playwright і BeautifulSoup, з обробкою пагінації та
станом сесії.
Через LLM (OpenRouter) формулював ймовірні болі кожної компанії з її ж лендингу.
Генерував чернетку листа під кожен лід для перегляду і правки замовником — свідомо чернетку для людини, а не
автоматичну відправку.
Передавав відібрані ліди в наявну CRM замовника через вебхук замість ручного копіювання.
Стек: Python, n8n, OpenRouter API, Playwright, BeautifulSoup, PostgreSQL, вебхуки
Дашборд бізнес-метрик
Одне місце для маркетингових і фінансових метрик для компанії, яка до цього дивилася кілька окремих інструментів.
Побудував пайплайни на n8n, які за розкладом тягнули дані з рекламних кабінетів, CRM і Stripe у спільну базу.
Агрегував історичні метрики в BigQuery для трендів — витрати, конверсії, дохід, відтік.
Зробив фронтенд на React: маркетингові KPI (CAC, конверсія, витрати за каналами) поряд із фінансовими показниками
(дохід, динаміка MRR, burn rate).
Розгорнув на VPS у Docker за Nginx із базовою автентифікацією, збірка й оновлення — через GitHub Actions.
Стек: Python, n8n, BigQuery, React, Docker, Nginx, VPS, GitHub Actions, OpenAI API
Бот тижневих зведень за метриками
Зведення за розкладом для замовника, який хотів отримувати цифри тижня простим текстом, а не відкривати дашборд.
Щотижня тягнув дані через n8n з бази замовника та його акаунта Stripe.
Рахував основні KPI на Pandas і підсвічував метрики, що вийшли за звичний діапазон.
Просив LLM перетворити цифри на коротке зведення звичайною мовою, яке приходило в Slack щопонеділка вранці.
Стек: Python (Pandas), n8n, OpenAI API, SQL, PostgreSQL, Stripe API, Slack API

О СО Б И С Т І П Р О Є К Т И
Зроблене поза клієнтською роботою, здебільшого щоб розібратися і перевірити ідеї.
Self-hosted месенджер і поштовий сервіс — чат у реальному часі плюс легкий поштовий сервер на власному VPS у
Docker; робив, щоб розібратися в self-hosting, мережах та адмініструванні.
Пісочниця для порівняння моделей — ганяє моделі OpenRouter на однакових задачах і зіставляє якість відповіді з
вартістю, щоб обирати модель за даними, а не за репутацією.
Прототипи n8n-патернів — невеликі Telegram-боти, на яких обкатував підходи до автоматизації перед застосуванням
у клієнтських задачах.
Експерименти з локальними моделями — Llama і Mistral через Ollama, щоб з’ясувати, що реально працює на
споживчому залізі.