Резюме · надрукуйте цю сторінку, щоб отримати PDF

Богдан Фесенко

Я будую стик між AI-агентами та людьми, а потім роблю його прозорим для рев'ю.

Київ · віддалено · bohdan@fesenko.ai · github.com/bohdan-fesenko · fesenko.ai

Коротко

Богдан Фесенко — інженер із Києва, який будує системи, де AI-агенти й люди разом виконують реальну роботу. Він керував розробкою в споживчому стартапі на етапі до MVP, провів команду з п'яти людей від відсутності процесу до випущеного продукту і зробив розробку з агентами практикою, прозорою для рев'ю. Зараз будує агентні платформи та пайплайни детекції і трекінгу з виміряною якістю.

Як я працюю

Спершу виміряй, потім налаштовуй. Стенд оцінювання пишеться раніше за алгоритм, і кожну фазу закриває число на ньому, а не відчуття. Для кожного параметра записано його походження (виміряно, взято зі статті, виведено, вирішено або припущено) і умову, за якої я його перегляну.

Назви режим відмови раніше, ніж про нього спитають. Найсильніше, що може зробити інженер, — самому, не чекаючи питання, і з числом назвати режим, у якому його власний метод перестає працювати. У моїх нотатках до проєктів поруч із результатами записано, що їх спростувало б.

Агенти — частина команди, тому їхню роботу рев'юють. Я запровадив агентну розробку в компанії в перший же день, а потім побудував навколо неї рамки: онбординговий курс як обов'язковий етап, рев'ю AI-сесій як частину код-рев'ю, шкалу оцінювання з названими червоними прапорцями. Швидкість без прозорості для рев'ю — це борг.

Люди отримують цілі, а не завдання. Інженер володіє своїм модулем як його продакт-овнер. Техлід стежить, щоб модулі були синхронізовані, патерни узгоджені, а виконання підзвітне, і не стає вузьким місцем в ухваленні рішень.

Принципи, яких я дотримуюсь

  1. Кожну фазу закриває число на стенді оцінювання, а не відчуття.
  2. Одна реалізація, а не прототип і переписування: стенд вимірює той код, що йде в реліз.
  3. Порівняння лише за однакової частоти хибних тривог.
  4. Рев'ю AI-сесій — частина код-рев'ю.
  5. Рішення записані поруч із кодом, з причиною і датою.
  6. Єдиний гарантований програш, з нульовою дисперсією, — вічний брейншторм: так і не почати.

Досвід

  1. Керівник розробки

    Споживчий застосунок для родин, етап до MVP (stealth), підпадає під COPPA

    • Безпосередньо відповідав за всю розробку. Провів команду з п'яти людей від відсутності інженерного процесу до робочого основного циклу продукту в TestFlight приблизно за три місяці, потім працював архітектором платформи та неформальним лідом української команди.
    • 148 злитих pull request-ів у монорепозиторії із семи застосунків за десять місяців; 95 міграцій бази даних, 452 тестові файли і 29 CI-воркфлоу, яких торкалися мої зміни; близько третини обсягу коду, паралельно з керуванням командою.
    • Спроєктував і випустив усю MCP-поверхню продукту: основу SSE-ресурсів із шиною подій, що відстежує зміни, п'ять живих ресурсів, каталог із 83 інструментів з анотаціями для кожного інструмента і валідацією реєстру під час запуску, а також OAuth з динамічною реєстрацією клієнтів для сторонніх MCP-клієнтів.
    • Запровадив агентну розробку в перший день, а потім зробив її прозорою для рев'ю: курс з AI-кодингу як обов'язковий етап онбордингу, рев'ю AI-сесій як частина код-рев'ю, шкала оцінювання з названими червоними прапорцями, трекер роботи для оркестрації агентів та інструмент змагального рев'ю кількома моделями.
    • Написав для команди протокол планування і рев'ю: цілі, а не завдання; рев'юери в ролі опонентів, щоб знання поширювалися; вимоги до апрувів залежно від розміру зміни; SLA на рев'ю від чотирьох годин до тридцяти хвилин для хотфіксів.
    TypeScriptNode.jsFastifyMCPMastraPostgreSQLDrizzleSupabaseReact NativeExpoNext.jsCloud RunGitHub ActionsGemini / Vertex AIClaude CodeBMAD
  2. AI-інженер, агенти та LLM-застосунки

    Маркетплейс AI-агентів

    • Побудував бекенд агентів і агентів рівня proof-of-concept для маркетплейсу AI-агентів, з тестовим інтерфейсом для оцінювання поведінки агентів до релізу.
    • Випустив фронтенд LLM-чату, адаптований під агентів маркетплейсу, і демо, з яким продукт презентували.
    PythonLLM-агентиоцінювання агентівTypeScriptNext.js
  3. Засновник і AI lead

    Власний AI-продукт

    • Будував продукти на генеративному AI з пошуком і retrieval, агентними workflow та власними інструментами.
    • LLM-застосунки для клієнтів, зокрема MVP рекомендацій реклами з аналізом ключових слів і кілька продуктових фронтендів; публічне рішення змагання Kaggle з детекції кораблів.
    PythonTypeScriptRAGLLM-агентиFastAPINext.js
  4. AI-інженер

    Фриланс, клієнтські проєкти

    • Виконав понад 20 проєктів з генеративним AI для клієнтів: від NLP-чат-ботів до автоматизації робочих процесів.
    PythonLLM-застосункиNLPчат-ботиавтоматизація процесів
  5. Lead ML-інженер

    ML-команда для корпоративних клієнтів

    • Керував командою з трьох інженерів: найм, навчання і розвиток.
    • Проєктував наскрізні ML-рішення для корпоративних клієнтів, спрямовані на економію витрат і автоматизацію процесів.
    Pythonмашинне навчанняMLOpsлідерство команди
  6. ML-інженер

    Адаптивна платформа онлайн-навчання

    • Побудував ML-пайплайни для персоналізованих курсів; частка завершених курсів зросла на 23%.
    • Побудував NLP-моделі зіставлення відповідей, що дали нові функції курсів; поганих відгуків стало на 37% менше.
    PythonNLPML-пайплайнирекомендації
  7. Data Scientist

    Компанія комп'ютерного зору

    • Побудував систему розпізнавання облич: нова архітектура мережі, датасет і метод навчання для оцінки якості зображення та агрегації ембедингів.
    • Випустив повний пайплайн: шість нейромереж на одному сервері, чотири потоки Full HD у реальному часі на одній GTX 1080 Ti; розгорнуто в кількох містах України.
    Pythonглибоке навчаннярозпізнавання обличвідео в реальному часіінференс на GPU

Вибрані проєкти

  • track-lab: від зашумлених детекцій до підтверджених треків, з вимірюваннями — Цілі, надто слабкі для будь-якого окремого кадру, шум, схожий на цілі, розмітка, що запізнюється. Еталонний трекер і симулятор, який знає правду, де кожне рішення виміряне і його можна запустити просто на сторінці. Симулятор із точно відомою істиною; Kalman та IMM; стробування; GNN та JPDA; підтвердження M-of-N та SPRT; track-before-detect; злиття даних лише за пеленгами
  • Розробка з агентами як практика, прозора для рев'ю — Я зробив AI-сесії частиною код-рев'ю: зі шкалою оцінювання, названими червоними прапорцями й онбординговим курсом як обов'язковим етапом. Швидкість без прозорості для рев'ю — це борг. Агентний робочий процес запроваджено в компанії в перший день; агентні команди в репозиторії та воркфлоу синхронізації сторі, завдяки якому файли сторі в git, написані агентами, стали основним трекером
  • MCP-поверхня, яка не запускається, якщо інструмент бреше про себе — 83 інструменти, п'ять живих ресурсів через server-sent events, OAuth з динамічною реєстрацією для сторонніх клієнтів і реєстр, що проходить валідацію під час запуску. Каталог із 83 інструментів з анотаціями для кожного інструмента і валідацією реєстру під час запуску
  • Асистент, який керує цим сайтом у вас на очах — Поставте питання, і він перелітає на сторінку, показує на розділ, запускає демо й крутить його параметри, а відповідає картками, зібраними з контенту самого сайту, тож вигадати число не може. Один типізований реєстр дій керується чотирма режисерами: живою моделлю, записаними турами, голосом і будь-яким браузерним агентом через WebMCP
  • Цілі в кілька пікселів із рухомої камери, у реальному часі на edge-пристрої — Ціль завширшки три пікселі майже не несе інформації в просторі. Уся вона в часі, тому пайплайн спершу інтегрує, а вже потім вирішує. Залишкова похибка реєстрації на реальному 4K-відео з рухомої камери: медіана на відкладеній вибірці 0.080 px на 706 парах, жодного збою, на межі точності вимірювання
  • Одна пам'ять для парку агентів, що пишуть код — Кілька агентів, кілька машин, один спільний шар даних із точками монтування, потоками сигналів, адресними шепотами й сховищем секретів, і правило про те, хто що може записувати. Перше покоління: один файл SQLite, відкритий як MCP-сервер із 12 інструментами; документи з frontmatter, прямі й широкомовні сигнали, присутність, повнотекстовий пошук; жодних зовнішніх сервісів
  • Мобільний продукт у TestFlight за шість тижнів: один інженер з агентами — Соцзастосунок для мотоспільноти міста з Telegram-ботом для чатів, якими райдери вже користуються: iOS і Android з однієї кодової бази, одна перевірка для людей і CI. Від першого коміту 2026-08-10 до продакшн-збірки в TestFlight 2026-09-17; 1,235 комітів на 2026-09-23

Навички

Мови

TypeScriptNode.jsPythonC++17SQLRust

ML і чисельні методи

векторизовані numpy і scipyKalman та IMMGNN та JPDASPRT та M-of-Ntrack-before-detectмежі Крамера-РаоMOTA / IDF1 / HOTAмаршрутизація та оцінювання LLM

Системи

FastifyPostgreSQL та DrizzleSupabaseSSE та WebSocketOAuth 2.0 та DCRGoogle Cloud RunGitHub ActionstestcontainersReact Native та ExpoNext.jsреальний час на edge-пристроях ARM

Агенти та LLM-інструменти

Model Context Protocol, серверна частинаMastraClaude Code, Codex, Cursor, BMADAgent Client Protocolзмагальне рев'ю кількома моделямитрекери для оркестрації агентів

Керівництво

команда з п'яти людей у ролі керівника розробкипротоколи планування та рев'юартефакти спринтів з урахуванням ресурсу команди та залежностейонбординг інженерів в агентну розробку