Rozpoznaję realny proces
Zaczynam od domeny, danych, ograniczeń i ryzyk. Nie każdy problem wymaga AI, a nie każdy agent powinien mieć prawo wykonywania akcji.
Clever Development
Senior .NET Engineer / AI Infrastructure & Agentic Systems Engineer
Łączę 10+ lat doświadczenia w systemach backendowych, integracjach, CI/CD i utrzymaniu produkcji z praktycznym budowaniem agentów AI, serwerów MCP, lokalnych pipeline'ów LLM, guardrails i automatyzacji działających na realnej infrastrukturze.
O mnie
Jestem Senior .NET Engineerem z 10+ latami doświadczenia w budowie i utrzymaniu systemów produkcyjnych: mikroserwisów, integracji, platform płatniczych, systemów public sector, wyszukiwania enterprise, web crawlingu i rozwiązań działających blisko sprzętu oraz infrastruktury.
Moje doświadczenie obejmuje produkcyjne deploymenty, CI/CD, monitoring incydentów z Grafaną i PagerDuty, modernizację legacy, OpenSearch/GraphQL, systemy offline na Linuxie, integracje sprzętowe, kolejki, synchronizację danych i pracę w środowiskach o wysokich wymaganiach niezawodności.
Obecnie skupiam się na Enterprise AI Integration: łączeniu LLM-ów i agentów AI z realnymi systemami biznesowymi, bazami danych, API, workflowami i infrastrukturą. Projektuję je jak produkcyjne oprogramowanie: z kontraktami, walidacją, testami, obserwowalnością, security gates, obsługą danych wrażliwych i kontrolą człowieka tam, gdzie wymaga tego ryzyko.
Moje podejście do agentów AI nazywam Compiler-Driven Development for AI: zamiast ufać modelowi bez granic, zamykam go w kontrolowanym procesie inżynierskim - z deterministycznym kodem, strukturalnymi formatami, walidatorami, bezpiecznym wykonywaniem narzędzi i audytowalnym śladem decyzji.
Jak pracuję
Zaczynam od domeny, danych, ograniczeń i ryzyk. Nie każdy problem wymaga AI, a nie każdy agent powinien mieć prawo wykonywania akcji.
Zamiast jednego dużego modelu projektuję pipeline: klasyfikacja, ekstrakcja, walidacja, planowanie, wykonanie, QA i audyt jako osobne etapy.
Agent dostaje narzędzia dopiero po zdefiniowaniu granic: formatów odpowiedzi, walidatorów, whitelist, trybów read-only/write, logowania i bezpiecznych fallbacków.
Arytmetyka, decyzje bezpieczeństwa, operacje systemowe i walidacja danych nie powinny zależeć wyłącznie od probabilistycznej odpowiedzi modelu.
Dodaję testy, monitoring, CI/CD, dokumentację i obserwowalność, żeby rozwiązanie nie było jednorazowym demo, tylko systemem możliwym do utrzymania.
Portfolio AI
Realne systemy, publiczne repozytoria i techniczne publikacje.
Hybrid Therapist AI to eksperymentalny, lokalny pipeline multi-agent LLM napisany w .NET i uruchamiany przez Ollama. Demo domenowe wykorzystuje rozmowę terapeutyczną jako trudny stress test architektury. Projekt nie jest produktem medycznym. W trybie R&D pipeline działa sekwencyjnie na konsumenckiej karcie GTX 1060 6 GB, bez kosztów API i bez wysyłania danych do chmury.
H.A.N.D. Codec to autorski, kompaktowy format komunikacji między agentami AI. Powstał z problemu, że małe lokalne modele często nie zwracają stabilnego JSON-a. Testuje krótkie komunikaty, implicit priming i parser z resilience ladder. W benchmarku H.A.N.D. Compact osiągnął 34.9% średniej oszczędności tokenów względem plaintext przy 19/19 przechodzących scenariuszach.
Buduję serwery Model Context Protocol dające agentom kontrolowany dostęp do realnych systemów: Home Assistant, OpenWrt, urządzeń IoT, VPS, sieci i danych finansowych. Nacisk na bezpieczne tryby read-only i separację operacji. W projektach integracyjnych budowałem też dodatkowe warstwy autoryzacji i proxy dla systemów, w których standardowe klienty agentowe nie obsługiwały wymaganego przepływu OAuth/PKCE.
W projektach AI zakładam, że model może się pomylić. Krytyczne fragmenty przenoszę do deterministycznego kodu, walidatorów, whitelist i sandboxów. IP Box Wizard AI: LLM prowadzi proces, Python wykonuje obliczenia. Projekt zawiera testy matematyki oraz scenariusze LLM z mechanizmem VCR, co pozwala regresyjnie sprawdzać zachowanie agenta bez ciągłego odpytywania modeli.
Od lat buduję i opisuję rozwiązania Linux, Raspberry Pi, Home Assistant, Domoticz, mikr.us, MQTT, sieci i automatyki domowej. Praktyczne laboratorium do testowania agentów i integracji w realnym środowisku.
Publikacje
Nie traktuję projektów AI jako zamkniętych demo. Dokumentuję decyzje architektoniczne, publikuję kod i opisuję, co działało, co się psuło i dlaczego dane rozwiązanie ma sens inżynierski.
Opisałem projekt H.A.N.D. Codec i Hybrid Therapist AI: lokalny pipeline LLM uruchamiany przez Ollama, napisany w .NET, z warstwami privacy/safety, tłumaczeniem PL↔EN, kontrolą jakości i trace endpointami. Artykuł pokazuje, dlaczego małe modele często zawodzą przy sztywnym JSON-ie.
IP Box Wizard AI: LLM prowadzi proces krok po kroku, ale krytyczne obliczenia podatkowe wykonuje deterministyczny kod Python. Projekt pokazuje, że AI nie musi wykonywać arytmetyki — wystarczy, że dobrze organizuje proces.
Autorski blog techniczny: Linux, Raspberry Pi, Home Assistant, Domoticz, mikr.us, automatyka domowa i praktyczne notatki infrastrukturalne.
Stack technologiczny
Stosuję sprawdzone technologie, które pozwalają szybko wdrażać, skalować i utrzymywać rozwiązania AI oraz aplikacje webowe.
C# · .NET 10 · ASP.NET Core · EF Core · Dapper · REST · GraphQL · MediatR · CQRS · microservices
MS SQL · PostgreSQL · MySQL/MariaDB · Azure Table Storage · OpenSearch · LanceDB · DuckDB
MCP · multi-agent orchestration · RAG/context pipelines · tool calling · structured outputs · local LLMs · cloud LLMs · Ollama · OpenRouter · H.A.N.D. Codec
Compiler-Driven Development for AI · guardrails · validation · secure tool execution · PII-aware handling · human review · token economics · progressive tool discovery
Docker · Docker Compose · Linux · Azure · AWS · GitHub Actions · Azure DevOps · TeamCity · Octopus · Jenkins · Grafana · PagerDuty
Home Assistant · MQTT · Zigbee2MQTT · OpenWrt · OpenBeken · Tasmota · energy optimization · self-healing infrastructure
Astro · Tailwind · TypeScript · JavaScript · Angular · React
Doświadczenie produkcyjne
Pracowałem przy systemach krytycznych biznesowo: płatnościach, public sector, platformach enterprise z intensywnym wyszukiwaniem, integracjach fitness/IoT i wysokowolumenowym web crawlingu. Moje doświadczenie obejmuje produkcyjne deploymenty, monitoring incydentów, legacy modernization, OpenSearch/GraphQL, systemy offline na Linuxie, integracje sprzętowe, kolejki, synchronizację danych i CI/CD.
To doświadczenie jest bazą mojego podejścia do AI: agenci, modele i narzędzia muszą działać w takich samych rygorach jak każdy inny system produkcyjny — z testami, monitoringiem, rollbackiem i odpowiedzialnością za skutki.
Rozwój i utrzymanie rozproszonej platformy płatniczej opartej o wiele współzależnych mikroserwisów .NET. Praca w środowisku o wysokich wymaganiach niezawodności z monitoringiem Grafana i dyżurami PagerDuty.
Utrzymanie legacy .NET Framework i równoległa budowa następcy w .NET 6 dla międzynarodowego klienta. Katalogowanie i wyszukiwanie dużych zbiorów danych przez OpenSearch, integracje GraphQL.
Rozwój API i backendu dla sieci klubów fitness. Projekt wiodąca niemiecka sieć klubów fitness: terminale lokalne, integracje sprzętowe, kontrola dostępu, synchronizacja przez kolejki Azure.
System codziennego monitorowania ofert telekomunikacyjnych dla brytyjski klient z branży telekomunikacyjnej. Backend ASP.NET MVC, frontend Angular 2, optymalizacja kosztów infrastruktury.
Aplikacje dla irlandzkiej państwowej agencji transportu: obsługa kierowców, operacji, zgłoszeń. Rozwój backendu, optymalizacja Dapper, CI/CD z TeamCity i Octopus Deploy.
Aplikacje ASP.NET MVC, WinForms z DevExpress, utrzymanie środowisk firmowych, baz danych i wsparcie IT — fundament pod większe systemy backendowe.
Kontakt
Szukasz inżyniera od .NET 10, AI infrastructure albo systemów agentowych? Napisz.