Skip to content
pavel·smolin
enrupl

Staff Product Engineer · Systemy AI

Buduję produkcyjne systemy AI.

Jestem product engineerem na poziomie Staff z ponad 10-letnim doświadczeniem w budowaniu i wdrażaniu produkcyjnego oprogramowania w AI, fintechu, webie, mobile i Web3. Pracuję na całym przekroju: architektura, backendy w TypeScript i Node.js, React i Next.js, React Native, systemy LLM, integracje i niezawodność na produkcji.

WspółpracujmyZobacz realizacje
Pavel Smolin na tle mostu Golden Gate w San Francisco
San Francisco · 2026
10+lat produkcyjnego oprogramowania
Web + mobileCouncil — produkt AI zbudowany w pojedynkę
82%uruchomień AI nie czeka już na planner

Czym się zajmuję

Najbardziej przydaję się tam, gdzie spotykają się decyzje produktowe, architektura i praktyczne wykonanie.

Złożone produkty — od pomysłu do produkcji.

01

Systemy AI

Projektuję i wdrażam produkcyjne systemy LLM: orkiestracja wielu modeli, ustrukturyzowane odpowiedzi, streaming, ewaluacja, niezawodność, optymalizacja kosztów i przepływy agentowe.

02

Product engineering

Prowadzę produkty od pomysłu do produkcji w webie i na urządzeniach mobilnych, łącząc wyczucie produktu z praktyczną inżynierią.

03

Architektura i platformy

Projektuję utrzymywalne systemy TypeScript, API, integracje, infrastrukturę i procesy developerskie, które rosną razem z produktem.

Studia przypadków

Systemy, za które odpowiadałem od początku do końca: problem, decyzje i to, co się zmieniło.

Dowody, nie portfolio.

Produkt AI · Web, iOS, Android

Council: produkt AI na wielu modelach, zbudowany i wydany w pojedynkę

  • 3modele na sesję
  • 2 → 1dostawców płatności, jedno źródło prawdy
  • 1backend dla webu i mobile
Problem
Jeden model to jedna opinia. Council zadaje to samo pytanie kilku niezależnym modelom i łączy ich odpowiedzi w jedną rekomendację z jawnym wskaźnikiem zgodności.
Mój zakres
Wszystko: produkt, architektura, backend na Next.js i Supabase, aplikacja webowa, aplikacja mobilna w Expo, subskrypcje i wydania.
Architektura
Równoległe zapytania do wielu dostawców LLM, strumieniowane do klienta przez Server-Sent Events. Każda odpowiedź dostawcy jest walidowana do typowanej struktury, a awaria jednego modelu pogarsza wynik, zamiast go przerywać. Stripe i RevenueCat są uzgadniane w jednej tabeli subskrypcji.
Rezultat
Działa w webie, w App Store i w Google Play; obu klientów obsługuje jeden backend.
Przeczytaj studium przypadkutrycouncil.app App Store Google Play

Niezawodność AI · Opóźnienia

Bramka 300 ms przed 15-sekundowym pipeline’em AI

  • 82%uruchomień bez czekania na planner
  • ~300 msmediana opóźnienia bramki
  • 0,94 / 1,00precision / recall na zestawie ewaluacyjnym
Problem
Każde uruchomienie czekało około sekundy na planner researchu, który w 82% przypadków odpowiadał „nie”, a wiadomości niebędące pytaniami i tak kosztowały cztery wywołania modeli.
Mój zakres
Diagnoza na danych produkcyjnych, projekt bramki, zestaw ewaluacyjny z progiem akceptacji i wdrożenie.
Architektura
Typowane wywołanie zwraca prawdopodobieństwa, nie tekst, a progi stosuje kod. Każda ścieżka błędu przywraca poprzednie zachowanie, więc bramka nie może zepsuć pipeline’u za nią.
Rezultat
Czekanie na planner zniknęło w 82% uruchomień, a śmieciowe wejście jest odrzucane, zanim trafi do trzech modeli frontierowych.
Przeczytaj studium przypadku

Wydajność · SEO

Ta strona: idealny wynik Lighthouse na prawdziwej stronie

  • 4 × 100kategorie Lighthouse
  • 3,5 MB → <200 KBcztery najcięższe obrazy
Problem
Trzyjęzyczna strona ze zdjęciami i długimi artykułami, a nie okrojone demo, która mimo to musiała być szybka, dostępna i dobrze indeksowana.
Mój zakres
Design system, internacjonalizacja, dane strukturalne, wdrożenie i prace nad wydajnością.
Architektura
Statyczny build w Astro, responsywne obrazy AVIF i WebP z zarezerwowanymi wymiarami, hreflang, sitemap z prawdziwymi datami modyfikacji i JSON-LD w każdym artykule.
Rezultat
100 w kategoriach Performance, Accessibility, Best Practices i SEO w mobilnym PageSpeed.
Przeczytaj studium przypadku

Artykuły

Notatki z systemów produkcyjnych.

Wszystkie artykuły
Poradnik4 min czytania

Jak dodać serwer MCP Supabase do Claude Code

Jedna komenda łączy Supabase z Claude Code przez hostowany serwer MCP: OAuth albo personal access token, project_ref, tryb tylko do odczytu i które narzędzia dodać do allowlisty.

Poradnik3 min czytania

Jak dodać serwer MCP RevenueCat do Claude Code

RevenueCat łączy się z Claude Code dwiema komendami: oficjalny plugin albo hostowany serwer MCP. OAuth czy klucz API, jak sprawdzić połączenie i co dodać do allowlisty.

Doświadczenie

Od strategii do działającego produktu.

Dziesięć lat przy produktach early-stage, skalowanych platformach i wymagających domenach technicznych: AI, fintech i Web3.

  1. Teraz

    Product engineer na poziomie Staff i konsultant

    Buduję i utrzymuję produkcyjne systemy AI od początku do końca oraz pomagam zespołom z architekturą LLM, niezawodnością, opóźnieniami i kosztami.

  2. Ostatnio

    Przywództwo techniczne

    Architektura i realizacja platform TypeScript, produktów fintech i Web3 — jako inżynier, który bierze na siebie najtrudniejsze części.

  3. Fundament

    Senior Software Engineer

    Produkty webowe i mobilne end-to-end: interfejsy, API, modele danych i infrastruktura.

Narzędzia

Narzędzia w służbie pracy.

Dobierane do produktu, zespołu i etapu, a nie odwrotnie.

AI
  • OpenAI
  • Anthropic
  • Gemini
  • Orkiestracja LLM
  • Ustrukturyzowane odpowiedzi
  • Ewaluacja
Produkt
  • TypeScript
  • React
  • Next.js
  • React Native
  • Expo
Backend
  • Node.js
  • NestJS
  • Fastify
  • GraphQL
  • Supabase
  • PostgreSQL
Infrastruktura
  • Vercel
  • AWS
  • Cloudflare
  • EAS
  • PostHog
Web3
  • NEAR
  • Ethereum
  • Stellar
  • Integracje portfeli

Masz trudny problem produktowy lub inżynierski?

Pracuję z zespołami, które budują produkty AI, platformy dla developerów, fintech i inne technicznie wymagające oprogramowanie.

Omówmy projekt