Я Дмитрий. Соединяю опыт в IT, понимание малого бизнеса и разработку с AI. Собираю системы, которыми пользуюсь сам: от сметы клиенту до анализа рекламных данных.
Демонстрационная копия с отдельной вёрсткой. Контакты и объект вымышлены. Фотография реального монтажа используется с подтверждёнными правами.
Что я проверяю
Состав и суммы документов, пользовательский сценарий, сохранение данных и связь с историей объекта.
Почему это важно
Система применяется в собственной работе. Решения проверяются на реальных потребностях бизнеса.
Работающий пакет аналитики
Реклама, которую можно проверить
Сбор отчётов Яндекс Директа в локальную базу и подготовка сводок для собственного бизнеса.
PythonREST APISQLite
Задача
Получать воспроизводимые отчёты по кампаниям, поисковым запросам и условиям показа.
Мой вклад
Требования к анализу, разработка с AI, сверка данных и проверка рабочих запросов.
Результат
Исходные TSV, повторяемый импорт и дневные, недельные, месячные сводки.
Схема работающего контура
ИсточникЯндекс ДиректReports API · только чтение
→
Исходные данныеTSV-отчётыСохраняются для сверки
→
ХранениеSQLiteПовторный импорт без дублей
→
РезультатСводкиДень, неделя, месяц
Это схема архитектуры, а не снимок интерфейса или живой рекламный отчёт.
Подтверждено проверкой 27.09.2026
Три вида запросов к API работали. Проходили 57 тестов пакета. Исходные отчёты сохранялись, данные импортировались в SQLite.
Границы текущей версии
Автоматический импорт Метрики и серверных журналов в общую базу ещё не реализован. Обезличенный пример отчёта предстоит подготовить.
Как проверяется качество данных +
Сохранённый исходный отчёт позволяет сопоставить результат с источником. Идемпотентный импорт позволяет повторно загрузить данные без накопления дублей. Автоматические тесты дополняются проверкой настоящих запросов к API.
Личный рабочий инструмент
От материала к пониманию
Локальная учебная система: библиотека курсов, небольшие блоки, вопросы и сохранение точки продолжения.
JavaScriptLLM APIУчебный процесс
Задача
Организовать последовательную учёбу и возвращаться к нужному месту без потери контекста.
Мой вклад
Личный учебный сценарий, требования, развитие с AI и проверка в повседневном использовании.
Результат
Материалы и практика в одном приложении, вопросы и сохранённый прогресс.
Материал
Небольшой блок
Статья или глава курса
→
Практика
Вопрос и ответ
Проверка понимания
→
Продолжение
Сохранённый прогресс
Возврат к своей точке
Схематическое представление процесса. Демонстрация интерфейса будет добавлена отдельно.
Прямое подключение модели
В AI-слое реализованы запросы к GLM через Z.AI API и обработка ответов. Интеграция подтверждена проверкой кода 28.09.2026.
Что этот кейс показывает
Проектирование процесса вокруг потребности пользователя, работу с внешней моделью и сохранение состояния между занятиями.
Мой способ работы
AI помогает писать код. Я отвечаю за задачу и проверку результата.
Мой опыт соединяет инфраструктуру, общение с пользователями и собственный бизнес. Это помогает видеть, где инструмент действительно полезен.
Есть практический опыт работы в amoCRM и настройки API-интеграции для автоматизации отдельных операций.
01
Разобраться в процессе
Понять пользователя, ограничения и результат, который нужен в работе.
02
Собрать решение с AI
Сформулировать требования, разбить работу на шаги, проверять изменения.
03
Довести до применения
Пройти пользовательский сценарий, сверить данные, исправить найденные ошибки.
Работа с чужим проектом
Принятый вклад в open source
Исправление ошибки в Super Productivity: исследование причины, регрессионные тесты и взаимодействие с мейнтейнером.