доступен · точечно Москва / удалёнка · UTC+3 ru · en сборка · 2026-07-07

leviann · портфолио

Фарид Исмаилов Senior SDET, QA Automation и AI Tooling Engineer.

Автоматизация, quality gates и AI-инструменты для backend и enterprise-систем.

Смотреть кейсы Написать в Telegram Скачать резюме

позиционирование

// 01

Чем занимаюсь.

Три направления, на которых работаю каждый день. Большинство задач — комбинация из этих трёх.

опора / 01

Quality engineering

Backend / API, e2e-автотесты, регресс, release readiness, quality gates в CI/CD.

Собрал тестовые пирамиды и регресс-наборы с нуля на трёх продуктах
REST / SQL / контракты — валидация на стыке сервисов и интеграций
Release readiness, UAT/ПСИ, quality gates вшиты в GitLab CI / Jenkins

опора / 02

AI tooling

LLM / RAG / агенты, контекст-инжиниринг, MCP, автоматизация Playwright, self-hosted пайплайны.

LLM-роутинг между Gemini и OpenRouter как универсальным фолбэком (в т.ч. до Grok) с circuit breaker'ами
RAG / CRAG поверх кода, документации и истории диалогов (ChromaDB)
Кастомные MCP-серверы и Playwright-агенты, которые гоняют реальные тест-сценарии

опора / 03

Infrastructure mindset

Docker, Linux, Nginx, systemd, observability, автоматизация в условиях реальных ограничений.

Self-hosted dev / AI стек на Linux: Docker Compose, systemd, Nginx, VPN
Диагностика багов через логи, трейсы и SQL
Архитектура под корпоративную сеть: зеркала, прокси, ограниченный egress

рабочие принципы

// 02

Как работаю.

Несколько рабочих привычек, на которые опираюсь в повседневной работе.

p_01
“Сначала логи, потом теории.”

Симптомы объясняю из journald, трейсов и SQL. Сначала воспроизвести, потом теоретизировать.
p_02
“Если этого нет в CI — это не релиз.”

Quality gates живут в пайплайнах, а не в Confluence. Релизная ветка — источник правды.
p_03
“Failure modes проектируются, а не находятся.”

Retry, circuit breaker'ы, таймауты и идемпотентность учитываются на этапе дизайна, а не после первого инцидента.
p_04
“Точечные правки вместо переписывания.”

Минимальный диф, полный обзор затронутых мест. Сначала воспроизвожу проблему, потом фикшу в корне.

ai engineering platform

// 03

Личный стек для работы с AI-агентами.

Набор инструментов для agentic development: кастомные MCP-серверы, настроенный IDE-сетап и AI-помощник на PR. Сначала обкатываю на личных проектах, потом постепенно переношу полезные паттерны в рабочие задачи.

personal stack

p_01

Свои MCP-серверы

Не только потребляю готовые MCP, но и пишу свои поверх личной инфраструктуры — 10 серверов, от код-интеллидженс до security-скана.
- Код-интеллидженс: code_ast (экономия токенов агента + быстрый код-поиск), jvm_semantic, python_semantic — символьный поиск и rename-impact без полного IDE/LSP
- Build & verify: gradle_runner (детерминированный запуск Gradle-тасков для проверки PR), playwright_review (разбор Playwright trace/video/har), deps_security (OSV CVE-скан + конфликты версий зависимостей)
- Research: firecrawl (веб-скрейпинг), gemini_media (анализ изображений/видео/аудио/PDF через Gemini)
- CRAG · собственный RAG поверх кода, ADR, диалогов и истории решений
- Planka bugfix bridge · карточки канбана как гипотезы багов для агента в IDE — обязан перепроверить каждую по коду и логам, не доверять слепо
p_02

Настроенный IDE для агентов

Cursor и VS Code с дисциплиной правок и проверок: правила, хуки, pre-edit гарды.
- Кастомные `.cursorrules` / `AGENTS.md` под каждый репозиторий
- Pre-edit гард: type-check + lint per language до того, как агент закоммитит
- Persistent memory через CRAG: сессии, фиксы и решения переживают рестарт
- Единый MCP-registry — общий конфиг между Cursor и VS Code
- Skill-файлы и cursor-hooks — повторяемые паттерны, а не одноразовые промпты
p_03

HassioBot · мультифорджевый AI-ревьюер

Первый проход по моим PR — теперь на трёх форджах, со специализированными ревью-лейнами и статическим анализом до LLM.
- Мультифордж: Gitea (основной) + GitHub + GitLab — единый пайплайн ревью независимо от того, где лежит репо
- Статический анализ первым проходом: ast-grep + semgrep правила отсеивают механическое до того, как за дело берётся LLM
- 5 специализированных ревью-лейнов: tests-contract, concurrency-state, prompt-runtime-contract, anti-heuristic, blast-radius — каждый смотрит только свою зону
- Собственный golden-eval регресс-пак — ловит, если правки промпта ревьюера тихо испортили качество вердиктов
- Inline-комментарии в PR там, где есть что сказать, summary в Telegram
- Не блокирующий — это вторая пара глаз, финальное решение моё
p_04

Один стек на все проекты

Тот же набор инструментов работает и в коммерческих задачах, и в личных репах.
- Нет отдельной «play» и «work» среды — Cursor / VS Code настроены одинаково
- CRAG-память переживает рестарт IDE и сессии: контекст не теряется
- Self-hosted: ничего не уходит наружу без явной необходимости
- Каждый workflow сначала собирается на личных проектах, потом аккуратно переносится в рабочие

избранные кейсы

// 04

Избранная работа.

Большая часть в приватных репозиториях. Названия проектов ниже — публичные псевдонимы; внутренние имена и заказчики под NDA. Архитектурные диаграммы и code walk-through готов показать на интервью.

кейс / 01 приватный репозиторий · демо по запросу

Self-hosted AI Bots Monorepo

AI tooling · self-hosted

Личный монорепозиторий Telegram- и AI-ботов с собственным MCP-стеком.

Долгоживущий монорепозиторий Telegram- и AI-ботов на личном Linux-сервере. LLM используется как часть рантайма: роутинг, фолбэки, постоянная память, tool calling, CI на каждый push. Поверх — 10 собственных MCP-серверов и HassioBot — мультифорджевый AI-ревьюер на личных PR.

ключевое

Gemini как основной провайдер, OpenRouter как универсальный фолбэк (в т.ч. до Grok) через единый роутер
Personal Memory v2: SQLite-леджер + FTS5/BM25 + LLM query planner вытеснил граф памяти как основной слой (Graphiti / Neo4j теперь support-only)
10 собственных MCP-серверов — от код-интеллидженс до security-скана, доступны прямо из Cursor / VS Code
Tool calling, function declarations, circuit breaker'ы, дисциплина retry / timeout
HassioBot · AI-ревьюер на PR: мультифорджевый (Gitea / GitHub / GitLab), статический анализ первым проходом, специализированные ревью-лейны
Access-scoped memory router: рабочий контекст маршрутизируется отдельно от личных данных — изоляция по видимости, не по паролю
Отдельная LLM-as-judge quality-gate система перед каждым ship'ом (см. карточку AI Judge ниже)
Docker / Linux / systemd / Nginx; деплой как реальные сервисы, не ноутбуки

Архитектура · схема компонентов Клик — на весь экран

Python-файлов: 1526
Тест-подобных файлов: 655
MCP-серверов: 10
Лет в проде: 2+

стек

Python 3.12
Telethon
Gemini
OpenRouter
WaveSpeed
ChromaDB
SQLite
MCP
Playwright
Docker
systemd
Nginx

кейс / 02 приватный репозиторий · демо по запросу

AI Judge · Verify-Ship Gate

AQA · AI quality gate

Двухуровневый quality-gate для AI-диффов: детерминированный ship-gate + LLM-судья с bias-компенсацией.

Собственная система приёмки изменений для монорепо ботов. Детерминированный verify-ship gate (~4900 строк, 15 сабкоманд) проверяет каждый дифф на concurrency-регрессии, cross-bot propagation, agent-scar паттерны и полноту outside-diff пруфа — прежде чем разрешить PASSED. Отдельно — LLM-судья для семантического качества ответов ботов, с явной компенсацией предвзятостей модели-судьи и SHA-256 read-trace леджером против самообмана агента.

ключевое

Verify-ship gate: ~4900 строк, 15 сабкоманд, 111 собственных тестов — обязательный барьер перед PASSED
14 обязательных ключей вердикта (concurrency, four-level sweep, cross-bot propagation, anti-heuristic audit и другие) — все должны быть true
13 распознаваемых agent-scar паттернов — ловит типовые агентские регрессии (произвольный intent-классификатор по тексту, дрейф tool-deck) до того, как они уйдут в прод
8 категорий outside-diff blast radius (caller / callee / sibling / test / config / prompt / schema / shared state) — гейт требует пруф, что проверено окружение диффа, а не только сам дифф
SHA-256 read-trace леджер — PASSED подтверждается машинным хэшем прочитанных файлов, а не честным словом агента
Отдельный LLM-судья (ai_eval_gate.py) для дрейфа качества ответов ботов: offline harness (256 anchor-тестов) → live prompt smoke → опциональный вызов судьи за явным флагом
Явная model-family bias-компенсация: GPT переоценивает helpfulness, Claude — hedging, Gemini — театральный roleplay — судью просят компенсировать это явно
Guard-философия задокументирована со ссылками на OR-Bench (over-refusal), OpenAI safe-completions и DeepMind specification-gaming — гварды не добавляются вслепую

Архитектура · детерминированный ship-gate + LLM-судья с anti-cheat леджером Клик — на весь экран

Строк в gate: ~4900
Тестов на gate: 111
Agent-scar паттернов: 13
Обязательных ключей: 14

стек

Python 3.12
pytest
OpenRouter API
Gemini
JSON Schema
SHA-256 ledger

кейс / 03 приватный репозиторий · демо по запросу

СБС · E2E Automation

QA Automation · enterprise

End-to-end автотесты для веб-админки и PWA — с AI-помощником для triage.

Фреймворк автотестов на Kotlin для внутренней веб-админки и мобильной PWA в нескольких окружениях. Поверх обычного pipeline — небольшой AI-слой для triage: агент подтягивает логи упавшего прогона через S3 MCP, сопоставляет с проектной документацией в CRAG и готовит черновик баг-репорта в Jira, который я уже довожу руками. Та же CRAG-индексация работает и в обратную сторону — как поиск по проектной документации для команды.

ключевое

Kotlin 1.9 + JUnit 5 + Playwright for Java + Allure
End-to-end сценарии для веб-админки и мобильной PWA
Прогон в staging / pre-prod / prod окружениях с ограниченным сетевым доступом
Зеркало браузеров Playwright под закрытые билд-агенты
Test IT / Allure отчёты, регресс и release-readiness гейты
CRAG как индекс проектной документации — спецификации, ADR, runbooks, гайды по доменам
AI-triage: агент подтягивает логи через S3 MCP, сверяет с CRAG, готовит черновик бага в Jira
Поиск по проектной документации из IDE: «как работает X» возвращает релевантные куски

Архитектура · E2E-прогон + AI-triage поверх него Клик — на весь экран

стек

Kotlin 1.9
JUnit 5
Playwright for Java
Allure
Test IT
Gradle
GitLab CI
CRAG
S3 MCP
Jira API

кейс / 04 приватный репозиторий · демо по запросу

Conference Capture

AI tooling · браузер + локальный backend

Локальная запись видеоконференций с live-транскрипцией и пост-обработкой.

Связка из Chromium-расширения и локального Python-бэкенда: захватывает звук вкладки и микрофона, рендерит overlay с живой транскрипцией, уведомляет когда в диалоге звучат ключевые слова. Сессии складываются на диск и обрабатываются воркером.

ключевое

Chromium-расширение, параллельный захват tab audio и микрофона
Overlay с live-транскрипцией поверх вкладки конференции
Gemini Live как основной STT, Yandex SpeechKit как фолбэк
Уведомления по hotword'ам с низкой задержкой
Аудио и транскрипт сохраняются локально, post-processing воркер чистит и индексирует

Архитектура · цепочка захвата и транскрипции Клик — на весь экран

стек

Chromium extension
TypeScript
Python
FastAPI
Gemini Live
Yandex SpeechKit
WebAudio

кейс / 05 приватный репозиторий · демо по запросу

Hassio Walkie

AI tooling · mobile + voice

Мобильное приложение для голосового общения с личным AI-ботом.

Часть bots monorepo — мобильное приложение для голосового общения с собственным ботом по push-to-talk: захват голоса, ответ из LLM, потоковый TTS обратно в наушники. Дополнительно — режим karaoke с подсветкой синтезированной речи и интеграция с Home Assistant: голосовое управление устройствами через тот же канал.

ключевое

Native mobile, Kotlin + Jetpack Compose · low-latency PTT-захват с visual feedback
STT через Gemini Live, ответ от собственного бота из bots monorepo
Потоковый TTS — фразы начинают звучать до того, как LLM закончит генерацию
Karaoke mode: подсветка слов в реальном времени, синхронизация с TTS-таймингами
Home Assistant интеграция: голосовые команды устройствам через тот же канал
Self-hosted backend, работает по личной сети — голос наружу не уходит

Архитектура · голосовой контур и karaoke-рендер Клик — на весь экран

стек

Kotlin
Jetpack Compose
Material 3
Gemini Live
Streaming TTS
WebSocket
Home Assistant API
OkHttp

кейс / 06 приватный репозиторий · демо по запросу

Not So Super Whisper

AI tooling · voice + cross-platform desktop

Кросс-платформенный локальный диктант-инструмент — офлайн ASR вместо подписки на SaaS.

Личный диктант-инструмент под macOS и Windows: держишь хоткей — идёт запись, отпускаешь — текст уже в буфере обмена и в датированной Markdown-заметке. ASR и VAD полностью локальные (NVIDIA Parakeet TDT v3 + Silero), голос никуда не уходит — разве что опциональная LLM-полировка текста через OpenRouter. Windows — не afterthought: AGENTS.md фиксирует жёсткий parity-контракт, любое пользовательское поведение обязано зайти на обе платформы в одной задаче.

ключевое

Глобальный хоткей (Carbon EventHotKey на macOS, низкоуровневый WH_KEYBOARD_LL-хук на Windows) — hold-to-record, либо двойной тап правого Cmd/Alt для quick-insert без сохранения файла
Один и тот же ASR — NVIDIA Parakeet TDT v3 (0.6B) — на двух разных локальных рантаймах: CoreML/FluidAudio на Mac, квантованный int8 ONNX через sherpa-onnx на Windows
Silero VAD на обеих платформах гейтит тишину; идентичный ~650мс хвостовой буфер после отпускания клавиши (независимо реализован в Swift и C#), чтобы не срезать последний слог
Опциональная LLM-полировка через OpenRouter чистит транскрипт и генерирует заголовок; при сбое тихо деградирует к сырому тексту вместо блокировки потока
AGENTS.md закрепляет parity-контракт: любое пользовательское поведенческое изменение обязано зайти на обе платформы в одной задаче, иначе — явное обоснование почему нет
One-command релиз (build_all.sh): собирает и подписывает Mac-бандл, синкает Windows-исходники по SSH на вторую машину, паблишит exe с XOR-встройкой OpenRouter-ключа на этапе компиляции (плейсхолдер восстанавливается сразу после), тянет модели, забирает артефакт обратно — и явно фейлит релиз, если ключевой файл утёк в архив
Menu bar / tray на обеих платформах: 10 последних записей с copy/open, Launch at Login, честный Quit — без Task Manager

Архитектура · диктант-пайплайн + кросс-платформенный релиз Клик — на весь экран

Платформ: 2
Строк кода: ~4000
Коммитов: 20
Недель разработки: ~3

стек

Swift
AppKit
CoreML
FluidAudio
C#
.NET
WPF
Win32 API
NAudio
sherpa-onnx
Silero VAD
OpenRouter API

коммерческий опыт

// 05

Опыт работы.

Три компании, в которых отвечал за качество релизов: финансовый post-trade, международный enterprise, B2B/B2C marketplace в Сбере.

Апр 2026 — настоящее время · продолжается

Lead SDET / QA Automation Lead — мобильная платформа · BB

Крупный consumer-продукт с мобильными приложениями (Android/iOS). Руковожу QA automation-направлением: стратегия автотестирования, инструментарий, найм и менторство команды.
- Веду QA automation-направление на мобильной платформе (Android/iOS) крупного consumer-продукта
- Строю и масштабирую фреймворк мобильных автотестов на Kotlin + Appium поверх облака реальных устройств (BrowserStack)
- Управляю тест-менеджментом через TestIT: тест-планы, регресс-наборы, трассируемость требований
- Формирую стратегию quality gates и release readiness для мобильных релизов
- Найм, онбординг и менторство инженеров QA automation; рост команды
- Интеграция мобильных автотестов в CI/CD; координация с мобильными разработчиками
стек
- Kotlin
- Appium
- BrowserStack
- TestIT
- Android
- iOS
- CI/CD
- Allure
- Jira
Сен 2020 — Апр 2026 · 5 лет 8 мес

Lead SDET / Hands-on QA Lead · Сбер

B2B / B2C marketplace и e-commerce продукт внутри Сбербанка. Команда 17+ разработчиков и 1–2 QA. Зона ответственности: качество релизов, тестирование backend / API, автотесты, регресс, UAT/ПСИ, quality gates в CI/CD, release readiness.
- Отвечал за стабильность релизов 5+ лет в продукте с командой 17+ разработчиков и 1–2 QA
- Выстроил QA-инфраструктуру: регресс-наборы, UAT/ПСИ, критерии готовности к релизу, quality gates
- Собрал автотест-фреймворк на Python (Selenium / Playwright), позже мигрировал на Kotlin под стек разработки
- Покрытие smoke, регресс и end-to-end сценариями: создание комплекса, продажа, статусы, отчёты, интеграции
- Backend / API тестирование: REST, JSON-схемы, бизнес-правила, SQL-валидация, диагностика через логи и трейсы
- Performance API / интеграций на JMeter и Yandex.Tank: латенси, throughput, error rate, регрессии endpoints
- Интеграция автотестов в CI/CD: GitLab CI, Jenkins, OpenShift / Kubernetes; шаблоны MR и релизных прогонов
- Онбординг и менторство QA-инженеров; код-ревью автотестов и shift-left декомпозиция требований
стек
- Python
- Kotlin
- Java
- Selenium
- Playwright
- Appium
- REST API
- Postman
- RestAssured
- SQL
- PostgreSQL
- MySQL
- GitLab CI
- Jenkins
- Docker
- OpenShift
- Kubernetes
- JMeter
- Yandex.Tank
- Allure
- Jira
- Confluence
Ноя 2016 — Авг 2020 · 3 года 10 мес

Senior QA Engineer · Wiley

Международный enterprise: онлайн-платформы учебного контента, научные журналы и системы дистрибуции образовательных материалов. Распределённая команда, англоязычные коллеги.
- Выстроил тестовую инфраструктуру: тест-кейсы, тест-планы, матрицы трассируемости, регрессионное покрытие
- Разрабатывал и поддерживал UI-автотесты на Selenium WebDriver + Java / Python
- Тестировал REST API и интеграции между компонентами платформы
- Верифицировал данные и диагностировал дефекты в Oracle, MySQL, PostgreSQL, MS SQL
- CI/CD: Jenkins / GitLab CI, интеграция автотестов, разбор падений, приоритизация дефектов
- Тест-лидирование: декомпозиция требований, оценка трудоёмкости, координация тестовых активностей
стек
- Java
- Python
- Selenium WebDriver
- TestNG
- JUnit
- Allure
- REST API
- RestAssured
- Postman
- SQL
- Oracle
- MySQL
- PostgreSQL
- MS SQL
- Jenkins
- GitLab CI
- Jira
- Confluence
Июл 2014 — Ноя 2016 · 2 года 5 мес

QA Engineer · Exactpro Systems

Финансовые системы: post-trade инфраструктура, клиринг, расчёты, двухфакторная аутентификация. Заказчики — биржи, клиринговые палаты и финансовые организации под FCA-grade регулированием.
- Функциональное, интеграционное, регрессионное, smoke и исследовательское тестирование
- Тест-сценарии на основе проектной документации и требований финансового домена
- 2FA-сценарии с использованием мобильных приложений
- Валидация UI и данных через SQL
- Работа в Jira / Redmine, TestRail, Git / SVN
- Тестировал 24/7 критичный post-trade сервис для биржи и клиринговой палаты под регуляторными требованиями
стек
- Java
- Selenium
- Selenide
- TestNG
- Allure
- SQL
- Oracle
- MySQL
- Postman
- HTML
- CSS
- JS
- Git
- SVN
- Jira
- Redmine
- TestRail

стек

// 06

Стек.

Сгруппировано по областям. Комфортно в любой среде, где есть REST, SQL, Docker и Git.

QA / Automation

qa_automation

Фреймворки и тулинг, которыми пишу и владею каждый день.

Playwright (Java / Python)
Selenium WebDriver
Appium
JUnit 5
TestNG
Pytest
RestAssured
Postman
Allure
Test IT
JMeter
Yandex.Tank
pytest-xdist

Backend / API

backend_api

Языки и поверхности, которые тестирую и интегрирую напрямую.

Python 3.12
Kotlin 1.9
Java
REST
JSON Schema
WebSocket
SQL
Bash / PowerShell

CI/CD / Infrastructure

ci_cd_infra

Где живут пайплайны, сервисы и quality gates.

GitLab CI
Jenkins
Docker
Docker Compose
OpenShift
Kubernetes
Linux
Nginx
systemd
VPN
Git

AI / LLM

ai_llm

Прикладные self-hosted инструменты для LLM и агентов.

Gemini
OpenRouter
WaveSpeed
Telethon
RAG / CRAG
ChromaDB
Graphiti
Neo4j
MCP
Function calling
LLM routing
Context engineering

Базы данных

databases

Где читаю, валидирую и диагностирую боевые данные.

PostgreSQL
MySQL
Oracle
MS SQL
SQLite
ChromaDB
Neo4j

Инструменты

tools

Редактор, трекинг и остальной ежедневный набор.

Cursor
VS Code
IntelliJ IDEA
Jira
Confluence
TestRail
Redmine
Git
GitHub

доказательства

// 07

Краткие факты.

Без выдуманных метрик. Только верифицируемые цифры из реального опыта.

12+ лет
опыта в QA / SDET: 5+ лет
ответственности за качество marketplace-продукта: 17+ devs / 1–2 QA
контекст команды, который держал: 3 фреймворка
собрано с нуля: REST · SQL · CI/CD
ежедневная поверхность работы: Приватные демо
GitHub-репо разбираем на интервью

контакты

// 08

Как связаться.

Открыт к позициям Senior SDET / QA Automation / AI Tooling Engineer. Удалёнка или гибрид по Москве. Готов к короткому техническому разговору до начала формального процесса.

Фарид Исмаилов . Senior SDET, QA Automation и AI Tooling Engineer.

Quality engineering

AI tooling

Infrastructure mindset

“Сначала логи, потом теории.”

“Если этого нет в CI — это не релиз.”

“Failure modes проектируются, а не находятся.”

“Точечные правки вместо переписывания.”

Свои MCP-серверы

Настроенный IDE для агентов

HassioBot · мультифорджевый AI-ревьюер

Один стек на все проекты

Lead SDET / QA Automation Lead — мобильная платформа · BB

Lead SDET / Hands-on QA Lead · Сбер

Senior QA Engineer · Wiley

QA Engineer · Exactpro Systems

QA / Automation

Backend / API

CI/CD / Infrastructure

AI / LLM

Базы данных

Инструменты

Фарид Исмаилов Senior SDET, QA Automation и AI Tooling Engineer.