Антон Адамсон

AI SDLC Engineer

Я проектирую и довожу до релиза ПО, которое можно понять, проверить и выпустить.

Объединяю инженерное мышление, глубину реализации и AI-assisted delivery, чтобы превращать реальную задачу в рабочее ПО.

Предложить роль Обсудить проект
14 лет инженерного опыта
Инженерия и управление проектами до разработки ПО
Backend · Mobile · Infrastructure
Достаточная глубина реализации для проверки работы агентов
От анализа до проверенного релиза
Один ответственный delivery loop

Избранные работы

Системы, процессы и выпущенные продукты.

Три стороны одной практики: контролировать работу, улучшать цикл и доставлять реальный результат.

01 / Система доставки

Groundwork

Публичный набор evidence-first skills: от незнакомой кодовой базы до исполнимого плана без выдуманной архитектуры и незаметного расширения scope.

Проблема
Быстрая реализация может обогнать понимание системы и возможность ревью.
Моя роль
Спроектировал workflow, инструкции, guardrails и модель проверки.
Доказательство
Три опубликованных skill с реальными контрактами документов для Claude, Codex и Pi.
Открыть Groundwork на GitHub
groundwork / pipeline публичный репозиторий
01
codebase-analysis output: CURRENT_STATE.md
02
solution-design output: SOLUTION.md
03
planf3 output: implementation plan
Каждый этап использует доказательства предыдущего. Scope — контракт, а не пожелание.

02 / Обратная связь

AI Workday Analytics

Регулярный анализ работы Claude и Codex. История сессий превращается в конкретные улучшения для skills, инструкций, hooks, runbooks и привычек проверки.

Проблема
Повторяющиеся затруднения невидимы, если каждая сессия агента считается одноразовой.
Моя роль
Спроектировал детерминированный сбор данных и evidence-led процесс анализа.
Доказательство
Ежедневные Markdown-отчёты с приоритетами и отметками слабых доказательств.
анализ рабочего дня обезличенный пример
Ежедневное ревью Где delivery loop потерял время?
  1. Высокая уверенность

    Повторная ошибка инструмента требует узкого шага runbook, а не ещё одной попытки.

  2. Средняя уверенность

    Широкая инструкция должна стать проектным skill с исполнимой проверкой.

  3. Слабые доказательства

    Сохранить наблюдение, но не автоматизировать, пока оно не повторится.

Результат — очередь решений, а не dashboard активности.

03 / Product delivery

Выпущенные продукты

Процесс заканчивается работающим ПО: мобильными продуктами, backend-сервисами и собственной инфраструктурой. FlowTimer и bro-agent — публичные примеры.

FlowTimer
Android-трекер дня, самостоятельно спроектированный и выпущенный в RuStore как v1.1.0.
bro-agent
Детский AI-ассистент с постоянными чатами, историей событий для родителей и fail-closed safety.
Backend
Платежи, подписки, авторизация, webhooks и инфраструктура в закрытых системах.
Открыть FlowTimer в RuStore Открыть bro-agent
Промо-экран FlowTimer с запуском и отслеживанием интервала
Промо-экран таймлайна FlowTimer
Промо-экран статистики FlowTimer
Актуальные промо-мокапы FlowTimer на основе выпущенного Android-приложения.

Обо мне

Инженерное мышление до разработки. Дисциплина доставки после неё.

До перехода в разработку ПО я 14 лет занимался инженерией и управлением проектами. Сейчас работаю с Python backend, приложениями на Swift и Kotlin, инфраструктурой и AI-assisted процессами доставки.

Этот опыт определяет мой подход к агентам: прояснить ограничения, сделать работу удобной для ревью, проверить результат и отвечать за то, что уходит в релиз.

  1. Начать с контекста

    Понять реальную систему, ограничения и текущее поведение.

  2. Ограничить работу

    Выбрать минимальное решение и сделать работу удобной для ревью.

  3. Проверить результат

    Использовать тесты, доказательства и критерии приёмки до доставки.

  • Agentic engineering
  • Developer productivity
  • Backend systems
  • Мобильные продукты
  • Delivery automation
  • VPS infrastructure

Контакты

Роль или проект. Оба сценария — хороший повод поговорить.

Email antony.adamson@gmail.com Telegram @Tony_Adamson GitHub tony-adamson LinkedIn Антон Адамсон