Максим Буньков

AI-native продуктовый инженер

Удалённо · Европа

Старший инженер-программист с 12+ годами опыта создания production-софта: Apple-платформы, мобильная разработка, инструменты для разработчиков и системная инженерия.

Я создаю продукты целиком — от неоднозначной идеи и требований до спецификации, архитектуры, реализации, тестирования и продакшена.

Мой основной стек — Swift, iOS/macOS и React Native, дополненный Rust, TypeScript, Python, сетями, real-time медиа и инфраструктурой для разработчиков.

Я работаю в спецификация-ориентированном (spec-driven), агентном процессе разработки, построенном вокруг Kiro Spec-Driven Development, Oh My Pi и Zed.

Также я строю собственную AI-инфраструктуру для разработки, включая кастомные MCP-серверы и приватную семантическую базу знаний на PostgreSQL и pgvector.

AI-NATIVE ИНЖЕНЕРИЯ

Kiro · Oh My Pi · Zed · MCP · PostgreSQL · pgvector

Я отношусь к AI-агентам как к активным инженерным коллегам, а не как к автодополнению кода.

Мой процесс разработки объединяет структурированные спецификации, оркестрацию агентов, собственные инструменты и постоянный семантический слой знаний.

Процесс разработки

Идея → Требования → Kiro-спецификация → Архитектура → Агентная реализация → MCP-инструменты / Знания → Валидация → Ревью → Production

Kiro Spec-Driven Development

Я использую спецификация-ориентированный подход Kiro, чтобы превращать неоднозначные продуктовые требования в структурированные инженерные спецификации, критерии приёмки и планы реализации — до начала разработки.

Это даёт и разработчикам-людям, и AI-агентам явный контракт, на который можно опираться в работе.

Oh My Pi

Oh My Pi — моя основная агентная среда разработки для оркестрации AI-ассистируемых инженерных задач.

Когда задачи можно разрабатывать независимо, я использую несколько агентов и изолированные git-worktree, что позволяет вести параллельные исследование и реализацию.

Кастомная MCP-инфраструктура

Я создаю кастомные MCP-серверы, чтобы предоставлять AI-агентам возможности и контекст, специфичные для конкретного проекта.

Вместо того чтобы полагаться только на универсальные инструменты, я делаю MCP-интеграции вокруг реального процесса разработки и той информации, которая нужна агенту для полезной инженерной работы.

Семантическая база знаний

Я поддерживаю личную семантическую систему знаний на базе:

PostgreSQL + pgvector

База хранит знания о проектах и эмбеддинги, позволяя получать релевантный контекст семантически, а не только через поиск по ключевым словам.

Это обеспечивает постоянный контекст проекта, доступный AI-инструментам и кастомным MCP-интеграциям.

Zed

Zed — моя основная среда разработки.

Я использую её вместе с агентным процессом для непосредственной правки кода, исследования и верификации.

ОСНОВНАЯ ИНЖЕНЕРИЯ

Языки

Swift · Rust · TypeScript · JavaScript · Python · Objective-C · Objective-C++

Apple-платформы

iOS · macOS · SwiftUI · UIKit · AVFoundation · AVPlayer · ScreenCaptureKit · ARKit · RealityKit

Мобильная разработка

React Native · Нативные модули · CocoaPods · Swift Package Manager

AI и инфраструктура разработки

MCP · AI-агенты · Агентные процессы · Kiro Spec-Driven Development · Oh My Pi · pgvector · PostgreSQL · Семантический поиск · LLM-приложения

Системы

Сети · Real-time коммуникации · Стриминг · Медиа-пайплайны · Фоновые сервисы · CLI-инструменты

Инфраструктура

Git · GitHub · CI/CD · Bash · Автоматизация · Инструменты для разработчиков

ИЗБРАННЫЕ ПРОЕКТЫ

AI-инфраструктура для разработки

MCP · PostgreSQL · pgvector · AI-агенты · Семантический поиск

Создание собственной AI-среды разработки вокруг моего инженерного процесса.

Система объединяет:

  • Кастомные MCP-серверы
  • Постоянные знания о проектах
  • PostgreSQL
  • pgvector-эмбеддинги
  • Семантический поиск
  • AI-агентов
  • Kiro-спецификации
  • Git-based разработку
  • Автоматизированные инженерные процессы

Цель — дать агентам доступ к релевантным знаниям о проекте и инструментам, сохраняя процесс разработки структурированным и воспроизводимым.

Вместо того чтобы каждый раз заново передавать контекст AI-модели, нужную информацию можно получить из постоянной семантической базы знаний через собственные инструменты.

WireDeskVR

Swift · macOS · ScreenCaptureKit · Сети · VR

Экспериментальное виртуальное рабочее пространство, исследующее стриминг рабочего стола в VR с низкой задержкой.

Я спроектировал и реализовал фоновый сервис macOS, отвечающий за захват экрана, обработку видео и сетевую связь с внешними устройствами.

Проект сочетает системное программирование под macOS, Swift, обработку медиа, сети и VR.

KnowledgeQuery

AI · Инструменты для разработчиков · Git · Спецификации · Семантические знания

Экспериментальные инструменты разработчика, связывающие знания о проекте, спецификации и реализацию.

Проект исследует, как структурированные спецификации и постоянные знания о проекте могут стать полезным контекстом для AI-ассистируемой разработки.

Лежащая в основе концепция:

Требования → Знания → Контекст → Реализация → Верификация

syncLproj

Rust · CLI · Локализация Apple · CI/CD

Rust-утилита командной строки без зависимостей для синхронизации Apple-файлов локализации .strings.

Спроектирована для детерминированного выполнения в CI/CD с сохранением переводов, порядка и комментариев разработчиков.

SpeedReaderRust

Rust · CLI · Продуктивность

Инструмент чтения на основе RSVP, ускоряющий обработку технической документации и инженерных спецификаций.

Создан вокруг практической задачи разработчика: сократить время и когнитивную нагрузку при потреблении больших объёмов технической информации.

ИНЖЕНЕРНАЯ ФИЛОСОФИЯ

Спецификации до реализации

Я предпочитаю делать требования явными до написания больших объёмов кода.

Спецификации — это общий контракт между продуктовыми требованиями, разработчиками и AI-агентами.

Постоянный контекст

AI-системы становятся значительно полезнее, когда у них есть доступ к релевантным знаниям о проекте.

Поэтому я предпочитаю постоянные, доступные поиску знания — вместо того чтобы каждый раз пересобирать контекст внутри отдельных диалогов.

Создавай инструменты, которые нужны

Когда существующий инструмент не подходит под процесс, я сам строю недостающий слой — будь то CLI, MCP-сервер, автоматизация или сервис на базе базы данных.

Агенты — это коллеги

AI-агенты занимаются исследованием, реализацией, рефакторингом, ресёрчем и повторяющимися инженерными задачами.

Они не являются авторитетами.

Сгенерированный код проходит ревью, тестирование и валидацию, прежде чем стать production-кодом.

Архитектура по-прежнему важна

AI ускоряет реализацию.

Но он не отменяет необходимости в архитектуре, проектировании систем, отладке, анализе производительности и инженерном суждении.

ЧТО Я ИЩУ

Мне интересны удалённые команды, строящие амбициозные продукты, где AI-native инженерия — часть реального процесса разработки.

Особенно интересно:

  • AI-native продукты
  • AI-инфраструктура для разработчиков
  • Агентные системы
  • MCP-инфраструктура
  • Инструменты для разработчиков
  • Продуктовая разработка
  • Web3 / Crypto
  • Мобильное и кроссплатформенное ПО
  • Сети и real-time системы
  • Экспериментальные стартапы
  • Небольшие автономные инженерные команды

ЦЕЛЕВЫЕ РОЛИ

Senior Product Engineer

Staff Product Engineer

AI-Native Software Engineer

AI Product Engineer

Founding Engineer

Developer Tools Engineer

Senior Mobile Engineer

ТЕХНИЧЕСКИЙ ПРОФИЛЬ

Основной стек

Swift · iOS · macOS · React Native

Системы

Rust · Сети · Стриминг · Real-time коммуникации · Медиа · Фоновые сервисы · CLI

AI-инженерия

MCP · AI-агенты · Агентная разработка · Kiro Spec-Driven Development · Oh My Pi · Семантический поиск · LLM-приложения

AI-инфраструктура

PostgreSQL · pgvector · Эмбеддинги · Векторный поиск · Кастомные MCP-серверы · Системы постоянных знаний

Разработка

Zed · Git · GitHub · Git Worktrees · CI/CD · Bash · Автоматизация

Стиль работы

Продуктовый подход · Автономность · Системное мышление · Spec-driven · AI-native