Jan Sachse

Projektuję wyszukiwanie hybrydowe dense+sparse z fuzją RRF — raz server-side w Qdrancie, raz jako jedno zapytanie SQL na pgvector + full-text (CTE, FULL OUTER JOIN, indeksy HNSW+GIN), zawsze z degradacją do sparse-only, gdy embedding padnie.

Buduję eval-harnessy IR (nDCG/MRR/recall, bootstrap CI, ablacje, zamrożone zbiory), na których rozstrzygam decyzje — od doboru modelu po rozdział trafności od logiki biznesowej. Zmiana bez pomiaru u mnie nie istnieje.

Wpinam modele LLM w produkty (OCR paragonów, wyszukiwarka, generator treści) z doborem modelu na podstawie pomiaru, warstwą provider-abstraction i degradacją do fallbacku zamiast HTTP 500.

Piszę kompletne serwery MCP od zera (low-level SDK, 6+ narzędzi z JSON Schema, transport STDIO) — z handshakiem zweryfikowanym end-to-end i świadomością pułapek ramkowania JSON-RPC.

Projektuję pipeline'y RAG rewrite→retrieve→rerank z pomiarem każdego ogniwa osobno — na trudnych zapytaniach podniosłem MRR z 0.676 do 0.934 przy Recall@10 = 1.000.

Orkiestruję wielu agentów AI (architekt sekwencyjny + N researcherów równolegle) oraz pętle tool-use mutujące stan aplikacji — z domkniętymi trade-offami tokenów i izolacji.

Zbudowałem asystenta zakupowego, który weryfikuje spełnienie wymagań (kolor, rozmiar, pojemność) ZANIM poleci produkt — odrzucając np. but „White/Black" przy wymogu „red".

Liczę koszt operacji LLM przed jej uruchomieniem (≈2,6 M tokenów ≈ 0,05 USD przy limicie 0,50) i wybieram modele według zmierzonego stosunku jakości do ceny, nie według cennika.

Projektuję prompty produkcyjne wymuszające deterministyczny, schematyczny output LLM — od template-as-schema po enum w JSON Schema. Prompt traktuję jak kontrakt, nie sugestię.

Projektuję mechanizmy pracy pod limit okna kontekstu — kompresję kontekstu w jedno wywołanie oraz checkpoint/resume dla artefaktów niemieszczących się w oknie (deck 80+ slajdów, auto-stop ~60%).

Zdiagnozowałem empirycznie trzy tryby porażki taniego modelu i utwardziłem go chain-of-thoughtem, małymi partiami i przeniesieniem decyzji z modelu do kodu — trafność z 5/8 do 8/8.

Zaprojektowałem kontrakt promptowy wymuszający ugruntowanie każdej tabeli faktów w źródle (obowiązkowa kolumna Źródło, tag dane/założenie) — halucynacja cytatu jest u mnie najcięższym błędem merytorycznym.

Integruję niedodokumentowane API zewnętrzne empirycznie, na żywym systemie (PSD2/Open Banking, OAuth kurierski, SEC EDGAR) — z retry/backoff, obejściami limitów i dyscypliną revert-do-known-good.

Prowadzę formalne self-audyty bezpieczeństwa (20 findingów, wykryty race umożliwiający brute-force PIN-u) i utwardzam aplikacje: RLS bez rekurencji, ochrona PII/RODO, hardening prompt-injection.

Projektuję atomową kontrolę stanu przeciw TOCTOU i replayowi — warunkowe atomic update, partial UNIQUE + transakcyjne RPC — na poziomie bazy danych, nie blokad w kodzie.

Projektuję przepływy płatnicze marketplace (Stripe Connect, escrow, manual payout + sweeper) i fakturowanie — z idempotencją webhooków i serwerowym liczeniem kwot przeciw manipulacji klienta.

Projektuję architekturę rozwiązań i uzasadniam ją na piśmie (ADR z alternatywami) — od świadomej redukcji stacku do minimum, po wycofywanie „słusznych" wyborów, gdy kontekst pokazuje prostsze i bezpieczniejsze rozwiązanie.

Projektuję idempotentne pipeline'y ETL — ingest 10k rekordów z retry honorującym retry-after, sync CKAN z reprojekcją, parser XBRL/EDGAR liczący okres z dat faktu — odporne na limity i brudne dane.

Zbudowałem własne silniki wyceny (DCF z WACC/CAPM, mnożniki, DDM) i rekonstrukcję metryk z surowych danych EDGAR — z kanonicznymi wartościami zapisanymi jako testy przed implementacją.

Zaawansowany Postgres: fuzja rankingów RRF w jednym zapytaniu (CTE + FULL OUTER JOIN, indeksy HNSW+GIN), RLS z funkcjami SECURITY DEFINER i zapytania projektowane pod realne limity PostgREST.

Buduję aplikacje na pełnym stacku Supabase — dziesiątki migracji SQL, RLS + RPC SECURITY DEFINER, edge functions w Deno — z modelem ról odpornym na rekurencję polityk.

Wytwarzam oprogramowanie w trybie AI-native (Claude Code: własne skille, hooki, pamięć projektu, pętla /loop, multi-agent + worktree) — kierując AI decyzjami architektonicznymi i review, nie odwrotnie.

Automatyzuję generowanie dokumentów Office na poziomie OOXML — ręczny montaż .docx przez altChunk, edycja .pptx po XML — z dostępnością wpisaną jako automatyczne transformacje.

Zaprojektowałem własny harness do długich, autonomicznych pętli budowy: pakiet planistyczny + MASTER-PROMPT z zaszytą pętlą /loop, budżet kontekstu mierzony jak statusline i protokół HANDOFF przy ≥55% — działa na dowolnym repo, long-horizon.

Pracuję spec-first: pofazowane backlogi z mierzalnym Definition of Done, ADR-y z sekcją „dlaczego + alternatywy" i kontrakty pracy z twardymi zakazami — zamiast setek auto-commitów bez planu.

Buduję pipeline'y CI/CD (GitHub Actions: build→rsync→weryfikacja usługi) i zadania cron (Vercel, GitHub Actions z retry/backoff) dla wdrożeń produkcyjnych.

Prowadzę backlog na GitLabie jako źródło prawdy (issues, milestones, taksonomia labeli) z autorskim, automatycznym syncem Capacities→GitLab→mirror wykonywanym przez headless agenta.

Prowadzę test-first z kanonicznymi wartościami (206 przypadków pisanych przed implementacją) i generatorem testów kontraktowych z bramką na regresję zamiast na porażkę.

Egzekwuję dostępność mierzalnie: axe 0 błędów critical/serious w obu motywach oraz WCAG w dokumentach jako automatyczne transformacje OOXML, nie ręczna checklista.

Buduję grafikę interaktywną: grę na vanilla canvas (3194 linie, własny font bitmapowy, delta-time loop), pipeline 3D GLB→react-three-fiber i mapy 3D na MapLibre.

Projektuję czytelne wizualizacje danych — wykresy z overlayem poziomów S/R zsynchronizowanym z tabelą, panele analityki, stonowane palety — świadome kontekstu i odbiorcy.

Prowadzę design system jako kontrakt na tokenach (audit/drift/update, migracja token-po-tokenie) — spójny wygląd bez surowych wartości rozsianych po kodzie.

Buduję dopracowany frontend na Next.js App Router (RSC, Server Actions), PWA mobile-first i komponenty bez bibliotek UI — z sekretami trzymanymi poza przeglądarką.

Prowadzę szkolenia AI w programie szkoleniowym organizacji (prompt engineering, vibecoding, Custom GPTs, agenci, MCP) i zbudowałem zakład produkcji materiałów — z narzuconymi standardami dydaktycznymi i produkcyjnymi.

Product Owner z certyfikatem PSPO II — prowadzę backlog od zakresu do dostawy: fazy z mierzalnymi kryteriami, priorytetyzacja, GitLab jako źródło prawdy i AI-native automatyzacja przepływu zadań.

Przekładam realne procesy klientów (kancelarie prawne) na oprogramowanie — od oferty z etapami i pilotażem po system fakturowy z regułami biznesowymi klienta.