Buduję inteligentne systemy z modelami językowymi

Problem: Budowa aplikacji LLM od zera jest powtarzalna i kosztowna — RAG, orchestration agentów, evals i monitoring trzeba składać ręcznie.

Rozwiązanie: Dify dostarcza visual workflow, RAG pipeline, agent runtime i observability out-of-the-box. Integruję i rozszerzam go pod production workloads.

Problem: Komercyjne asystenty kodu są zamknięte i nie pozwalają na custom workflow ani integracje MCP.

Rozwiązanie: Kilo Code łączy planowanie, edycję i weryfikację w jednym toolchainie z obsługą MCP. Śledzę i integruję upstream features do własnych workflowów.

Problem: Agenty LLM gubią kontekst w dużych repozytoriach — potrzebują semantycznego indeksowania kodu, nie tylko grep.

Rozwiązanie: Serena dostarcza LSP-based semantic retrieval i precyzyjne edycje kodu przez MCP. Stosuję jako backend dla agentów kodujących.

Problem: Agenty AI są odizolowane od systemów, w których żyje wiedza projektowa (Jira, Confluence).

Rozwiązanie: Serwer MCP wystawia Jira/Confluence jako narzędzia dla LLM — agenty mogą czytać tickety, dokumenty i aktualizować status bez ręcznego kopiowania.

Problem: Długotrwałe zadania agentów blokują sesję — potrzebny jest orchestrator do uruchamiania i monitorowania wielu agentów w tle.

Rozwiązanie: Terragon zarządza kolejkami zadań, uruchamia agentów w izolowanych środowiskach i agreguje wyniki. Podstawa do multi-agent workflows.

Problem: Chciałem pokazać, że potrafię budować też poza ekosystemem LLM — czysty gameplay engineering.

Rozwiązanie: Pełna reimplementacja gry w TypeScript z modern rendering, smooth physics i retro aesthetics.