# Принципы подачи опыта — senior backend (Ruby) + AI

Рабочий документ: как объединить Ruby и AI в единую историю резюме/профиля.
Применяется при доработке резюме (см. `resume-gap-analysis-ruby-ai.md` и доработку `western-cv-template.html`).

---

## 1. Позиционирующий тезис (кто я и на какие роли целюсь)

**Senior backend-инженер с 20+ годами в Ruby (Rails, high-load e-commerce/fintech), который строит прикладную AI/LLM-экспертизу и ищет роли, где AI встраивается внутрь продукта.**

Одна строка-тезис (для саммари/первой фразы интервью):

> Senior backend engineer, 20+ years — high-load Ruby/Rails systems for e-commerce and fintech — now building applied AI (RAG, agentic workflows) into real products.

Что из этого следует:

- **База — Ruby.** 20+ лет, Rails, high-load, e-commerce/fintech. Это главный, доказанный актив.
- **AI — направление развития, а не второй стек.** Есть два production-кейса (AI voice bot в Райффайзенбанке, AI-агент code review в Самокате); глубина AI подтверждается пет-проектами, статьями, докладами, подкастом (публичные артефакты).
- **Роль — IC-разработчик, не менеджер.** Целюсь на позиции senior backend / senior software engineer (Ruby-first или language-agnostic) в компаниях, где AI — часть продукта (AI-infrastructure, RAG-системы, агентная разработка, LLM внутри софта).
- **Рынок — зарубежная удалёнка**, профиль на английском, титул «Senior Backend Engineer», не «Technical/Team Lead».

---

## 2. Принципы объединения Ruby и AI (единая история, не две карьеры)

1. **Одна рамка: «инженер сложных систем, применяющий это к AI».** Ruby-опыт подаётся как доказанная способность строить production-системы (пайплайны, распределёнка, observability). AI — как применение той же инженерии к новому слою стека. Формула: *фундамент (Ruby/high-load) → применение (AI/LLM)*.

2. **AI описывать инженерным языком, а не «разбираюсь в LLM».** RAG-система = retrieval pipeline + latency/reliability + embedding/vector store; агенты = оркестрация + tool use + управление контекстом. Это напрямую связывает AI с уже доказанным опытом (Kafka, ClickHouse, event-driven, API-дизайн) и не выглядит отдельной карьерой.

3. **AI в Experience — только реальные production-кейсы.** Сейчас их два: AI voice bot (Райффайзенбанк, LangChain) и AI-агент code review (Самокат, Ruby-сервис на GitLab webhook). Остальное AI живёт в разделе проектов/контента с публичными ссылками. Честность важнее охвата: провал на собеседовании дороже, чем «не хватает AI в опыте».

4. **Подчёркивать пересекающиеся компетенции.** Навыки, которые работают на обе истории сразу: высоконагруженные пайплайны (Dixy 10x, SeoPult Go-crawler, Samokat Kafka→WebSocket), event-driven, observability (OpenTelemetry/Jaeger), API-дизайн, DDD. Именно они — мост к production-RAG/агентным системам; называть их общим языком.

5. **AI — дифференциатор в конце, Ruby — главный стек в начале.** Порядок везде одинаковый: сначала Ruby-инженерия (что доказано), затем AI (что растёт и куда хочу). AI не вытесняет Ruby ни в заголовке, ни в саммари.

6. **Лидерские титулы де-акцентировать, но не скрывать.** Реальные титулы (Lead Backend Engineer, Technical Lead, Product Team Lead, Ruby Practice Lead) остаются (верифицируемость), но булеты переписываются на инженерные результаты и «владение end-to-end», а не на «управлял N людьми». Позиционирование — IC, поэтому менеджерское измерение не акцентируем.

7. **AI-доказательства — публичные и проверяемые.** Пет-проекты на GitHub, статьи, доклады (RubyRussia, TechLead Conf), подкаст HeavyTech. Это «фактура» для AI-части истории, аналог production-кейсов.

---

## 3. Что идёт куда (распределение контента по разделам)

| Раздел | Содержание | Ruby | AI |
|---|---|---|---|
| **Заголовок (role line)** | `Senior Backend Engineer · Ruby on Rails · Distributed Systems & APIs` (+ опц. `· AI/LLM` в конце) | главное | дифференциатор в конце |
| **Summary** | 2–3 предложения Ruby-инженерии с метриками (20+ лет, 10x, продукты с нуля), затем 1 предложение про AI-направление с конкретикой (RAG, агенты) + публичные доказательства | основа | короткий акцент-финал |
| **Skills** | добавить категорию `AI/LLM`: LLM integrations, RAG, embeddings/vector DB, agentic workflows, tool use (честный список, пометить как растущее) | полный стек | отдельная честная строка |
| **Experience** | только реальные production-факты (Ruby/бэкенд + два AI-кейса); лидерские титулы → инженерные булеты | весь раздел | два production-кейса |
| **Projects (новый раздел)** | AI-витрина: 2–3 пет-проекта (RAG-система, агентный workflow) + статьи/доклады/подкаст, ссылки на GitHub | — | здесь AI подтверждается |
| **Education** | без изменений | — | — |

**Главное правило:** AI появляется в резюме ровно там, где есть факты (Projects/контент + строка в Skills + фраза в Summary; в Experience — только два реальных production-кейса), и не появляется там, где фактов нет.

---

## 4. Как это применяется при доработке

- Заголовок/саммари — привести к IC-позиционированию (убрать «Lead» из role line, если мешает; саммари — формула «фундамент → применение»).
- Добавить раздел Projects под AI-витрину (пет-проекты + публичные артефакты).
- Добавить строку `AI/LLM` в Skills.
- Experience — перепроверить булеты на «инженерные результаты, не менеджмент».
- Согласованность с LinkedIn (`linkedin-headline-about.md`, `linkedin-experience-draft.md`) и кейсами откликов в `applications/`.

Связанные документы: `resume-gap-analysis-ruby-ai.md` (слабые места), `linkedin-headline-about.md` (готовые headline/About).