Michał KrzewicaBackend Developer & AI Engineer

Projektuję i rozwijam systemy backendowe oraz rozwiązania AI, które sprawdzają się nie tylko na etapie prototypu, ale przede wszystkim w codziennej pracy produkcyjnej.

Pracuję zarówno nad API i architekturą systemów opartych na zdarzeniach, jak i aplikacjami wykorzystującymi LLM oraz workflowami agentowymi tworzonymi z użyciem LangGraph.

LinkedIn E-mail

5+ lat doświadczenia w tworzeniu systemów produkcyjnych · Backend · LLM · AWS

Jak pracuję

Nie zaczynam od kodu, ale od problemu, który trzeba rozwiązać. Najpierw poznaję wymagania i ograniczenia, później projektuję rozwiązanie, wdrażam je i sprawdzam, jak zachowuje się w praktyce. Jeśli coś nie działa tak, jak powinno, wracam do wcześniejszych założeń i szukam lepszego podejścia.

Mój proces przypomina graf workflowu — poszczególne etapy są ze sobą powiązane, ale nie zawsze trzeba przechodzić przez nie w jednej, niezmiennej kolejności. Podobnie projektuję systemy agentowe, w których każdy krok ma określoną rolę.

jak-pracuje.graph gotowy

krok 01 · scope

Zrozumienie problemu

Zanim podejmę decyzje techniczne, chcę wiedzieć, co właściwie budujemy, komu ma to służyć i po czym poznamy, że rozwiązanie spełnia swoje zadanie.

Ustalam cele projektu i sposób mierzenia rezultatów.
Analizuję dostępne dane, ich strukturę oraz wymagania dotyczące prywatności.
Dobieram sposób przetwarzania do charakteru zadania: synchroniczny, asynchroniczny, strumieniowy lub wsadowy.

success metricsconstraintstrade-offs

success   measurable on a golden set
latency   stream progress to the UI
cost      batch where real-time isn't needed
privacy   keep only what's needed

krok 02 · design

Zaprojektowanie systemu

Dobry projekt zaczyna się od przemyślanych kontraktów, modelu danych i wyraźnego podziału odpowiedzialności. Dzięki temu system jest łatwiejszy w rozwoju, a jego poszczególne elementy można zmieniać bez niepotrzebnego wpływu na pozostałe.

Projektuję REST API i schematy zdarzeń.
Dopasowuję modele danych do rzeczywistych sposobów korzystania z aplikacji.
Oddzielam logikę backendową od komponentów odpowiedzialnych za przetwarzanie LLM.

RESTSSESQSMongoDB

POST /jobs               → 202 Accepted
GET  /jobs/{id}/stream   → text/event-stream
job.completed            → SQS

krok 03a · backend

Zbudowanie Rdzenia

Nawet najbardziej zaawansowana funkcja AI potrzebuje solidnego zaplecza. Dlatego dużą wagę przykładam do jakości API, obsługi procesów i infrastruktury, na której działa aplikacja.

Tworzę usługi i API z przewidywalnymi, spójnymi kontraktami.
Obsługuję długotrwałe zadania za pomocą kolejek i funkcji serverless.
Wdrażam usługi w kontenerach Docker na AWS ECS, dbając o ich monitoring i diagnostykę.

PythonFastAPIPHPSymfonySQSLambdaDocker

@router.post("/jobs", status_code=202)
async def create_job(cmd: CreateJob) -> JobAccepted:
    job = await jobs.create(cmd)
    await queue.publish(JobQueued(job.id))
    return JobAccepted(id=job.id)

krok 03b · llm

Zbudowanie warstwy LLM

Workflowy agentowe projektuję jako uporządkowane grafy, zamiast łączyć kolejne wywołania modeli w trudny do kontrolowania ciąg operacji. Każdy etap ma określone zadanie, a jego działanie można niezależnie testować, ponawiać i modyfikować.

Wykorzystuję LangGraph do obsługi równoległych zadań, walidacji i ponowień.
Korzystam z LangChain, aby zachować elastyczność w integracji z różnymi dostawcami modeli.
Zarządzam promptami i ich wersjami niezależnie od kodu aplikacji.

LangGraphLangChainmodel-agnosticRAG

builder.add_node("draft", draft_section)
builder.add_node("validate", validate)
builder.add_conditional_edges(
    "validate", route, {"retry": "draft", "ok": "merge"}
)

krok 04 · verify

Testowanie i ocena

To, że funkcja AI działa podczas prezentacji, nie oznacza jeszcze, że jest gotowa do wdrożenia. Sprawdzam zarówno działanie samego backendu, jak i jakość odpowiedzi generowanych przez modele.

Testuję kontrakty API i najważniejsze scenariusze działania usług.
Korzystam z przygotowanych zestawów danych referencyjnych (golden datasets) i ewaluacji LLM-as-a-Judge.
Analizuję regresje i poprawiam prompty oraz logikę workflowów.

golden datasetsLLM-as-a-JudgeLangfuse

run    golden_set         → regression found
route  validate → draft   (retry)
run    golden_set         → passed
ship   ✓

krok 05 · ship

Wdrażanie

Zależy mi na wdrożeniach, które można przewidywalnie utrzymywać i rozwijać. Bezpieczeństwo, wydajność i koszty traktuję jako część projektu, a nie problemy do rozwiązania dopiero po uruchomieniu aplikacji.

Stosuję zabezpieczenia przed prompt injection i generowaniem niepożądanych treści.
Wykorzystuję API Batch tam, gdzie odpowiedź nie musi być dostępna natychmiast. W odpowiednich scenariuszach pozwala to ograniczyć koszty API nawet o około 50%.
Wdrażam usługi z wykorzystaniem Dockera i ECS, a zadania oparte na zdarzeniach obsługuję za pomocą AWS Lambda.

guardrailsAPI BatchDockerECSCloudFront

guardrails   prompt_injection ✓   moderation ✓
mode         batch   (≈ ½ the cost of real-time)
deploy       docker → ecs

krok 06 · observe

Monitorowanie i rozwój

Po wdrożeniu praca się nie kończy. Ważne jest dla mnie to, żeby wiedzieć, jak system zachowuje się pod rzeczywistym obciążeniem, gdzie pojawiają się problemy i co warto poprawić.

Rejestruję model, zużycie tokenów i wersję promptu dla każdego wywołania AI.
Śledzę działanie workflowów LLM za pomocą Langfuse i OpenTelemetry.
Wykorzystuję zebrane dane, trace’y i wyniki ewaluacji do planowania kolejnych usprawnień.

LangfuseOpenTelemetryLLM-as-a-Judge

trace   model · tokens · prompt_version
eval    LLM-as-judge evaluators
↺       back to scope

› naciśnij Start, aby uruchomić graf

O mnie

Backend to moja baza. AI wykorzystuję tam, gdzie ma sens.

Od ponad pięciu lat zajmuję się tworzeniem i rozwijaniem systemów backendowych. Pracuję z API, modelowaniem danych, architekturą event-driven i infrastrukturą chmurową.

Od 2025 roku rozwijam się również w obszarze inżynierii AI. Tworzę systemy oparte na LLM, workflowy agentowe, rozwiązania niezależne od dostawcy modelu oraz mechanizmy oceny i monitorowania jakości działania aplikacji.

Interesuje mnie przede wszystkim to, jak takie rozwiązania sprawdzają się w praktyce — kiedy muszą obsługiwać rzeczywisty ruch, radzić sobie z błędami i pozostać zrozumiałe dla osób, które będą je dalej rozwijać.

W projektach stawiam na czytelną architekturę, możliwość diagnozowania problemów, rozsądne podejście do prywatności i rozwiązania, które można rozwijać bez niepotrzebnego komplikowania systemu.

backend

Backend & API

Projektuję i rozwijam usługi, API oraz modele danych dopasowane do potrzeb aplikacji. Dbam o spójne kontrakty i przewidywalną komunikację między komponentami. Tam, gdzie ma to uzasadnienie, wykorzystuję również streaming.

chmura

Chmura & wdrażanie

Pracuję z infrastrukturą AWS, dobierając usługi do konkretnego zastosowania. Wykorzystuję Lambda i SQS do zadań asynchronicznych, Docker i ECS do uruchamiania usług backendowych, a S3 i CloudFront do przechowywania oraz dostarczania plików.

backend

Architektura event-driven i asynchroniczność

Projektuję mechanizmy obsługi zadań, które nie powinny blokować standardowego cyklu żądania HTTP. Wykorzystuję kolejki, funkcje serverless i przetwarzanie wsadowe, aby lepiej zarządzać czasem wykonania, obciążeniem i kosztami.

Systemy LLM i agenci

Buduję workflowy agentowe, integracje z różnymi modelami językowymi i pipeline’y RAG. Zależy mi na tym, żeby logika działania była przejrzysta, a poszczególne elementy można było niezależnie rozwijać i testować.

Ewaluacja i obserwowalność

Dbam o możliwość sprawdzania jakości i diagnozowania działania systemów AI. Wykorzystuję zestawy danych referencyjnych, ewaluację LLM-as-a-Judge oraz śledzenie poszczególnych wywołań modeli.

Prywatność i bezpieczeństwo

Zwracam uwagę na walidację danych wejściowych, zabezpieczenia przed prompt injection i moderację generowanych treści. Ważne jest dla mnie również ograniczanie ilości zbieranych i przechowywanych danych do rzeczywiście potrzebnego minimum.

Wybrane projekty

Kilka przykładów rozwiązań, nad którymi pracowałem.

Pokazuję tu różne aspekty mojej pracy — od architektury backendowej i przetwarzania zdarzeń po aplikacje wykorzystujące modele językowe. Skupiam się nie tylko na tym, co robią, ale również na rozwiązaniach technicznych, które stoją za ich działaniem.

01 · Workflowy agentowe

Workflowy wieloagentowe z LangGraph

Usługa oparta na LLM, która generuje rozbudowane, ustrukturyzowane dokumenty. Poszczególne zadania wykonywane są równolegle, a użytkownik na bieżąco widzi postęp pracy w przeglądarce.

Najważniejsze elementy rozwiązania:

Zagnieżdżone grafy LangGraph z równoległym wykonywaniem zadań, walidacją i ponawianiem operacji na poszczególnych etapach. Checkpointy zapisywane w MongoDB pozwalają wznowić pracę po błędzie.
Integracje z modelami niezależne od dostawcy dzięki LangChain. Prompty są zarządzane poza kodem aplikacji, a dodatkowe mechanizmy chronią przed prompt injection i niepożądanymi wynikami.
Ewaluacja na przygotowanych zestawach danych pozwala wychwytywać spadki jakości i podejmować decyzje dotyczące zmian w promptach oraz logice workflowu.

PythonFastAPILangGraphLangChainSSEMongoDBLangfuse

GET /documents/stream text/event-stream

event: node_started data: {"node":"plan"}

event: fan_out data: {"branches":3}

event: node_done data: {"node":"section_1"}

event: validation_failed data: {"node":"section_2","retry":1}

event: node_done data: {"node":"section_3"}

event: node_done data: {"node":"section_2"}

event: complete data: {"checkpoint":"saved"}

02 · Event-driven backend

Przetwarzanie wsadowe tekstu i audio

Asynchroniczny pipeline do przetwarzania dłuższych dokumentów i nagrań audio z wykorzystaniem LLM. Zamiast czekać na zakończenie całej operacji w jednym żądaniu HTTP, użytkownik może zlecić zadanie, które jest realizowane w tle.

Najważniejsze elementy rozwiązania:

Wykorzystanie API Batch zamiast wywołań w czasie rzeczywistym. W odpowiednich scenariuszach pozwala to obniżyć koszty API o około 50%.
Obsługa audio nagrywanego w przeglądarce i przesyłanego we fragmentach. Fragmenty są łączone za pomocą ffmpeg, a następnie trafiają do transkrypcji z rozpoznawaniem mówców. Pliki audio nie są trwale przechowywane.
Rejestrowanie każdego wywołania AI, w tym użytego modelu, liczby tokenów i wersji promptu. Obserwowalność zapewniają Langfuse i OpenTelemetry, a jakość wyników jest dodatkowo sprawdzana przez LLM-as-a-Judge.

AWS LambdaSQSPHPLangfuse

Jak wygląda przetwarzanie audio?

1Przeglądarka — nagranie audio jest przesyłane w mniejszych fragmentach.
2ffmpeg — otrzymane fragmenty są łączone w jedno nagranie.
3Transkrypcja — nagranie jest zamieniane na tekst z rozpoznawaniem poszczególnych mówców.
4Przetwarzanie LLM — zadania trafiają do kolejki SQS i są obsługiwane przez AWS Lambda.
5Wynik i monitoring — rezultat jest zapisywany, przebieg operacji można prześledzić, a pliki audio są usuwane.

Koszt za zadanie

API w czasie rzeczywistym 1×

API Batch ≈ 0,5×

Stack technologiczny

Technologie dobieram do problemu.

Nie ma jednego zestawu narzędzi, który sprawdzi się w każdym projekcie. Wybieram technologie na podstawie wymagań aplikacji, rodzaju przetwarzanych danych i przewidywanego obciążenia.

Poniżej przedstawiam główne elementy mojego stacku i sposób, w jaki wykorzystuję je w praktyce.

01Edge

Przeglądarkaklient SSE
CloudFrontCDN

02API

Python / FastAPI
PHP 8 / Symfony
RESTkontrakty
SSEpostęp na żywo

03Async

SQSkolejki
AWS Lambdaworkery
ECS · Dockerusługi

04LLM

LangGraphagenci
LangChain
Dowolny dostawca LLMmodel-agnostic
API Batch≈ ½ kosztu
RAG
Guardrailsinjection · moderacja

05Dane i jakość

MongoDBdane · checkpointy
S3pliki
Langfusetracing
OpenTelemetry
Evalsgolden datasets

Cały stack · 19 narzędzi

Backend stanowi podstawę systemu. Tam, gdzie przynosi to realną korzyść, dokładam warstwę LLM, a zadania wymagające więcej czasu przenoszę do przetwarzania asynchronicznego. Istotnym elementem całości jest również monitoring wywołań AI, który pozwala analizować ich jakość, koszty i zachowanie.

Kontakt

Masz pomysł na ciekawy projekt?

Chętnie porozmawiam o nowych wyzwaniach — niezależnie od tego, czy chodzi o zaprojektowanie skalowalnego backendu, wdrożenie funkcji opartych na LLM, czy połączenie obu tych obszarów w jednym systemie.

Jeśli szukasz osoby, która potrafi spojrzeć na projekt zarówno od strony backendu, jak i inżynierii AI, napisz do mnie.

Wyślij e-mail LinkedIn

michalkrzewica@wp.pl +48 667 502 266