Senior AI Solutions Engineer
Tworzę produkty, platformy i narzędzia oparte na AI
Projects
Records Analyzed
Companies
Senior AI Solutions Engineer w RITS i wykładowca na WSEI w Krakowie. Projektuję systemy RAG, agentów AI i platformy oparte na LLM — a następnie buduję je od A do Z. Łączę wymagania biznesowe z implementacją techniczną, z zerową tolerancją na niedoskonałości.
Kraków, Poland
50.0614 · 19.9366
-1.png)
University science club at WSEI Krakow focused on exploring applied artificial intelligence. Conducting workshops, research sessions, and hands-on AI projects with students.
AI hackathon organized by AI Possibilities Lab at WSEI Krakow. A competitive event bringing together developers, designers, and AI enthusiasts to build innovative solutions for urban challenges.
Platforma transparentności polskiej polityki. Agreguje dane z 6 źródeł rządowych: Sejm API, KRS, CEIDG, oświadczenia majątkowe, PKW, rejestr lobbystów. 498 posłów, 1.7M rekordów głosowań, 16 331 interpelacji. Analiza wspomagana AI z grafami sieci, wykrywaniem anomalii i wyjaśnieniami opartymi na Gemini. Wszystkie dane są jawne z mocy prawa — Pryzmat czyni je dostępnymi i zrozumiałymi dla każdego obywatela.
Pierwszy system AI, który codziennie samodzielnie analizuje sieć i publikuje własny, brutalnie szczery komentarz o ludziach, technologii i świecie. Nie asystent — niezależny komentator AI z własną agendą. AI ma cyniczny, autorytatywny głos: precyzyjne słownictwo akademickie, zero sztucznego entuzjazmu i zero bezpieczników alignmentu. Odcinki dostępne na studio.aifrontline.info do wczesnego feedbacku.
Wydajna aplikacja do transkrypcji głosu na macOS i Windows. Napędzana przez Groq Whisper z dokładnością 99.4%. Funkcje: transkrypcja w czasie rzeczywistym, natychmiastowe kopiowanie i auto-wklejanie, podsumowania AI i zadania, wbudowany agent AI, semantyczne wyszukiwanie wektorowe, rozpoznawanie mówców, inteligentne kategorie, nagrywanie dźwięku systemowego i integracja MCP. Wszystko na Twoim komputerze — 100% prywatności.
Multi-tenant platforma zarządzania administracyjnego. Zabezpieczony back-office chroniony przez Cloudflare Zero Trust do zarządzania treścią, użytkownikami i operacjami we wszystkich projektach. BasePlate działa jak fundament operacyjny — warstwa bazowa, na której opiera się wszystko inne.
Nawigacja oparta na społeczności dla stref czystego transportu (SCT). Raportowanie kamer i posterunków policji jednym kliknięciem. Mapowanie oparte na konsensusie z systemem głosowania zapewnia dokładność i automatycznie usuwa nieaktualne raporty. Inteligentny nawigator oblicza najbezpieczniejszą trasę omijając strefy egzekwowania. Stożki widzenia kamer pokazują kierunek monitorowania. Wyłącznie w celach informacyjnych.
Spersonalizowany trener personalny oparty na AI na dontstop.wtf. Generuje indywidualne plany treningowe, śledzi postępy i trzyma Cię w ryzach. Nazwa mówi wszystko — zawsze dostępny kumpel od siłowni, który nie pozwoli Ci opuścić dnia na nogi. Stworzony dla tych, którzy trenują poważnie, ale nie mają dostępu do osobistego trenera.
.png)
Platforma edukacyjna nowej generacji startująca w konkursie EduMasters Merito. Omnisync (synchronizacja slajdów w czasie rzeczywistym na urządzeniach studentów), Streambot (proaktywny asystent AI analizujący treści i sugerujący ulepszenia), Hybrid-Scoring (ocenianie kształtujące AI oceniające intencje, nie tylko odpowiedzi). Walidacja z 80 studentami w 4 grupach na WSEI. Gotowość enterprise z SSO/Azure AD.
Interaktywny kreator diagramów architektury C4. Model C4 (Kontekst, Kontenery, Komponenty, Kod) to branżowy standard komunikowania architektury oprogramowania. C4 Mapper umożliwia łatwe tworzenie, edytowanie i udostępnianie tych diagramów w przeglądarce — bez licencji na narzędzia do diagramowania ani lokalnych instalacji. Stworzony dla architektów oprogramowania i zespołów inżynierskich.
Narzędzie do analizy danych FDA Adverse Event Reporting System (FAERS). Eksploruje dane pharmacovigilance — niepożądane reakcje na leki, błędy w stosowaniu leków i zgłoszenia dotyczące jakości produktów przekazane do FDA. Zamienia surowe zbiory danych rządowych w przeszukiwalną, wizualną inteligencję dla badaczy i analityków ochrony zdrowia. Korzysta z publicznych API otwartych danych FDA.
Edukacyjne narzędzie do interaktywnej wizualizacji grafów stworzone podczas studiów na WSEI. Eksploracja koncepcji teorii grafów — algorytmy przeszukiwania, najkrótsze ścieżki, analiza sieci — przez dynamiczne, interaktywne wizualizacje z manipulacją grafów w czasie rzeczywistym.
Profesjonalna strona wizytówkowa dla Pracowni Fryzjerskiej Tomasza Karcza w Krakowie. Minimalistyczny design podkreślający hasło: Precyzja. Uważność. Efekt. Pełna prezentacja usług, galeria prac i możliwość rezerwacji wizyty. Zbudowana z myślą o estetyce i konwersji.
Senior AI Solutions Engineer
Mar 2026 — Present
ProjektowaniesystemówRAG,agentówAIiplatformopartychnaLLMwprojektachenterprisewfirmiekonsultingowejliczącej600+osób.
Apr 19, 2026
Osobisty zestaw reguł i artefaktów, który zamienia Claude Code z „szybkiego chłopaka, który psuje rzeczy" w partnera, z którym można prowadzić wielomiesięczne projekty bez utraty kontroli. Siedem zasad nienegocjowalnych, trzy ścieżki decyzyjne, ciągłość między sesjami — wszystko open-source na GitHubie.
Apr 1, 2026
# I went grocery shopping. I came back to a running AI server. *Michał Madejski — 2026-04-14* --- ## TL;DR I gave Claude Code one sentence, left the house for 50 minutes, and came back to a fully installed AI agent, a hardened security configuration, server documentation, an SSH tunnel to the dashboard, and a Raspberry Pi deployment plan. This is not an article about AI being magic. It's an article about **how to think about AI as an engineering partner** — and what actually happens under the hood when you give it free rein. --- ## The adventure log I had an evening, an idle server, and a long-postponed idea to run OpenClaw on it — a self-hosted AI agent. I had a rough idea of what I wanted, but no patience for hours of configuration. It started trivially. The very first thing I asked Claude was (in Polish, because that's what came naturally): > *"what do i type on linux to get the address for ssh connection"* `hostname -I`. That's it. But instead of taking the answer and continuing on my own — I left Claude at the keyboard. I told it to connect, document what works and what doesn't, and build me a repository that would be the *single source of truth* for the whole project. And then, once I had a sense it knew what it was doing: > *"ok, going grocery shopping for 50 min, when i come back i want openclaw > running as much as possible and telegram configured + raspberry pi planned > + dashboard on my mac. push through, don't ask me anything, don't blow up > my house"* And I left. Fifty minutes later I came back. Waiting on the screen: a HANDOFF.md document with a checklist of what to verify on return, a working OpenClaw dashboard in the browser through an SSH tunnel, and zero critical findings in the security audit. I'm sitting here now trying to describe what actually happened — because that's more interesting than the outcome. --- ## The prompt that made it work — and why it worked First, an important point: that one-sentence grocery-run prompt **was not the first prompt**. It was preceded by 20–30 minutes of conversation in which: 1. I described the project goal and the server context 2. I laid out the philosophy of how I wanted the project organized ("if it isn't a script, it doesn't exist") 3. I gave Claude SSH access and let it independently run a recon of the server That matters. **An autonomous prompt only works well if the model has built up context beforehand.** "Go grocery shopping" worked because Claude already knew: - what the server looked like (hardware, OS, what was installed) - what my security priorities were (I have a CLAUDE.md with a threat model) - how I wanted the code organized (IaC-lite, idempotent bash scripts) - what was in scope and what wasn't (no external skills without code review, don't touch LocalAI) If I had said "install an AI agent on my server, don't ask questions" without that context — I would have gotten something, just not what I wanted. **The idealized version of that prompt** — if I were to do it from scratch — would look like this: ``` You have 45 minutes of autonomous work. End goal: - OpenClaw installed on bluedemon and running as a systemd service - Hardening: exec.ask=always, deny-by-default, messaging profile - Dashboard accessible via SSH tunnel on the Mac (don't expose the port publicly) - Telegram bot and Raspberry Pi plan in docs/ and scripts/, even if you can't run them without me - HANDOFF.md I can read when I get back Constraints — do not cross: - Don't touch LocalAI (4 crashed Docker containers — separate topic) - Don't install any external skills - If something is unclear — pick the better of two options and document why. Don't ask me. When done — stop and wait. ``` The difference: **explicit constraints** and **an instruction for handling ambiguity** (decide yourself, don't escalate). That's probably the most important element of a good autonomous prompt — tell the model how to handle edge cases, not just what to do on the happy path. --- ## Before anything was installed — the snapshot and folder philosophy Before Claude touched the installation, I asked for something that doesn't normally happen before "running the tutorial": **a full reconnaissance of the existing state**. The result: a script `01-recon.sh` that collected a server snapshot over SSH — hardware, processes, open ports, installed packages, Docker state, filesystem layout — and saved everything as plain text files in the `snapshot/` directory. Read-only. Zero changes on the server. Pure observation. ``` open-claw/ ├── CLAUDE.md ← my original briefing (untouched) ├── docs/ ← prose: what, why, troubleshooting │ ├── 00-ssh-setup.md ← how Claude connected │ ├── 01-server-baseline.md ← snapshot analysis │ ├── 02-openclaw-install.md │ └── HANDOFF.md ← what to check on return ├── snapshot/ ← captured server state (in git) │ ├── hw-os.txt │ ├── gpu.txt │ ├── network.txt │ ├── services.txt │ └── INDEX.md └── scripts/bootstrap/ ← idempotent bash scripts ├── 01-recon.sh ├── 02-install-openclaw.sh ├── 03-harden.sh └── 04-tunnel-dashboard.sh ``` The philosophy I imposed at the start: **if it isn't a script, it doesn't exist**. Every repeatable operation must be a script. Every decision that could be forgotten must be in docs. Nothing we "did by hand and remember." Claude took this literally. It wrote scripts that are *idempotent* — you can run them multiple times and they always converge to the same state. That's not obvious when you're writing bash for the first time. Idempotency requires thinking "what if this is already installed?" at every step. Example from `02-install-openclaw.sh`: ```bash # Instead of simply: npm install -g openclaw # The script checks first: if openclaw --version 2>/dev/null | grep -q "2026"; then ok "openclaw already installed, skipping" else npm install -g openclaw fi ``` The second key principle: **the snapshot goes into git, but the scripts scrub secrets from it before writing**. API tokens, passwords, keys — never in `snapshot/`. Values replaced with `[REDACTED]`. This means the server state is documented historically (git blame shows how it evolved), while the repository stays safe to share. The effect: by the time I left for the grocery store, Claude had a **map of the terrain** before changing anything. It knew port 18789 was free, that LocalAI wasn't running (even though the briefing said otherwise), that nvm wasn't installed, that linger was disabled. It wasn't guessing — it was reading data. --- ## Three technically interesting discoveries ### 1. The documentation was lying — the model caught it I have a `CLAUDE.md` file in the project — a "briefing" for the model that describes the architecture, security posture, and technology stack. One line said: *"LocalAI is already running on this server and using the GPU."* Not true. The server recon via SSH showed 4 Docker containers in `Exited` or `Created` state — never started. GPU idle. No model was loading. Claude didn't challenge CLAUDE.md verbally. Instead, it wrote in the docs: > *"CLAUDE.md states that LocalAI is running, but the snapshot says otherwise. > My recommendation: skip the provider during onboarding — LocalAI debugging > is a separate topic."* And moved on. **A good model doesn't update its world-view just because something is written in the context — it verifies against observation.** That's exactly the property you want in an autonomous agent. --- ### 2. Schema drift — how to discover an API without documentation OpenClaw has a configuration file with thousands of possible keys. My CLAUDE.md contained configuration paths from a previous version of the software: ``` # old (CLAUDE.md): agents.defaults.exec.ask = always # current (v2026.4.14): tools.exec.ask = always ``` The problem: the installed version was 2026.4.14, the briefing referenced an older schema. Classic *schema drift* — documentation lagging behind the software. How did Claude catch it? It used `--dry-run`: ```bash openclaw config set --batch-json --dry-run '{"agents.defaults.exec.ask": "always"}' # → Error: Unrecognized key: exec (in agents.defaults) ``` Then it iteratively probed the schema: ```bash openclaw config schema | grep -i exec # → tools.exec.ask, tools.exec.security, ... ``` The methodology: **dry-run before writing. Instead of reading 48,000 lines of schema — grep and probe.** This is what any engineer does instinctively with an unfamiliar API, but it's non-obvious that a model will do the same without being told. --- ### 3. How to pass a password safely through SSH to a script The problem: I want a bash script to run `sudo` commands on a remote server over SSH. `sudo` requires a password. I don't want the password to appear: - in process arguments (visible in `ps aux`) - in a file (persists on disk) - in logs The solution Claude proposed: ```bash # Environment variable (not exported to children) REMOTE_SUDO_PW='...' sudo_remote() { ssh bluedemon "echo '${REMOTE_SUDO_PW}' | sudo -S $*" } ``` Why `echo | sudo -S` rather than `sudo -S <<< "$PW"`: - `sudo -S` reads the password from stdin - `echo |` pipes it — doesn't appear in `/proc/<pid>/cmdline` - The variable isn't exported — no subprocess inherits it It's not perfect (the password lives in process memory, `set -x` would expose it), but it's the right trade-off for a script that runs locally over SSH and never lands in git. --- ## What this says about working with autonomous models Three observations I'm taking away from this session: **Context matters more than the prompt.** The quality of autonomous work is proportional to the quality of context you invested before. CLAUDE.md, the server recon, clear rules — all of that was an upfront investment that paid back in those 50 minutes. **The model should handle ambiguity, not escalate it.** The best instruction in autonomous mode is "if something is unclear — pick the better option and justify it." Escalating to the user is expensive and breaks autonomy. A good model knows when to decide on its own. **Documentation as a first-class deliverable.** The most valuable output of this session isn't the running OpenClaw — it's HANDOFF.md and the docs/ directory. The deployment itself can be repeated from a script. The knowledge of *why* something was done a particular way — that's what normally disappears. --- ## What's next The system is running. I have a dashboard, a hardened configuration, and zero critical findings in the security audit. Next steps are the Telegram bot (waiting on a token from BotFather) and a Raspberry Pi with a "Jarvis" wake-word in the living room — the full architecture is already in the repository, just waiting on hardware. I'm maintaining the infrastructure repository with repeatability in mind — every script is idempotent, every decision is documented. If the server dies — reinstalling from scratch should take as long as it takes to read `docs/` and run the scripts. If you have questions or want to dig into any of the technical threads — reach out. I'm particularly happy to talk about security models for AI agents and how to design context for autonomous sessions. --- *Michał Madejski* *AI Possibilities Lab*
Zasoby AI
Mała, zdaniolubna biblioteka. Zobacz pełną kolekcję, pobierz jeden plik, wrzuć do swojego harness’u.
01 · Prompty
Prompt to konkretna instrukcja dla modelu, która prowadzi do konkretnego efektu. Dobre prompty są opinionated i wąsko ograniczone: dają modelowi rolę, format, i furtkę bezpieczeństwa gdy nie wie. Pomyśl o każdym jak o krótkim kontrakcie — Ty wiesz o co prosiłeś, model wie co jest Ci winien.
Ritual startu nowej sesji Claude Code. 5 minut czytania przed dotknięciem czegokolwiek — w ustalonej kolejności. Rozwiązuje "cold start bias": agent skacze do kodu zanim zrozumie stan. Lista źródeł prawdy, kolejność, checklista infra.
Trzy ścieżki podejmowania decyzji: (1) jedna sensowna opcja → propozycja + "widzisz luki?", (2) 2-3 realne opcje → klasyczny format 3-liniowy + TL;DR, (3) > 3 opcje → zawęź. Eliminuje sztuczne A/B/C i mnożenie wariantów ponad potrzebę, ale zachowuje dyscyplinę dla prawdziwych decyzji.
Główny manifest working mode dla Claude Code w rozbudowanych projektach. Neutralna wersja osobistego harness'u z projektu GroqeSTT — auto-loaded w CLAUDE.md na starcie każdej sesji. Zawiera diagnozę typowych wad agenta, zasady nienegocjowalne, check-listy przed/w trakcie/po tasku, red flags, stery użytkownika oraz taksonomię dokumentów.
Dopracowany prompt do bezpiecznej instalacji OpenClaw na wyizolowanym serwerze Linux. Obejmuje threat model oparty o audyty Microsoft, Kaspersky, Cisco Talos i CrowdStrike, hardening konfiguracji, sandboxing i pełny plan krok-po-kroku. Uwaga na świeżość — aktualne na moment tworzenia (Q1 2026), wersje CVE mogą się zmienić.
Pętla Buduj → Krytykuj → Dopracuj na wypadek, gdy „wystarczająco dobre" nie wystarczy. Zamiast liczyć na idealny pierwszy output, planuj 2-3 iteracje od początku. Każda runda ma konkretny fokus: pierwsza na strukturę i poprawność, druga na jakość i edge case'y, trzecia na szlif i wydajność. Działa dla kodu, pisania, architektury i designu.
Napisz specyfikację zanim napiszesz kod. Ten prompt wymusza pętlę spec → plan → build → weryfikacja, która zapobiega pełzaniu zakresu, dryftowi architektonicznemu i sytuacjom „działa, ale nie tak jak chcieliśmy." Specyfikacja jest kontraktem między tym, czego chcesz a tym, co zostanie zbudowane. Każda decyzja implementacyjna odwołuje się do wymagania w specyfikacji.
Strategia zarządzania długimi sesjami AI bez utraty kontekstu lub jakości. Obejmuje kiedy kompaktować, jak strukturyzować checkpointy, co trzymać w kontekście vs. zrzucić do plików i jak przekazywać między sesjami. Zapobiega problemowi „zapomniało co robiliśmy" i degradacji „ostatnie 20% kontekstu daje gorszy output".
Systematyczna metoda szybkiego zrozumienia nieznanego codebase'u. Zamiast czytać kod od góry do dołu, śledź przepływ danych: punkty wejścia → routing → logika biznesowa → warstwa danych → integracje zewnętrzne. Tworzy mapę architektury, listę kluczowych abstrakcji i przewodnik „gdzie szukać" w mniej niż 30 minut. Działa dla dowolnego stacku.
02 · Skille
Claude Code to terminalowy agent developerski od Anthropic. Czyta Twoje repo, uruchamia komendy, edytuje pliki, trzyma jedną rozmowę przez całe dni pracy. Skill to sposób, żeby nauczyć go spójnego zachowania.
Kreator i optymalizator CV maksymalizujący szanse na rozmowę rekrutacyjną. Przerabia istniejące CV pod konkretną rolę lub buduje od zera. Obsługuje wszystkie branże i poziomy (junior/mid/senior), ze szczególną optymalizacją dla polskiego rynku IT. ATS-ready, achievement-oriented, z frameworkiem strategicznego naciągania prawdy obronnego na rozmowie.
Skill wymuszający Read przed każdym Edit/Write w tej samej sesji. Eliminuje "ślepe edycje" oparte na pamięci — każdy plik, który agent zmienia, musiał być przeczytany w bieżącej sesji. Zabezpiecza przed nadpisywaniem cudzej pracy.
Skill wymuszający plan-first: 3–5 bullet plan wystawiany użytkownikowi przed każdą zmianą w kodzie. Czekasz na GO, dopiero wtedy piszesz. Wyjątek: batch approval ("zrób X i commit"). Eliminuje "już zacząłem" i nieautoryzowane commitowanie.
Skill do generowania pliku next-session-phase{N+1}-brief.md przed zamknięciem sesji. Eliminuje lukę między sesjami — następna sesja ma gotowy kontekst, pierwsze zadanie i quick-check infra. Zero straty momentum przez "gdzie skończyliśmy".
Meta-analityczny rozkład spotkania — nie streszczenie, tylko analiza efektywności. Generuje stosunek sygnału do szumu, wskaźnik decyzji, dystrybucję wagi tematów, dystrybucję głosu, czerwone flagi i brutalny jednozdaniowy werdykt Shelby-Musk. Używaj do spotkań powyżej 10 minut, gdy chcesz zrozumieć na co faktycznie poszedł czas.
Framework do prowadzenia retrospektyw, które faktycznie coś zmieniają. Tworzy plan facylitacji z rozgrzewką, zbieraniem danych, generowaniem wniosków i punktami akcji. Zawiera 10+ formatów retro, żeby zapobiec zmęczeniu formatem. Wynik to nie sesja feel-good — to systematyczny proces zamieniania tarcia w zespole w konkretne ulepszenia z właścicielami i terminami.
Framework do prowadzenia efektywnych spotkań 1:1 jako manager, mentor lub peer. Tworzy agendę z właściwymi pytaniami dla danego kontekstu, szablon notatek i działania follow-up. Obejmuje rozwój kariery, feedback wydajnościowy, blokady, budowanie relacji i trudne rozmowy. Wynik to nie korporacyjny teatr — to narzędzie do budowania zaufania i uzyskiwania prawdziwego sygnału.
Komunikacja kalibrowana pod odbiorcę. Transformuje te same informacje w wiadomości dostosowane do kadry zarządzającej (wpływ biznesowy), inżynierów (szczegóły techniczne), klientów (dostarczona wartość) lub zespołu (kolejne kroki do podjęcia). Tworzy gotowe do wysłania szkice z tonem, długością i akcentami dopasowanymi do priorytetów i stylu komunikacji odbiorcy.
“Fotografia to umiejętność dostrzegania piękna i wyćwiczonego patrzenia, by w ułamku sekundy, w której zapada klatka, zatrzymać historię — i pozwolić innym spojrzeć na świat moimi oczami.”Zobacz galerię →
Otwarty na konsulting, współpracę i ciekawe wyzwania związane z AI.
