Загрузи резюме, чтобы видеть мэтчи с вакансиейЗагрузи резюме, чтобы видеть мэтч с вакой
подготовься к отклику
ai-инструменты
Чтобы адаптировать резюме под вакансию или составить сопроводительное письмо, загрузи резюме
описание
Мы ищем опытного инженера-разработчика для проектирования, разработки и поддержки production-ready AI-приложений на базе больших языковых моделей (LLM). Мы создаём интеллектуальные системы, которые объединяют retrieval-augmented generation (RAG), AI-агентов, обработку знаний и интеграцию с корпоративными данными и сервисами. Это практическая инженерная роль с упором на код. Нам нужен человек, который понимает, как устроены LLM-системы изнутри, и умеет их проектировать, реализовывать, тестировать и эксплуатировать, а не просто настраивать готовые AI-инструменты или визуальные конструкторы.
задачи
Проектировать и разрабатывать backend-сервисы на базе LLM: промптинг, structured outputs, tool calling, управление контекстом
Разрабатывать многошаговых агентов на LangGraph (или аналогах): планирование, состояние, обработка ошибок, контроль выполнения
Измерять качество с помощью автотестов, LLM-evals, трейсинга и observability
Готовить системы к production: latency, стоимость, безопасность, контроль доступа, деплой
Работать в AI-native режиме с coding-агентами (Claude Code, Codex, Cursor), не жертвуя качеством кода
требования
5+ лет коммерческой разработки, преимущественно backend на Python
Сильные архитектурные навыки: умеете разбивать систему на чёткие компоненты и документировать решения
Опыт работы с API, базами данных, асинхронной обработкой, тестированием и CI/CD
Практический опыт: вы довели до production хотя бы одну RAG-систему или AI-агента, написанных в коде
Хорошее понимание ограничений LLM (галлюцинации, размер контекста, качество retrieval) и способов их обходить
Ответственность: вы берёте неопределённые задачи и самостоятельно доводите их до работающего решения
Будет плюсом: LangGraph в production; Векторные базы данных (Qdrant, Milvus, pgvector) и гибридный поиск; Инструменты для evals и observability (LangSmith, Langfuse, Ragas); MCP, guardrails, защита от prompt injection, контроль доступа на уровне документов; AWS, Docker, cloud-native деплой
условия
Работа напрямую с основателями над AI-продуктом с высоким влиянием
Высокая степень автономии и реальное влияние на архитектуру продукта
