AI Engineer (LLM / RAG / Agents)

Что предстоит делать

Мы — XPGraph, компания, создающая инновационные IT-решения для бизнеса и сотрудничающая со стартапами и крупными европейскими корпорациями. Для одного из наших проектов мы ищем AI Engineer (LLM / RAG / Agents). О направлении Мы строим прикладные системы на LLM для клиентов из разных индустрий. Задачи делятся на четыре типа. • Агенты, которые выполняют многошаговую работу. Планируют, вызывают инструменты, разбираются со сбоями, доводят процесс до результата под присмотром человека. • Автоматизация там, где публичного API нет. Агент работает с интерфейсом приложения так же, как работал бы оператор. • Поиск и системы знаний (RAG). Разбираем документы, строим гибридный поиск и реранкинг, отвечаем со ссылкой на источник. • Встраивание LLM в готовые продукты.

• Проектировать и развивать рантайм агентов: как он ведёт шаги, вызывает инструменты, читает структурированные ответы модели, переживает сбои и повторы.
• Описывать инструменты строгими контрактами: типизированные схемы, закрытый перечень кодов ошибок.
• Делать долгоживущие процессы. Сохранять состояние, продолжать после перезапуска, встраивать human-in-the-loop.
• Строить оценку качества: эталонные сценарии, прогоны на записанных трассах, регрессионные гейты в CI.
• Настраивать наблюдаемость и считать экономику: трассы запусков, стоимость, разбор причин деградации.
• Собирать контекст модели: что попадает в промпт, что кэшируется, как сжимать историю диалога, какие знания вынести из промпта в данные.
• Развивать поиск там, где он нужен: чанкинг, гибридный поиск, реранк, измерение качества ретривера.
• Закрывать приватность и безопасность: редактирование PII, защита от инъекций в промпт, ограничения на необратимые действия.
• Работать в распределённой команде (AI, Dev, DevOps, QA), созваниваться ежедневно, общаться на английском.
• Мы ожидаем, что вы
• Пишете на Python в коммерческой разработке от 3 лет: версия 3.11+, async, типизация, Pydantic.
• Уверенно владеете FastAPI или аналогом, понимаете, как стримить ответ клиенту.
• Работали с LLM API руками: tool calling, структурированный вывод, стриминг, работа с окном контекста и стоимостью токенов.
• Использовали агентные фреймворки (LangGraph/LangChain, OpenAI Agents SDK, Pydantic AI, DeepAgents, LlamaIndex).
• Разбираетесь в надёжности агентных систем: идемпотентность, ограниченные повторы, ловля зацикливания, graceful degradation.
• Умеете измерять качество LLM-систем: эталонные наборы, метрики, слабые места подхода «LLM как судья».
• Понимаете архитектуру RAG: чанкинг, эмбеддинги, реранк, оценка качества.
• Пишете тесты на pytest и playwright и умеете проверять недетерминированное поведение: фикстуры, записанные трассы, snapshot и replay.
• Работали с PostgreSQL.
• Держите границы модулей, применяете OOP, SOLID, DRY.
• Английский от B1+: читаете и пишете техническую документацию, общаетесь с командой, участвуете в митингах, обсуждаете подходы и архитектуру.
• Будет большим плюсом
• Автоматизация интерфейсов: Playwright/CDP, Windows UI Automation (pywinauto/UIA), Selenium.
• Опыт с computer-use и визуальными моделями.
• MCP и экосистема стандартизации инструментов агента.
• Мультиагентные схемы: субагенты, разделение планирования и исполнения, изоляция контекста.
• Наблюдаемость LLM: OpenTelemetry с GenAI-конвенциями, LangSmith, Langfuse, учёт стоимости запусков.
• Векторные БД (Qdrant, Weaviate, pgvector) и пайплайны эмбеддингов.
• Guardrails и PII: Presidio или аналоги, политика хранения данных.
• Облака, предпочтительно Azure (Container Apps/AKS, Blob, Key Vault, Monitor), Docker, CI/CD на GitLab.
• Локальные и открытые модели, ускорение инференса (vLLM, Ollama).
• Классический ML и обработка данных.
• Вклад в open source вокруг агентов и инструментов для них.

Что предлагаем