Инженер по интеграции ИИ-агентов

О проекте Мы строим ИИ-агентов для бизнеса. Агент общается с клиентом в мессенджере (WhatsApp, Telegram), понимает запрос и выполняет действия через API учётной системы заказчика: записывает на услугу, отменяет запись, показывает расписание, управляет бронированиями, отвечает на вопросы. Работаем с разными отраслями — фитнес, отели, автодилеры, медицинские клиники. У каждого заказчика своя учётная система, свой API, своя структура данных. Задача — быстро подключать новых клиентов. Всё строится на визуальном конструкторе ИИ-агентов (graph-based, JSON-конфиги), где связываются: GPT-модели с function calling, цепочки API-запросов, фильтры данных, условные ветвления, сохранение переменных в контекст. Уже есть работающие интеграции. Нужно подключать новые учётные системы — тестировать их API, маппить данные, собирать конфиги, отлаживать агентов. Что конкретно предстоит делать Основная работа • Получать API-документацию учётной системы заказчика — разбираться в ней, тестировать каждый эндпоинт, понимать реальную структуру ответов (документация часто неполная или устаревшая) • Изучать существующие JSON-конфиги агентов (~6000 строк, 100+ узлов, 250+ связей) — понимать архитектуру: типы нод (api, agent, filter, save_variables, checkConditions, runScenario), как они связаны, как агент вызывает инструменты • Собирать новый конфиг под конкретного заказчика: настраивать API-ноды, адаптировать system-промпты агентов, маппить поля между учётными системами • Тестировать end-to-end: клиент пишет запрос → агент корректно выполняет всю цепочку через API → клиент получает результат • Дебажить ситуации "работает в 70% случаев, в 30% ломается" — находить почему и чинить Дальше • Писать тест-сьюты для API-эндпоинтов (автоматическая проверка при деплое на нового клиента) • Документировать паттерны конфигурации для типовых сценариев • Участвовать в построении автоматизированного pipeline разработки и тестирования конфигов с использованием AI-инструментов Что нужно уметь Обязательно: 1. Работа с REST API на уровне "разобраться в любом API за день" • Вы без проблем читаете документацию API, пишете запросы, разбираетесь в авторизации (Basic Auth, API keys, OAuth, токены в query/headers/body) • Умеете тестировать API: curl, Postman, httpie, или свои скрипты на Python/Node.js • Понимаете HTTP-методы, статус-коды, JSON-схемы, pagination, rate limiting • Можете написать скрипт, который последовательно тестирует 20 эндпоинтов и сохраняет ответы для анализа • Сталкивались с ситуацией когда документация не совпадает с реальностью — и это вас не останавливало 2. GPT / LLM на уровне практики, а не теории • Вы писали system-промпты для реальных задач и понимаете разницу между "работает в демо" и "работает в продакшене с реальными пользователями" • Знаете что такое function calling / tool use — не на уровне "читал статью", а реально настраивали: описывали функции, обрабатывали structured output, отлаживали когда модель вызывает не ту функцию или передаёт неправильные параметры • Понимаете зачем нужен history window, как влияет температура, как балансировать между creativity и precision в промптах агентов • Умеете дебажить ситуации вида "агент в 70% случаев работает правильно, в 30% ломается" — и знаете что с этим делать 3. Чтение и генерация JSON-конфигов • Работали с graph-based / flow-based системами (n8n, Make, Langchain, Flowise, или любыми платформами автоматизации) • Не пугаетесь 6000-строчного JSON — можете его разобрать, понять структуру, найти нужный узел, изменить, и не сломать всё остальное • Понимаете что такое directed graph в контексте workflow: edges, nodes, conditional routing 4. Python или Node.js на уровне "написать рабочий скрипт за час" • Не фреймворки и паттерны проектирования — а скрипт, который делает 15 HTTP-запросов, парсит ответы, фильтрует, маппит поля, и генерирует JSON • Работали с: requests/httpx (Python) или axios/fetch (Node.js), json-манипуляции, файловая система Сильный плюс: 5. Claude Code / Cursor / AI-assisted development • Используете AI-инструменты в повседневной работе — не как "поиграться", а как рабочий инструмент • В идеале — опыт с Claude Code (CLI), Cursor, Cline, Aider или аналогами • Понимаете как ставить задачи AI-ассистенту, как декомпозировать, как верифицировать результат Кому НЕ стоит откликаться • "Я быстро разберусь" — если у вас нет реального опыта работы с API и вы не можете прямо сейчас написать curl-запрос с авторизацией по памяти, эта задача будет слишком сложной • Только фронтенд — здесь нет React/Vue/вёрстки. Это backend-интеграция + AI-конфигурация • Только ML/DS — нам не нужно обучать модели. Нужно конфигурировать готовые GPT-модели через промпты и function calling • "Делал чат-бота на Dialogflow" — если опыт ограничен простыми FAQ-ботами без реальной интеграции с внешними API, здесь другой уровень сложности • Нет опыта отладки — если умеете писать код, но не умеете дебажить чужой (разбирать большой JSON-конфиг, отслеживать цепочку вызовов, находить почему результат нестабильный) — будет тяжело Формат работы • Удалённо • Проектная работа с перспективой постоянного сотрудничества • Поток задач постоянный — новые клиенты подключаются регулярно • Оплата обсуждается индивидуально, зависит от опыта и скорости • Часовой пояс: гибко, но нужна возможность пересекаться для созвонов Как откликнуться Пришлите сопроводительное письмо, в котором: 1. Расскажите про свой опыт с API (конкретно) • С какими API работали? Не "интегрировал разные сервисы", а конкретно: какой API, что делали, какие были сложности • Приведите пример ситуации, когда документация была неполной или некорректной — как разбирались? 2. Расскажите про опыт с GPT / LLM агентами • Настраивали ли function calling? Для какой задачи? Сколько функций было в наборе? • Сталкивались ли с ситуацией когда агент "галлюцинирует" или вызывает не тот инструмент? Как решали? • Писали ли system-промпты для production-агентов? В чём была сложность? 3. Покажите как вы думаете Представьте: вам дали API учётной системы, где все запросы идут на один POST-эндпоинт, а метод передаётся в JSON-теле. Авторизация — через query-параметры. Документация — таблица в Google Sheets, частично устаревшая. Вам нужно построить цепочку для ИИ-агента: клиент пишет "запиши меня на завтра на 18:00", агент должен выполнить запись. Вопрос: какие API-методы вам скорее всего понадобятся в этой цепочке (перечислите логические шаги, не конкретные названия методов)? Какие данные нужно получить и в каком порядке? Где в этой цепочке чаще всего что-то ломается? Напишите 5-10 предложений. 4. Бонус (необязательно, но выделит вас) • Если у вас есть опыт с Claude Code — опишите один конкретный кейс: что делали, как ставили задачу, какой результат • Если работали с JSON-конфигурациями flow-based систем (n8n, Make, Langchain и т.д.) — покажите пример или опишите Что НЕ нужно присылать • Резюме на 5 страниц со списком всех технологий которые вы "видели" • "Готов выполнить любое тестовое" без конкретики • Шаблонное сопроводительное письмо • Ссылку на GitHub с 200 форками без своего кода