Инженер-разработчик AI-приложений на базе LLM

Что предстоит делать

О роли 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. Вы получите широкую техническую ответственность: от архитектуры до реализации и постоянного улучшения системы. Чем вы будете заниматься • Проектировать и разрабатывать backend-сервисы на базе LLM: промптинг, structured outputs, tool calling, управление контекстом • Строить и оптимизировать RAG-пайплайны: загрузка документов, чанкинг, эмбеддинги, гибридный поиск, reranking, grounding • 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 Что мы ожидаем • 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

Что предлагаем