Senior AI Engineer (LLM)

Что предстоит делать

О роли Мы развиваем Knowledge Space — корпоративную платформу для планирования, аналитики и создания прикладных бизнес-решений. Сейчас мы формируем технологическую основу для системного использования генеративного ИИ: во внутренних процессах разработки, при создании решений для клиентов и непосредственно в продуктах Knowledge Space. Ищем senior-инженера, который сможет не только быстро собирать AI-прототипы, но и превращать их в надежные, безопасные и повторно используемые решения. Это одна из ключевых ролей в формирующемся AI-направлении: специалист будет влиять на архитектуру, выбор моделей, инженерные стандарты и способы применения ИИ в продуктах и проектах компании. Основные задачи • Проектировать и разрабатывать прикладные решения на базе LLM: AI-ассистентов, агентов, сервисы обработки документов, генерации конфигураций, кода, расчетов и аналитических материалов. • Превращать бизнес-кейсы и клиентские запросы в работающие MVP, а затем — в промышленные компоненты. • Проектировать контекст для LLM: системные инструкции, структуру знаний, память, правила загрузки контекста, декомпозицию задач и управление контекстным окном. • Создавать RAG-решения: ingestion, chunking, metadata filtering, hybrid search, embeddings, reranking, contextual retrieval и контроль ссылок на источники. • Разрабатывать AI-агентов и агентные workflows с использованием tool calling, structured outputs, skills, memory и human-in-the-loop. • Создавать MCP-серверы и MCP-клиенты для интеграции AI-систем с внутренними API, базами данных, репозиториями, документацией и инструментами разработки. • Проектировать безопасные инструменты для чтения и изменения данных: разграничение прав, подтверждение критичных операций, аудит и ограничение автономности агентов. • Сравнивать зарубежные, российские и локально развернутые модели по качеству, скорости, стоимости, безопасности и ограничениям использования. • Разрабатывать систему LLM Evals: тестовые наборы, автоматические и экспертные проверки, регрессионное тестирование, метрики качества, latency и стоимости. • Выполнять fine-tuning и адаптацию моделей — SFT, LoRA/QLoRA и другие подходы — в случаях, когда это подтверждено результатами экспериментов. • Настраивать observability AI-систем: трассировку запросов и вызовов инструментов, мониторинг ошибок, стоимости, качества и потребления токенов. • Совместно с информационной безопасностью, юристами и архитекторами формировать корпоративный контур использования внешних AI-провайдеров. • Разрабатывать стандарты AI-assisted development: правила подготовки репозиториев, структуры контекста, AGENTS.md/skills, шаблоны задач, проверки сгенерированного кода и воспроизводимые сценарии работы. • Консультировать продуктовые и проектные команды, проводить ревью архитектур и помогать командам запускать собственные AI-кейсы. • MCP является открытым стандартом интеграции AI-приложений с внешними источниками данных и инструментами. Поэтому от кандидата требуется не только знание конкретного SDK, но и понимание архитектуры hosts, clients, servers, tool schemas, авторизации и границ безопасности. Ожидаемые результаты В течение первых месяцев работы специалист должен: • сформировать целевую архитектуру использования LLM в компании; • создать сравнительный benchmark доступных моделей на реальных кейсах Knowledge Space; • запустить несколько прикладных AI-сценариев с измеримым эффектом; • подготовить базовый набор повторно используемых MCP-серверов и AI-компонентов; • внедрить подход к автоматической оценке качества и регрессионному тестированию; • определить технические правила безопасной работы с внешними и локальными моделями; • подготовить roadmap развития AI-платформы и агентных возможностей Knowledge Space. Обязательные требования • От четырех лет коммерческого опыта в software engineering, ML engineering, data science или смежных областях. • Практический опыт создания LLM-решений, которые использовались реальными пользователями, а не только демонстрировались в виде прототипа. • Уверенная разработка на Python. • Опыт создания backend-сервисов и интеграций: REST API, JSON, SQL, асинхронная обработка, очереди, Git, Docker. • Понимание архитектуры современных LLM-приложений: prompts, structured outputs, tool calling, RAG, agents, memory. • Умение проектировать retrieval-пайплайн и объяснить влияние chunking, metadata, embeddings, hybrid search и reranking на качество. • Практический опыт интеграции LLM с внешними инструментами через function calling, plugins, MCP или аналогичный механизм. • Опыт создания тестовых наборов и измерения качества LLM-решений. • Понимание ограничений LLM: hallucinations, context degradation, nondeterminism, prompt injection, leakage и excessive agency. • Умение писать поддерживаемый код, покрывать критичную логику тестами и проводить code review. • Способность самостоятельно разобраться в бизнес-процессе, предложить архитектуру и довести решение до работающего результата. • Английский язык на уровне чтения технической документации и профессиональной коммуникации. Будет преимуществом • Опыт разработки MCP-серверов и MCP-клиентов. • Опыт работы с Claude, OpenAI, Gemini, GigaChat, YandexGPT, Qwen, Llama, Mistral и другими моделями. • Опыт использования Claude Code, Codex, Cursor или других coding agents в промышленной разработке. • Опыт работы с LangGraph, LlamaIndex, LangChain, Semantic Kernel или собственными оркестраторами. • Опыт работы с Langfuse, Phoenix, OpenTelemetry, DeepEval, Ragas или аналогичными инструментами. • Опыт fine-tuning: SFT, LoRA/QLoRA, подготовка датасетов, оценка результата и развертывание адаптированных моделей. • Опыт локального inference с vLLM, TGI, Ollama или аналогичными решениями. • Знание векторных баз и поисковых технологий: pgvector, Qdrant, Milvus, OpenSearch, Elasticsearch. • Опыт работы с Kubernetes, CI/CD, GPU-инфраструктурой и MLOps. • Понимание требований к обработке персональных, коммерческих и конфиденциальных данных. • Опыт работы с enterprise-продуктами, аналитическими платформами, системами планирования или корпоративными базами знаний. • Наличие GitHub, технических статей, open-source-вкладов или демонстрационных проектов. Мы не ищем • специалиста, который работал только с ChatGPT через пользовательский интерфейс; • чистого no-code-разработчика без опыта программирования; • кандидата, который оценивает LLM-решение исключительно по субъективному впечатлению от демонстрации; • исследователя, заинтересованного только в обучении моделей, но не в создании прикладных продуктов; • архитектора, который не готов самостоятельно писать код и собирать первые версии решений. Что предлагаем • Возможность непосредственно влиять на AI-архитектуру корпоративной платформы. • Реальные enterprise-кейсы и доступ к продуктовым и проектным командам. • Возможность сравнивать различные модели и выбирать технологию исходя из результата, а не привязки к одному поставщику. • Задачи на стыке разработки, архитектуры, продуктов, безопасности и бизнес-консалтинга. • Возможность сформировать внутренние инженерные стандарты и в дальнейшем развивать AI-команду. • Доступ к необходимым моделям, API, вычислительным ресурсам и корпоративным данным в рамках согласованного безопасного контура.