AI Engineer / LLM Engineer (Agent & RAG focus)

Мы ищем AI Engineer / LLM Engineer (Agent & RAG focus) —
инженера-практика, который умеет превращать наши концепции, сценарии и гипотезы в работающие агентные системы, доводить их до стабильного прототипа / MVP / пилота и масштабировать.

Это НЕ промпт-инженер, НЕ чистый ML-researcher,
НЕ бэкендер без понимания LLM,

а инженер агентных ИИ-систем, работающий на стыке:

• LLM,

• RAG,

• мультиагентных сценариев,

• API / backend,

• метрик качества и продакшн-эксплуатации.

Инженер отвечает за реализацию и развитие агентных ИИ-решений, включая:

• разработку AI-агентов (single и multi-agent),

• построение RAG / GraphRAG контуров,

• оркестрацию LLM + tools + данные,

• интеграцию с бизнес-системами,

• контроль качества и метрик,

• снижение галлюцинаций и стоимости.

Основные задачи

Разработка агентных ИИ-систем

• проектирование и реализация AI-агентов под бизнес-сценарии;

• реализация ReAct / Plan-and-Execute / Reflection;

• написание агентных пайплайнов (в т.ч. без фреймворков).

RAG / Knowledge Base

• построение end-to-end RAG-пайплайнов;

• работа с корпоративной документацией (PDF, DOCX, базы знаний);

• embeddings, chunking, retrieval, reranking;

• оптимизация качества и latency.

LLM orchestration

• интеграция LLM API (OpenAI, Anthropic, LLaMA, Qwen и др.);

• работа с tool calling, function calling, schema-guided prompting;

• генерация артефактов (Markdown, UML, OpenAPI, JSON).

Backend и интеграции

• разработка API (FastAPI);

• интеграции с Jira / Confluence / Notion / БД;

• работа с брокерами сообщений;

• базовый DevOps (Docker, Linux).

Качество и метрики

• определение метрик качества (precision, completeness, consistency);

• анализ логов, A/B-тесты;

• снижение галлюцинаций;

• оптимизация стоимости и времени ответа.

Совместная работа с бизнесом

• формализация процессов аналитиков и бизнеса в сценарии для агентов;

• итеративное улучшение решений на основе фидбэка.

Обязательные требования (MUST)

Инженерные

• Python — уверенный уровень (async, typing, API, пайплайны); Linux, Docker, Git.

• опыт работы с LLM API от 1,5–2 лет (LLM API + агентные пайплайны (ReAct / Plan&Execute / Reflection)

• опыт разработки AI-агентов (не только чат-ботов);

• понимание внутренней логики LLM и reasoning-подходов;

• опыт end-to-end RAG RAG (chunking → embeddings → vector DB → retrieval/rerank → ответы)

• FastAPI;

• Векторные БД (Qdrant/pgvector/Weaviate/FAISS)

LLM / Agents

• ReAct, CoT, ToT, Reflection;

• prompt chaining, system prompts, few-shot;

• tool calling / structured outputs.

Данные

• векторные БД (Qdrant / Weaviate / pgvector / FAISS);

• embeddings (OpenAI / HF).

• LangChain/LangGraph/LlamaIndex; MCP; vLLM/локальный инференс; GraphRAG; брокеры сообщений.

• опыт работы с Jira / Confluence;

• user stories/use cases, BPMN/UML, REST, SQL).

• Streamlit / Gradio для демо;

• MLOps / CI-CD.

  Плюсом

• Понимание процессов SA

• Формат

• Участие во всём цикле R&D: гипотезы → прототип → метрики → решение kill/iterate/scale.

• Ожидаем самостоятельность и ориентацию на результат.

❌ Кого мы не ищем:

• чистого prompt-инженера без разработки;

• ML-researcher’а без продакшн-мышления;

• backend-разработчика без понимания LLM;

• специалиста «поиграться с ChatGPT».

Что будете делать

• Разрабатывать AI-агентов (single/multi-agent), оркестрация tools + LLM.

• Строить RAG/KB по корпоративной документации (PDF/DOCX/Confluence/Notion).

• Интегрировать с Jira/YouTrack, Confluence/Notion, базами данных и внешними API.

• Делать сервисы на Python (FastAPI): вебхуки, API, панели/эндпойнты.

• Вести качество: метрики, логи, A/B, снижение галлюцинаций, оптимизация cost/latency.

• Работать с аналитиками: описывать процессы → превращать в сценарии агента.

• проектная удаленная работа