Python/AI Engineer (GenAI)

Мы строим мультиагентную систему глубокого анализа макроэкономических и финансовых трендов.

MVP уже работает на облачной инфраструктуре с внешними моделями (Claude, Perplexity). Сейчас переводим систему на собственные инструменты, модели и источники данных, интегрируем во внутренние контуры банка с соблюдением требований безопасности, IT‑говернанса и финансовых регуляторов.

Роль Python/AI Engineer фокусируется на прикладном слое:

реализация агентов, RAG‑пайплайны, backend‑сервисы, подключение LLM к внутренним инструментам, графам знаний и данным организации.

При этом мы ищем сильного инженера Python, который понимает LLM на уровне разработки и интеграции, но имеет глубокие навыки в backend, оптимизации, CI/CD и ETL.

Обязанности

Backend и производительность

· Разработка и поддержка backend‑приложений на Python (FastAPI / Django / Flask)

· Оптимизация производительности сервисов (профилирование, кэширование, асинхронность)

· Интеграция с внешними API и внутренними БД банка (PostgreSQL, Redis, Kafka и др.)

· Разработка и поддержка ETL‑процессов для финансовых данных

AI‑агенты и RAG (прикладной уровень)

· Реализация специализированных агентов: системные промпты, инструменты, guardrails

· End‑to‑end RAG: ингестия, препроцессинг, чанкинг, эмбеддинги, гибридный поиск, реранкинг

· Парсинг сложных финансовых документов (Table Transformers, OCR)

· Создание инструментов для агентов: API для интернет‑поиска, коннекторы к БД и RAG

· Tool‑calling, JSON‑схемы, обработка недетерминированного поведения LLM

Инженерное сопровождение

· Сборка и развертывание в Docker, Kubernetes

· Настройка CI/CD для LLM‑сервисов

· Оценка качества: golden datasets, LLM‑as‑judge, детекция галлюцинаций, метрики ретривала

Требования

Опыт

· 3+ лет коммерческой разработки на Python с продакшн‑деплоем

· Опыт разработки AI/LLM решений: RAG, AI‑агенты (мультиагентные или compound‑системы) — как минимум 1 проект в продакшне

· Желателен опыт в финансовом секторе или банковской сфере (но не обязателен)

Backend и инфраструктура

· Продвинутый Python: async, type hints, production‑grade код

· FastAPI / Django / Flask — уверенное владение хотя бы одним

· SQL и NoSQL (PostgreSQL, Kafka, OpenSearch, ClickHouse)

· Docker, Kubernetes, CI/CD — практический опыт

· Обработка данных: ETL, Pandas / Polars, работа с большими объёмами

LLM и агентные фреймворки (на уровне разработки)

· LLM API: Claude, GPT, Gemini + базовое понимание self‑hosted (LLaMA, Mistral)

· LangGraph, LangChain, LlamaIndex, CrewAI — опыт работы с любым агентным фреймворком

· Понимание MCP (Model Context Protocol) — преимущество

RAG

· Глубокая экспертиза в RAG: dense/sparse retrieval, hybrid search, HyDE, GraphRAG (понимание)

Будет преимуществом

· ML‑библиотеки (PyTorch / TensorFlow) — базовое понимание

· Опыт оптимизации REST/gRPC API (высокая нагрузка)

· Fine‑tuning (LoRA, QLoRA) — не требуется, но плюс

· Фреймворки оценки LLM (DeepEval, Ragas)

· Работа с финансовыми документами, регуляторной отчётностью

Условия

• ежегодный пересмотр зарплаты, годовая премия
• корпоративный спортзал и зоны отдыха
• более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
• расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа
• ипотека выгоднее до 7% для каждого сотрудника
• бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров
• вознаграждение за рекомендацию друзей в команду Сбера.