Мы ищем инженера, который возьмёт на себя техническую часть AI Adoption функции на нашей web-платформе для корпоративного использования искусственного интеллекта с функциями генерации кода.
Обязанности:
Агенты и инструменты:
Разрабатывать агентов, скиллы, плагины и тулы
Собирать переиспользуемую библиотеку скиллов и плагинов
Держать качество агентов: evals, отлов регрессий, превращение сбоев в улучшения
Отвечать за стоимость и надёжность агентных сценариев
Поднимать и поддерживать демо-стенды и песочницы для обкатки и показа кейсов клиентам
Клиентские кейсы и адопшн:
Доводить клиентские кейсы от прототипа до внедрения и демонстрации клиенту
Помогать клиентским командам внедрять кейсы: разбираться в их процессах, отвечать на технические вопросы, снимать блокеры адопшена
Быть техническим голосом функции на воркшопах и демо
Ты наш идеальный кандидат если:
у тебя есть опыт от 2,5 лет в роли software engineer или ML/AI Engineer
У тебя есть свои скиллы, команды, CLI или MCP-серверы, написанные, чтобы ускорить собственную разработку
Агентная разработка - твой ежедневный рабочий процесс. Ты стресс-тестил модели и харнессы и знаешь, чем они отличаются на твоих задачах
Ты работал с агентными системами на проекте или разбирался в них сам: agent loop, контекст и память, вызовы инструментов. Понимаешь, что у агента проверять нужно и путь к ответу, а не только сам ответ
У тебя есть мнение про evals. Ты понимаешь, чем «работает на моих трёх примерах» отличается от «работает надёжно», и умеешь превращать сбой в тест
Работал в технически сложном продукте в проде - с интеграциями, нагрузкой, нетривиальной доменной логикой
Ты сам можешь поднять себе среду: Docker, деплой стенда, и идёшь смотреть состояние в базе, когда по ответу агента непонятно, что произошло
Работаешь автономно там, где процесса ещё нет: сам находишь, что делать дальше, и доводишь до результата
Твой уровень английского B1-B2
Будет плюсом:
ML бэкграунд: понимаешь, как модели ведут себя на реальных данных, умеешь ставить эксперименты и мерить результат
Ты сам строил агентов. Собирал agent loop, харнесс, память, тулы, и можешь объяснить, какие компромиссы выбрал и почему
Понимаешь риски агента в чужой инфраструктуре: промпт-инъекции, в том числе косвенные через файл или страницу, утечка системного промпта, ограничение прав тулов
Опыт с eval-платформами: Langfuse, promptfoo, Braintrust, LangSmith или аналоги
Опубликованный open-source AI-тулинг: скиллы, MCP-серверы, плагины, CLI
Опыт создания девтулов: утилиты, плагины, внутренние панели, которые упрощают работу инженеров
Опыт tech founder или в early-stage стартапах
Условия:
DataGroup Qazaqstan
Астана
до 1000000 KZT
Центромаш
Астана
до 3000 USD