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.
Условия:
- проектная удаленная работа
