Привет! Мы в Manaraga.ai строим AI-компанию, которая внедряет решения в средний и крупный бизнес.
Мы все слышим из каждого утюга, что в AI будущее, но всё ещё непонятно, в чем конкретно, и как именно это повлияет непосредственно на нас и наш бизнес. Эту неопределенность можно игнорировать (какое-то время) и это в целом тоже норм стратегия. Кто-то другой разберется, попробует, найдет рабочее применение и через несколько лет все остальные повторят и внедрят. Но если хочется бежать впереди рынка - такой подход не подойдет.
AI в бизнесе - это скорее про кастомные решения, чем про универсальные продукты. Потому что данные, процессы и ожидания от результата от компании к компании чаще всего отличаются. Чем более универсальное решение, тем меньше будет средний уровень результата.
Стараемся учитывать эти принципы в нашей деятельности и набраться реального опыта достижения бизнес результата в разных отраслях с AI-решениями.
Сейчас мы расширяемся и в поиске DevOps-инженера:
Чем предстоит заниматься:
- Поддержĸа и развитие инфраструĸтуры AI-платформы.
- Автоматизация развёртывания сервисов (python, qdrant, temporal, redis, postgres, clickhouse) в DEV/TEST/PROD средах.
- Настройĸа CI/CD (GitLab CI, Github Actions), сборĸи Docker-образов и поставĸа артефаĸтов.
- Управление Managed Kubernetes (k8s-cluster, namespaces, ingress, network-policies, service-mesh).
- Настройĸа мониторинга и логирования.
- Контроль сетевой безопасности и доступов.
- Управление резервным ĸопированием, мониторинг GPU-нод и нагрузоĸ LLM.
- Поддержĸа оĸружений для моделей (vLLM, LiteLLM, Langfuse).
Что ожидаем от кандидата:
- Опыт работы от 4х лет в роли DevOps.
- Kubernetes (Helm, kubectl, namespaces, Ingress, NodePools).
- Docker / Docker Compose / GitLab CI / Github Actions.
- Cloud (IAM, VPC, Managed DB, Object Storage, Private Endpoints).
- Linux, bash.
- Базовые знания сетей (VPN, CIDR, NAT, TCP/UDP).
- Плюсом — опыт с GPU-нодами, ML-моделями, RAG или LLMсервисами.
Наш стек:
-
Python 3.13+, FastAPI, pydantic, pytest, asyncio, SQLModel, uv, ruff, ty/pyright
-
LLM: Pydantic-AI, Pydantic-Evals, Langfuse, LiteLLM
-
DBs: Postgres, Redis
-
Vector DBs: Weaviate, Qdrant
-
Models: OpenAI, Anthropic, Qwen, etc
-
RAG, Finetuning, HuggingFace, Evals, Temporal, etc
Не обязательно знать всё, важна инженерная смелость и желание вникнуть.
Несколько примеров наших проектов:
-
AI-саммарайзер и суфлер для страховой - сокращает время обработки запросов на 30-40% за счет автоматизации рутинных операций, которые составляли до 70% всех тикетов.
-
Цифровой инвестиционный аналитик - встроенный прямо в кошелек пользователя. Объединяет токены и возможности доходности со всех EVM-цепочек в единый поток, конструирует оптимальный путь транзакции и предлагает его пользователю для одобрения.
-
Системы AI-сервисного обслуживания - создали базу знаний, разработан суфлер и реализована автоматическая агентская диагностика каждого из программных комплексов. Система также включает функции анализа и передачи данных для валидации решений операционного сотрудника сервисного обслуживания, что значительно повышает эффективность и точность поддержки.
Что предлагаем:
-
Полная удалёнка, фуллтайм.
-
Подписка на Cursor, Claude Code (и всё, что нужно для продуктивности).
-
Шанс вкатиться в AI‑нишу без формального AI‑опыта. AI - это не будущее, это уже рынок, который меняет правила игры.
У нас сильная команда с опытом из компаний Mail.ru Cloud, SEMrush, ВТБ, МТС, американских стартапов и AI-компаний. Мы умеем и масштабировать, и строить с нуля, работаем с LLM, мультиагентами, DevInfra и всегда делимся опытом внутри команды.
Пишите нам, если хочется сделать шаг в сторону настоящего R&D!
