Prompt-инженер

Медийные Технологии - молодая и амбициозная компания, команда единомышленников, которая создает программные продукты на базе искусственного интеллекта для автоматизации и повышения эффективности бизнес-процессов.

На текущий момент мы усиливаем нашу команду и ищем Prompt-инженера.

Предстоит отвечать за поведение языковых моделей: переводить редакционные и продуктовые требования в точные инструкции, находить причины нестабильных ответов, улучшать промпты и добиваться предсказуемого результата на типовых, сложных и пограничных сценариях.

Важно о роли: В команде есть отдельные вакансии LLM-инженера и инженера по оценке качества LLM. Основной результат работы промпт-инженера — не backend, инфраструктура прогонов или деплой моделей, а качественные системные инструкции, контекст, примеры, правила поведения модели и понятный разбор ошибок.

Обязанности:

• Проектирование поведения модели: создавать и улучшать системные инструкции и многошаговые промпты для классификации, суммаризации, генерации, верификации, сравнения результатов и LLM-судей.
• Правила и приоритеты: переводить редакционные и бизнес-требования в однозначные правила, задавать приоритет конфликтующих инструкций и безопасное поведение при неоднозначности.
• Few-shot и контрпримеры: подбирать демонстрационные примеры, негативные примеры и пограничные кейсы, которые стабилизируют поведение модели.
• Контекст: проектировать правила работы с длинным контекстом, историей диалога, памятью, служебными данными и недоверенным пользовательским входом.
• Grounded generation: настраивать генерацию только по предоставленным материалам, требовать подтверждение фактов источниками и корректно обрабатывать недостаток данных.
• Structured output: проектировать JSON-структуры, обязательные поля, допустимые значения, статусы неопределённости и правила повторного запроса.
• Разбор ошибок: определять, связана ли ошибка с формулировкой промпта, контекстом, моделью, входными данными, разметкой или неполным правилом.
• Итерации: сравнивать версии промптов на одинаковых примерах, анализировать ложные срабатывания, пропуски и регрессии, использовать результаты Evals-проверок для улучшения промптов.
• Документирование: вести библиотеку промптов, версий, примеров, решений и известных ограничений; понятно передавать выводы редакторам, аналитикам, Evals- и LLM-инженерам.

Примеры задач:

• Переписать системную инструкцию классификатора «шум / полезный сигнал», чтобы модель не путала реальное событие с рекламой.
• Подобрать примеры и контрпримеры, которые помогают отличать одинаковую тему от одного и того же события.
• Спроектировать промпт для саммаризации, сохраняющий действующее лицо, действие, объект, место, дату и числа.
• Настроить поведение «недостаточно данных», чтобы модель не заполняла отсутствующие факты правдоподобной выдумкой.
• Разработать инструкцию для модели-проверяющего, которая сравнивает два результата и отправляет спорные случаи человеку.
• Устранить выполнение вредоносной инструкции, помещённой внутрь исходного документа.
• Адаптировать один и тот же сценарий под две модели, которые по-разному понимают длинные инструкции и формат ответа.

Требования:

• Практический опыт создания и итерационного улучшения промптов для рабочих или пользовательских LLM-сценариев.
• Возможность разобрать хотя бы один кейс по цепочке: входные данные → неверный ответ → ожидаемое поведение → конкретное изменение промпта → повторная проверка.
• Умение писать системные инструкции с ясным порядком правил, границами доверия и поведением на случай неопределённости.
• Практику few-shot-промптинга и понимание того, как выбирать примеры и контрпримеры.
• Понимание управления контекстом, историей и недоверенными входными данными.
• Опыт со структурированным выводом: JSON, обязательные поля, допустимые значения и смысловая корректность.
• Понимание grounded generation: модель не добавляет неподтверждённые факты и умеет показать источник утверждения.
• Базовое понимание LLM QA и Evals: тест-кейсы, эталонные примеры, регрессия, ложные срабатывания и пропуски. Владеть инфраструктурой Evals не требуется.
• Умение сравнивать модели и версии промптов на одинаковых задачах, а не только по общему впечатлению.
• Отличную письменную грамотность и внимательность к фактам, датам, числам, формулировкам и источникам.
• Английский не ниже Intermediate для работы с документацией моделей и API.

Технический минимум:

• JSON и понимание структурированного ответа.
• Понимание REST API и способов вызова модели.
• Базовый Python либо уверенная работа с таблицами для пакетных проверок.
• Базовый SQL для просмотра логов и промежуточных результатов. (Акцент: Python, SQL и API — вспомогательные инструменты. Сильная разработка не компенсирует отсутствие практики проектирования промптов).

Будет плюсом:

• Опыт с энциклопедическими, новостными, редакционными, юридическими или другими фактологически строгими материалами.
• Опыт редактуры, фактчекинга, разметки данных или контроля качества контента.
• Практика нескольких семейств моделей и понимание их поведенческих различий.
• Работа с длинным контекстом, многошаговыми инструкциями и памятью диалога.
• Опыт проверки prompt injection и других недоверенных входов.
• Понимание RAG, цитирования, кластеризации и дедупликации на уровне поведения модели.
• Опыт совместной работы с Evals-инженерами и анализа регрессионных отчётов.
• Знакомство с Git, Docker и инструментами наблюдаемости.

Чем роль НЕ является:

• Это не вакансия backend-, ML- или LLM-инженера: разработка сервисов, настройка GPU, обучение и деплой моделей не являются основной задачей.
• Это не вакансия инженера по Evals: методология измерений, инфраструктура прогонов и релизные барьеры принадлежат отдельной роли.
• Использование Cursor, Codex, Claude Code и других AI-помощников для написания кода само по себе не считается опытом промпт-инженерии.
• Перечень знакомых моделей и фреймворков без примера промпта «до / после» не считается подтверждением опыта.

Просьба к отклику: В сопроводительном письме кратко ответьте на четыре вопроса:

• Какую конкретную ошибку допускала языковая модель?
• Какие строки, правила или примеры в промпте вы изменили?
• Как вы проверили новую версию на прежних и новых примерах?
• Что в этом кейсе решалось промптом, а что кодовой проверкой, Evals-процессом или человеком?

Условия:

• Уровень дохода обсуждается с финальным кандидатом по итогам собеседования.

• Интересные задачи, крутые кейсы, возможность выйти на новый профессиональный уровень.

• 100% «белая» заработная плата, официальное трудоустройство по ТК РФ с первого дня.

• Полная занятость, удаленный формат работы в рамках РФ.

• Пятидневная рабочая неделя, с пн-пт.

• Дружный и неравнодушный коллектив профессионалов.

• Программа ДМС после успешного прохождения испытательного срока.