Axis делает ИИ-продукты для управления себестоимостью строительства. «Проверка РД» работает с PDF и Excel: проводит нормоконтроль, проверяет спецификации и расчёты, сравнивает стадии и редакции документов. По каждому замечанию показывает лист-источник, цитату и логику проверки. Продукт уже работает у платящих клиентов и на пилотах. Команда — выходцы из Самолет, Autodesk, McKinsey, Сбера и МТС.
Ищем AI-инженера, который будет отвечать за агентный контур продукта. Цель — дать методологу возможность описать новую проверку без разработки, а пользователю — получить проверяемый результат на своём комплекте документов. Агент должен сам найти нужные фрагменты, вызвать расчёты и справочники, запросить недостающие данные и вернуть таблицу или текст со ссылками на источники.
Главный технический вызов — сделать агентов частью надёжной производственной системы, где ошибка влияет на решения по стройке. Модель работает с неоднородными документами, сохраняет состояние длительной проверки, отличает нехватку данных от расхождения и не подменяет код в расчётах.
Роль находится на стыке агентной инженерии и backend-разработки. Вы будете выбирать модели и способ оркестрации, проектировать инструменты агента, строить оценку качества и разбирать ошибки на реальных запусках. Мы задаём продуктовую цель и ограничения; технические решения и путь к результату находятся в вашей зоне ответственности.
За что отвечать
- Качество агентных проверок в продукте: точность выводов, полноту, время выполнения и стоимость.
- Цикл улучшения качества: собирать ошибки и исправления пользователей, превращать их в тесты, сравнивать модели и проверять изменения перед выпуском.
- Надёжность выполнения: проверка не теряет состояние при сбое, умеет ждать недостающие данные и пересчитывает только то, что от них зависит.
- Агентный движок: работа с контекстом, выбор следующего действия, вызов инструментов, типизированный результат и ограничения модели.
- Развитие архитектуры без зависимости от одного фреймворка или поставщика модели. PydanticAI, LangGraph и другие компоненты оцениваем по качеству работы в продукте.
Что мы ожидаем
- Хороший Python и опыт эксплуатации backend-сервисов: API, асинхронные задачи, очереди, тесты, обработка ошибок.
- Опыт с LLM и агентами в продакшене: вызов инструментов, управление контекстом, структурированный ответ, ограничения действий модели.
- Умение получать и валидировать результат по JSON Schema, Pydantic или аналогичной схеме.
- Опыт поиска по документам или RAG с обязательной привязкой ответа к источнику.
- Опыт оценки качества LLM-систем: тестовые наборы, разбор ошибок, сравнение моделей и промптов.
Будет плюсом
- PydanticAI, LangGraph или другой фреймворк для LLM-агентов.
- Temporal или другой движок долговременных процессов.
- MCP, OpenTelemetry, Langfuse.
- Локальные модели и развёртывание AI-сервисов в закрытом контуре.
- Document AI: OCR, структура PDF, таблицы и координаты областей на листе.
