# О роли
Мы ищем опытного инженера-разработчика для проектирования, разработки и поддержки production-ready AI-приложений на базе больших языковых моделей (LLM).
Мы создаём интеллектуальные системы, которые объединяют retrieval-augmented generation (RAG), AI-агентов, обработку знаний и интеграцию с корпоративными данными и сервисами.
Это практическая инженерная роль с упором на код. Нам нужен человек, который понимает, как устроены LLM-системы изнутри, и умеет их проектировать, реализовывать, тестировать и эксплуатировать, а не просто настраивать готовые AI-инструменты или визуальные конструкторы.
Вы получите широкую техническую ответственность: от архитектуры до реализации и постоянного улучшения системы.
Чем вы будете заниматься
•Проектировать и разрабатывать backend-сервисы на базе LLM: промптинг, structured outputs, tool calling, управление контекстом
•Строить и оптимизировать RAG-пайплайны: загрузка документов, чанкинг, эмбеддинги, гибридный поиск, reranking, grounding
•Разрабатывать многошаговых агентов на LangGraph (или аналогах): планирование, состояние, обработка ошибок, контроль выполнения
•Измерять качество с помощью автотестов, LLM-evals, трейсинга и observability
•Готовить системы к production: latency, стоимость, безопасность, контроль доступа, деплой
•Работать в AI-native режиме с coding-агентами (Claude Code, Codex, Cursor), не жертвуя качеством кода
Что мы ожидаем
•5+ лет коммерческой разработки, преимущественно backend на Python
•Сильные архитектурные навыки: умеете разбивать систему на чёткие компоненты и документировать решения
•Опыт работы с API, базами данных, асинхронной обработкой, тестированием и CI/CD
•Практический опыт: вы довели до production хотя бы одну RAG-систему или AI-агента, написанных в коде
•Хорошее понимание ограничений LLM (галлюцинации, размер контекста, качество retrieval) и способов их обходить
•Ответственность: вы берёте неопределённые задачи и самостоятельно доводите их до работающего решения
Будет плюсом
•LangGraph в production
•Векторные базы данных (Qdrant, Milvus, pgvector) и гибридный поиск
•Инструменты для evals и observability (LangSmith, Langfuse, Ragas)
•MCP, guardrails, защита от prompt injection, контроль доступа на уровне документов
•AWS, Docker, cloud-native деплой
Что мы предлагаем
•Работа напрямую с основателями над AI-продуктом с высоким влиянием
•Высокая степень автономии и реальное влияние на архитектуру продукта
•Гибкая удалённая работа
Процесс найма
Как откликнуться: пришлите резюме и короткое описание LLM-системы или ИИ-агента, которую вы построили.
