Ищем AI/LLM Engineer, который будет проектировать и развивать production-системы на базе LLM.
- Нам нужен не классический Data Scientist и не специалист, который занимается только промптами. Ищем инженера, который умеет собрать LLM-систему целиком: от prompt/context logic и агентных сценариев до backend-сервисов, интеграций, тестирования и запуска в production.
ОСНОВНОЙ СТЕК — Go + Python.
- Go — используем для production-backend, сервисов и высоконагруженной бизнес-логики.
- Python — для LLM-инфраструктуры, AI-компонентов, прототипирования и экспериментов.
Чем предстоит заниматься:
- Проектировать и развивать LLM/AI-системы и AI-агентов;
- Строить многошаговые agentic workflows: routing, tool calling, state management;
- Работать с Prompt Engineering и Context Engineering;
- Управлять контекстом, памятью и состоянием диалога;
- Реализовывать structured output и function/tool calling;
- Строить RAG-пайплайны: chunking, embeddings, retrieval, reranking;
- Интегрировать LLM с API, базами данных и внутренними сервисами;
- Разрабатывать backend-сервисы на Go и AI-компоненты на Python;
- Исследовать новые модели и подходы, быстро проверять гипотезы;
- Выбирать модели с учетом качества, latency и стоимости;
- Строить систему оценки качества: evals, regression tests, golden datasets, LLM-as-a-judge;
- Анализировать логи и traces, улучшать качество и стабильность агентов;
- Реализовывать retries, fallbacks, timeouts и обработку ошибок;
- Доводить решения от прототипа до стабильного production.
Что мы ожидаем:
Go:
- production-сервисы;
- REST/gRPC API;
- concurrency;
- работа с БД;
- микросервисная архитектура.
Python:
- AI-сервисы и backend;
- async;
- API;
- обработка данных;
- быстрое прототипирование.
Также важно:
- Практический опыт разработки **production-приложений с LLM;
- Понимание архитектуры современных AI-систем:
prompt → context → tools → agent → state → evaluation;
- Опыт Prompt Engineering: system prompts, few-shot, prompt chaining, structured output;
- Опыт Context Engineering: memory, summarization, динамическая сборка контекста;
- Опыт создания AI-агентов и agentic workflows;
- Работа с LLM API и понимание особенностей разных моделей;
- Понимание RAG: embeddings, vector search, retrieval, reranking, hybrid search;
- Понимание evals, regression testing и анализа production-логов;
- Опыт с PostgreSQL, MongoDB, Redis, Docker, Git, CI/CD;
- Понимание production-подходов: observability, scalability, latency, retries, fallbacks и контроль стоимости.
Будет плюсом:
- Multi-agent системы;
- LangGraph;
- MCP;
- Langfuse / LangSmith;
- Elasticsearch / OpenSearch;
- Open-source LLM: Qwen, Llama, DeepSeek и др.;
- vLLM / Ollama;
- Kafka / RabbitMQ;
- Kubernetes;
- Оптимизация token usage, latency и стоимости LLM;
- Guardrails и защита от prompt injection;
- Highload-системы.
‼️ВАЖНО
Ищем инженера, который воспринимает LLM не как простой API, а как компонент большой production-системы.
Важно уметь проектировать всю логику вокруг модели: какие данные передать в контекст, какого агента или инструмент вызвать, как проверить результат, обработать ошибку и определить следующий шаг.
Ищем software engineer с сильной AI/LLM-экспертизой, который умеет не только написать хороший промпт, но и довести всю систему до стабильного production-решения.
👀 Откликнуться:
@anna_scela 🍿