Middle+ AI инженер

Что делать
Проектировать архитектуру и реализовывать диалоговые AI-ассистенты и системы с LLM. Внедрять методы обогащения контекста LLM и отслеживать качество баз знаний. Разрабатывать и интегрировать tools в MCP-сервера, разрабатывать бэкенд LLM-агентов, выкатывать их в прод. Строить и развивать пайплайн генерации, обработки и контроля качества промптов: structured output, function calling, chain-of-thought, data pipelines, мониторинг стабильности. Сопровождать внутренние команды внедрения: проводить архитектурные ревью, писать гайды, участвовать в обучении и развитии сообщества. Работать в тесной коллаборации с командами разработчиков, продакт-менеджеров, аналитиков, ML-инженеров и специалистов по безопасности. Взаимодействовать с бизнес-заказчиками, валидировать гипотезы, выстраивать пайплайн работы над проектом и участвовать в полном цикле разработки до MVP или пилотов.

Ты подойдёшь, если
Есть опыт построения систем с LLM от 3 лет. Есть опыт работы с диалоговыми ассистентами, написания промптов и обогащения контекста, включая function calling, RAG и другие подходы. Понимаешь современные подходы к RAG (Retrieval-Augmented Generation), включая работу с векторными базами данных и embedding-пайплайнами. Есть опыт работы с function calling, tools, agents, memory, multi-agent-системами, а также понимание архитектуры цепочек агентов и промптов. Есть опыт участия во внедрении или создании внутренних инструментов для работы с LLM-инструментарием и мониторинга этих систем. Уверенно пишешь на Python production-ready код: создаёшь скрипты, строишь пайплайны, интегрируешься с API LLM и векторными базами, автоматизируешь процессы. Умеешь защищать свои гипотезы метриками, прозрачно тестировать элементы системы и версионировать эксперименты. Умеешь ясно излагать технические идеи, документировать архитектурные решения и выступать ментором для коллег.

Будет плюсом:
Опыт работы в Data Science или ML и понимание, в каких задачах LLM не является оптимальным решением. Опыт построения платформенных решений, SDK или low-code-инструментов для AI-ассистентов и поддержки других команд, а также опыт с MCP. Опыт работы с ML-мониторингом, логированием, observability и CI/CD для LLM-инструментов. Навыки проектирования мультимодальных систем: обработка текста, документов и аудио, интеграция мультимодальных моделей. Понимание архитектуры современных LLM-фреймворков: LangChain, LlamaIndex.