AI Agent Engineer

Навыки

• AI-агенты
• aiohttp / asyncio
• API (интеграции)
• Проектирование архитектуры
• B2B-продажи
• Работа с бэклогом
• CI/CD

О компании и продукте

• О продукте и стеке Мы создаём B2B-платформу автономных ИИ-агентов для рынка США. Агенты ведут многошаговые рабочие процессы с несколькими участниками — со сроками, документами и перепиской — и выполняют действия во внешних системах: электронная почта, CRM, календари, документы. Ключевые действия проходят через подтверждение человеком. Стек: Python 3.12+ (asyncio, строгая типизация, Pydantic v2), FastAPI, SQLAlchemy, PostgreSQL, Redis, Docker, CI/CD, облачная инфраструктура, MCP. Используем managed-модели Anthropic, OpenAI и Google через API и SDK. Модель работы — ближе к Forward Deployed Engineer: значительная часть внедрений идёт в инфраструктуре клиентов, с их данными и системами. Это означает работу с секретами (Vault или аналог), доступ по принципу минимальных привилегий, аудит каждого действия агента и прямое обсуждение архитектуры с инженерной командой клиента

Задачи

• Что предстоит делать Проектировать агентные системы
• Модель выполнения, декомпозиция задач, управление состоянием, контекстом и памятью, набор инструментов, оркестрация и передача задач между агентами
• Участие человека, подтверждение действий, модель отказов и границы автономности — до начала реализации
• Разрабатывать ядро агентов
• Создавать защищённый доступ к данным и действиям
• MCP-серверы, A2A-взаимодействие, API и интеграционные модули
• Идентификация агентов, OAuth, разграничение прав, least privilege, проверка вызовов инструментов, идемпотентность, аудит действий
• Строить серверную часть для production
• Асинхронные и событийные сервисы, очереди, длительные фоновые задачи
• вебхуки и потоковая передача
• Контейнеризация, CI/CD, развёртывание в облачной или клиентской инфраструктуре
• Обеспечивать измеримое качество
• Стратегия evals и эталонные наборы, регрессионные тесты, анализ трасс
• retry, timeout, резервные сценарии, ограничения поведения и мониторинг — как часть жизненного цикла решения
• Проводить техническое обследование вместе с клиентом
• Разбор фактического процесса, данных, ограничений и систем
• перевод неоднозначной бизнес-задачи в архитектуру, план внедрения, критерии приёмки и измеримый эффект
• Доводить внедрение до устойчивой работы
• Прототипы на реальных сценариях, архитектурные решения с командой клиента, запуск в production и ответственность за технический результат после запуска
• Возвращать опыт внедрений в платформу
• Разработать MCP-серверы и интеграционные модули для двух-трёх корпоративных систем клиента
• Заложить стандарты интеграционного слоя платформы: идентификация агентов, разграничение прав, идемпотентность, аудит действий

Требования

• По каждому пункту на интервью спросим детали и артефакты
• Лично довели LLM- или агентную систему до production: разберёте архитектуру, ограничения, собственный вклад и показатели после запуска
• Разрабатывали MCP-серверы или эквивалентные tool-интеграции с контролем полномочий агента — жёсткое требование, спросим детали реализации
• Python на уровне production: asyncio, типизация, Pydantic v2, SQLAlchemy, тестирование, проектирование API, обработка ошибок, конкурентное выполнение
• Production-инфраструктура: FastAPI, PostgreSQL, Redis, очереди, Docker, CI/CD, наблюдаемость, облачные сервисы
• Самостоятельная работа с бизнес-заказчиком: обследование процессов, уточнение требований, защита технических решений, доведение до согласованных критериев результата
• Английский B2 или выше: общение с инженерными командами клиентов
• Будет преимуществом Опыт в роли Forward Deployed Engineer, AI Deployment Engineer или Applied AI Engineer с личной ответственностью за production-внедрение
• Внедрение агентных систем в регулируемой, высоконагруженной или многопользовательской среде
• A2A-взаимодействие и многоагентная оркестрация в production
• Вклад в открытые агентные фреймворки, MCP-серверы, SDK или инструменты оценки качества
• Циклы работы агента, вызов инструментов, структурированный вывод, навыки, хуки, планирование и многоагентные процессы на Python
• Повторяемые навыки агентов, интеграционные модули, схемы развёртывания
• технические выводы для масштабирования решений на других клиентов
• Первые 90 дней Довести первое клиентское внедрение от обследования процесса до production с согласованными критериями приёмки

Условия

• Полная занятость, удалённая работа
• Синхронное окно команды: с 10:00–11:00 до 20:00–21:00 МСК
• Сложные инженерные задачи на стыке архитектуры агентных систем, backend-разработки, интеграций и production AI
• Высокая самостоятельность в инженерных решениях
• оценка по результату
• Как откликнуться Вместо стандартного сопроводительного письма: Разберите одно production-внедрение ИИ-агента, за которое отвечали лично: бизнес-процесс и критерии успеха, архитектура и стек, инструменты и внешние системы, реализованные вами компоненты, подход к evals и безопасности, результат после запуска
• Приложите верифицируемые артефакты: GitHub, работающие продукты, архитектурные разборы
• Ответьте на вопрос: спроектируйте безопасную выдачу агенту права отправлять письма от имени клиента — идентификация агента, ограничение полномочий, подтверждение человеком, идемпотентность при повторных попытках, аудит
• Эскиз архитектуры на 10–15 предложений
• Опишите, что в этом внедрении не получилось и почему

Паспорт вакансии

История публикации

Откуда что взялось

Отмечено то, что вывели мы. Без пометки — значение назвал работодатель.

Почему на этом месте в выдаче

Порядок выдачи объявлен контрактом: свежесть решает между днями, полнота и зарплата — внутри дня.