AI Engineer

Навыки

• AI-агенты
• API (интеграции)
• Дисциплина
• Excel
• Jaeger / OpenTelemetry
• JSON
• LLM

О компании и продукте

• 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

Задачи

• 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

Требования

• 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

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.