Исследователь-разработчик

Навыки

• AI-агенты
• AI-инструменты в работе
• aiohttp / asyncio
• API (интеграции)
• CI/CD
• Анализ конкурентов и рынка
• Анализ данных

О компании и продукте

• Мы - исследовательская группа AIRI, института искусственного интеллекта и крупнейшей в России автономной некоммерческой организации, ведущей фундаментальные и прикладные исследования в области ИИ. Мы создаём платформу автоматического конструирования агентных систем, которая превращает естественно-языковую постановку задачи в готовый к исполнению пайплайн из взаимодействующих агентов, запускает его в изолированном окружении и автоматически улучшает по заданным метрикам. Это исследовательская работа на стыке LLM/NLP, многоагентных систем и эволюционных алгоритмов, результаты которой мы публикуем и выкладываем в открытый код

Задачи

• Разрабатывать и развивать генератор агентных пайплайнов: превращать текстовую постановку задачи в исполняемую цепочку из типизированных шагов рассуждений с зависимостями и контекстом
• Проектировать и оптимизировать DAG-ориентированный движок оркестрации многошаговых рассуждений: автоматическая параллелизация независимых шагов, асинхронное исполнение, потоковая передача результатов, кэширование и условный пропуск стадий
• Развивать эволюционный движок генерации и самоулучшения агентов: генетический поиск по пространству пайплайнов и промптов, quality-diversity-алгоритмы, островные конфигурации с миграцией, мутации на базе LLM, отбор сильнейших вариантов по нескольким метрикам
• Реализовывать и исследовать agentic-паттерны: циклы «рассуждение - действие - наблюдение», самокритику и рефлексию с накоплением опыта, планирование, мультиагентную оркестрацию (супервайзер, передача управления, дебаты)
• Развивать механизмы памяти агентов и RAG-подходы: извлечение релевантного контекста по шагам, векторный поиск, изоляция и версионирование состояния, перенос накопленного опыта между запусками
• Разрабатывать инструментальное взаимодействие агентов: подключение внешних инструментов, стандартизированные протоколы вызова, безопасное исполнение в изолированном окружении
• Строить систему evaluation и бенчмаркинга агентных пайплайнов: метрики качества, наборы данных, трассировка и визуализация исполнения, учёт стоимости и расхода токенов
• Создавать proof-of-concept новых возможностей, доводить исследовательские результаты до публикаций и открытого кода, участвовать в развитии распределённой микросервисной инфраструктуры экспериментов
• Технологический стек: Python 3.12+, асинхронность и параллелизм (asyncio), строгая типизация, dataclasses, Pydantic
• Генератор агентных пайплайнов: автоматический синтез цепочек рассуждений из текстовой постановки задачи

Требования

• Уверенный опыт разработки на Python 3.12+
• владение современными средствами (asyncio, typing, dataclasses, Pydantic), асинхронностью и параллелизмом
• Практический опыт построения LLM/агентных пайплайнов: оркестрация цепочек рассуждений, agentic-паттерны (цикл «рассуждение - действие - наблюдение», рефлексия и аналогичные подходы), инструментальное взаимодействие (tool use)
• Понимание архитектур RAG (Retrieval-Augmented Generation) и работы с векторным поиском и извлечением контекста
• Навыки prompt engineering и работы с LLM через OpenAI-совместимые API, понимание ограничений и особенностей современных моделей
• Опыт проектирования распределённых систем и микросервисов (Docker, контейнеризация)
• понимание принципов разработки ПО (тестирование, CI/CD, дизайн-паттерны)
• Английский язык на уровне чтения и написания технической документации и научных статей
• DAG-ориентированный движок оркестрации: типизированные шаги (вызов LLM, инструменты, преобразования, условные переходы, структурированный вывод, обращение к памяти), зависимости между шагами, автоматическая параллелизация
• Эволюционный движок генерации агентов: генетический поиск, quality-diversity (MAP-Elites), островные модели с миграцией, LLM-мутации, автоматическая оптимизация промптов Agentic-паттерны: цикл «рассуждение - действие - наблюдение», самокритика и рефлексия, планирование, мультиагентная оркестрация (супервайзер, передача управления, дебаты, параллельный сэмплинг)
• RAG-подходы, векторный поиск и извлечение релевантного контекста по шагам, память агентов (кратко- и долгосрочная)
• Инструментное взаимодействие (tool use), интеграция внешних инструментов и стандартизированных протоколов вызова инструментов
• Evaluation и бенчмаркинг агентных систем: метрики, датасеты, трассировка исполнения, оценка стоимости и расхода токенов
• LLM с OpenAI-совместимым API, маршрутизация между несколькими моделями Docker и контейнеризация, микросервисная архитектура, распределённые воркеры, очереди задач, объектное хранилище

Будет плюсом

• Публикации на конференциях уровня A* (top-tier ML/NLP/AI - например, NeurIPS, ICML, ICLR, ACL, EMNLP, AAAI и аналогичные
• уровень A* подтверждён международным рейтингом CORE) - будет существенным преимуществом
• Опыт работы с эволюционными алгоритмами и quality-diversity-подходами (генетический поиск, MAP-Elites, островные модели) применительно к генерации кода, промптов или агентов
• Опыт автоматической оптимизации промптов и подходов к самоулучшающимся агентным системам
• Опыт построения систем evaluation и бенчмаркинга агентов и LLM-пайплайнов
• Опыт работы с оркестраторами очередей задач, распределёнными воркерами и объектными хранилищами
• навыки построения наблюдаемых (observable) систем (трассировка, метрики, визуализация)
• Участие в профессиональных конференциях, соревнованиях, грантах по машинному обучению
• вклад в open-source проекты

Условия

• Официальное оформление
• Белая ЗП (оклад + годовая премия)
• Масштабные проекты и сложные разноплановые задачи
• Конкурентный уровень заработной платы, а также годовые премии по результатам работы
• Современные рабочие места и программное обеспечение
• офис в Сити (Башня Империя) ДМС, корпоративные мероприятия

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.