предполагает высокую техническую автономию и участие в принятии архитектурных решений. Детали задач и приоритеты обсудим на интервью.

Навыки

• AI-агенты
• API (интеграции)
• Проектирование архитектуры
• ArgoCD / Flux
• B2B-продажи
• BigQuery
• CI/CD

О компании и продукте

• Мы — B2B-платформа для iGaming, на которой наши клиенты запускают собственные продукты.
• AI-направление охватывает внутренние инструменты и клиентскую часть: работу с аналитикой, управление продуктом через API, рекомендации, виртуальных персонажей и другие пользовательские сценарии.
• Роль предполагает высокую техническую автономию и участие в принятии архитектурных решений. Детали задач и приоритеты обсудим на интервью.
• Зарплатная вилка:3000-4000 USDT

Задачи

• Развивать LLM-агентов для работы с данными из ClickHouse и PostgreSQL
• Подключать агентов к API платформы, чтобы они могли помогать настраивать продукт и выполнять действия
• Проектировать безопасное выполнение действий: проверку прав, валидацию параметров, подтверждение критических операций, аудит и откат
• Обеспечивать строгую изоляцию данных, контекста и доступных действий между тенантами
• Развивать RAG по документации продукта
• Работать над клиентскими AI-функциями: рекомендациями, подсказками, виртуальными персонажами и диалоговыми сценариями
• Строить evals и регрессионные наборы для контроля качества ответов и действий агентов
• Принимать архитектурные решения: что использовать готовым, что разрабатывать самостоятельно и где нужен self-hosted inference
• Интегрировать AI-сервисы в существующую инфраструктуру: Kubernetes, Kafka, CI/CD и наблюдаемость

Требования

• 5+ лет в разработке и практический опыт запуска LLM-систем в продакшен
• Python и опыт эксплуатации сервисов под реальной нагрузкой
• Практический опыт с RAG, tool calling и агентами, выполняющими действия через API
• Понимание ограничений LLM-систем и типичных сценариев отказа
• Опыт построения evaluation-контуров
• SQL и опыт работы с аналитическими СУБД: ClickHouse, BigQuery, Snowflake или аналогами
• Понимание безопасности LLM-приложений: prompt injection, контроль доступа и предотвращение утечек между тенантами
• Понимание принципов построения надёжных агентных систем: авторизация, подтверждение действий, идемпотентность, аудит и обработка частичных сбоев
• Самостоятельность — задачи приходят как «нужно, чтобы работало», а не как готовое ТЗ
• Английский B2+

Будет плюсом

• опыт в регулируемых доменах — iGaming или финтех
• recsys/ranking
• Go на уровне чтения кода
• Kubernetes и Kafka
• понимание экономики GPU-инференса
• Инструменты
• Ждём опыта с частью этого стека
• Агенты: LangGraph, OpenAI Agents SDK, DSPy, Pydantic AI
• Evals и трейсинг: Langfuse, LangSmith, Braintrust, DeepEval, Arize Phoenix
• Гейтвей и роутинг: LiteLLM, Portkey
• RAG: pgvector, Qdrant, Weaviate, реранкеры
• Инференс: vLLM, SGLang
• Интеграции: MCP
• Конкретный набор неважен — важно понимать, зачем нужен каждый слой и что произойдёт, если его убрать
• Наш стек
• Python, Go, Kubernetes, Argo CD, Kafka, ClickHouse, PostgreSQL, Grafana/Loki, GitLab CI

Условия

• Реальные данные и нагрузка, зрелая инженерная инфраструктура, бюджет на модели и эксперименты
• Локация: Кипр
• Занятость: полный день, удаленный формат

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.