Scala-разработчик (Middle++) в команду RAG / Базы знаний

Навыки

• AI-агенты
• Проектирование архитектуры
• Самостоятельность
• CI/CD
• ClickHouse
• Многопоточность
• Docker

О компании и продукте

• Scala-разработчик (Middle++) в команду RAG / Базы знаний
• 27 июля 2026 • г Москва • ПАО Сбербанк • Информационные технологии:Программист, разработчик
• Мы строим продукт, в котором применяются разные подходы к построению RAG: векторные, графовые и гибридные, различные стратегии чанкинга и реранкинга. Сейчас MVP уже в продакшене — впереди развитие, эксперименты и масштабирование.

Задачи

• разрабатывать и развивать backend сервиса баз знаний на Scala (ZIO, Cats Effect, Spark)
• проектировать и реализовывать различные типы RAG-пайплайнов: векторный поиск, графовый retrieval, гибридные схемы
• экспериментировать с методами чанкинга (по структуре, семантические, иерархические и др.) и реранкинга
• интегрироваться с LLM (GigaChat, Qwen) через LangChain, работать с pgvector, Elasticsearch, ClickHouse, Qdrant
• совместно с ML-инженерами из соседней команды проверять гипотезы, выводить их в прод и измерять качество
• участвовать в архитектурных решениях и развитии инженерной культуры команды из 4 Scala-разработчиков
• первые ~2 месяца — выделенное время на внутреннее обучение Scala с поддержкой команды и плавным погружением в боевые задачи

Требования

• коммерческий опыт разработки на Java от 3 лет: уверенное знание JVM, многопоточности, понимание особенностей сборщика мусора и работы с памятью
• опыт проектирования и поддержки backend-сервисов в продакшене под нагрузкой
• уверенный SQL и опыт работы с PostgreSQL
• опыт построения REST API и работы с брокерами сообщений (Kafka и т. п.)
• понимание принципов функционального программирования (immutability, higher-order functions, работа с эффектами, тайп-классы) и желание глубоко в это погружаться
• ориентация в области RAG и LLM: понимание embeddings, векторного поиска, чанкинга, реранкинга, prompt engineering
• опыт хотя бы pet-проектов с LangChain или аналогами
• понимание различий между векторным, графовым и гибридным retrieval
• готовность интенсивно учиться: за ~2 месяца выйти на уровень самостоятельной разработки на Scala
• аналитический склад ума, умение работать с исследовательскими задачами и неопределённостью

Будет плюсом

• любой опыт со Scala (pet-проекты, курсы, чтение Odersky / "Scala with Cats" / "Functional Programming in Scala")
• знакомство с экосистемой ZIO, Cats Effect, Spark
• практический опыт построения RAG-систем, в том числе графовых (Neo4j, GraphRAG) или гибридных
• опыт работы с pgvector, Elasticsearch, ClickHouse
• опыт интеграции с LLM (GigaChat, Qwen, OpenAI, локальные модели)
• понимание метрик качества RAG (faithfulness, relevance, recall @k и др.) и подходов к их измерению
• знание Docker, Kubernetes, CI/CD
• навыки работы с генеративными AI-моделями
• опыт создания AI-агентов и использования их в работе будет преимуществом
• опыт использования GigaChat, Kandinsky и аналогов в продуктах, навыки создания и использования AI-агентов
• инструментальное владение AI для анализа, генерации и автоматизации

Условия

• комфортный современный офис в Москве
• график работы – офис
• ежегодный пересмотр зарплаты, квартальная и годовая премия
• корпоративный спортзал и зоны отдыха
• более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
• программа адаптации и помощь руководителя на старте (для Junior позиций)
• расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа
• гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ
• подписка Прайм с возможностью совместного использования на трёх близких
• вознаграждение за рекомендацию друзей в команду Сбера

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.