- Страна
- Россия
- Зарплата
- 137 287 ₽ – 242 250 ₽
Откликайтесь
на вакансии с ИИ
AI Engineer (Multi-Agent Systems & RAG) (Senior)
Оценка ИИИнтересный и актуальный стек технологий (Multi-Agent, RAG), удаленный формат работы и длительный срок проекта. Однако предлагаемая заработная плата для уровня Senior AI Engineer выглядит значительно ниже среднерыночной для РФ, что снижает общую привлекательность вакансии.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена требованием Senior-уровня (5+ лет опыта) и глубокой специализацией на мультиагентных системах и RAG, что является передовым краем AI-разработки. Требуется не только знание Python, но и умение выводить сложные LLM-решения в продакшн с учетом метрик и стоимости.
Анализ зарплаты
Оценка ИИПредложенная ставка (около 137-242 тыс. руб.) существенно ниже рыночных ожиданий для Senior AI Engineer в России, где медиана для таких специалистов начинается от 400-450 тыс. руб. Вакансия может быть интересна специалистам, ищущим стабильный долгосрочный проект, но финансово она проигрывает конкурентам.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь уже сейчас
Отправьте свое резюме Дмитрию прямо сейчас, чтобы стать ключевым архитектором мультиагентных систем в амбициозном AI-проекте!
Описание вакансии
*🆔* 353823
*📅* Дата публикации: 31.07.2026 09:22
*🥇* AI Engineer (Multi-Agent Systems & RAG) (Senior)
*📍* Локация/Гражданство: РФ
*🏠* Формат работы: Удалённо
*📆* Срок проекта: до конца 2026 года
*💰* Ставки:
*🇷🇺* Штат (на руки): 137 287 руб./мес (на руки)
*🇷🇺* ИП (gross): 1 425 руб./час Справочно: ориентировочная среднемесячная выплата Gross 242 250 руб./мес
*📌* О проекте:
Проект направлен на разработку системы, в которой LLM-агенты решают реальные пользовательские задачи. Основной фокус — создание и вывод в промышленную эксплуатацию мультиагентной архитектуры и RAG-пайплайна.
*📎* Задачи:
— Проектирование мультиагентной системы (оркестрация, распределение задач, управление контекстом, обработка ошибок)
— Разработка и оптимизация RAG-пайплайна (chunking, embeddings, hybrid search, reranking)
— Построение системы оценки качества (метрики, evaluation pipeline, работа с hallucinations)
— Prompt engineering на production-уровне
— Интеграция LLM-провайдеров (OpenAI, Anthropic и др.), оптимизация latency и стоимости
— Вывод решений в прод (мониторинг, логирование, versioning)
*💻* Требования:
— 5+ лет коммерческой разработки, включая практический опыт LLM-продуктов в проде
— Уверенный Python
— Опыт работы с фреймворками: LangGraph / LangChain / LlamaIndex / CrewAI / AutoGen или аналогами
— Практика с векторными БД (Qdrant, Weaviate, Pinecone, pgvector, Chroma)
— Понимание evaluation RAG/агентов (retrieval-метрики, hallucinations, RAGAS / LangSmith или аналоги)
— Опыт принятия архитектурных решений и обоснования trade-offs
*❗️* Обязательные данные по кандидату при подаче:
● Резюме на русском языке в формате Word
● +- по требованиям в разделе "Комментарии"
● Возможность на старт в проект Asap
Менеджер: Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- RAG
- Prompt Engineering
- LangChain
- Pinecone
- Weaviate
- LangGraph
- OpenAI
- CrewAI
- Autogen
- Anthropic
- Multi-agent systems
- LlamaIndex
- pgvector
- LangSmith
- Ragas
- Qdrant
- Chroma
Возможные вопросы на собеседовании
Проверка понимания архитектурных паттернов в мультиагентных средах.
Как вы подходите к проектированию системы оркестрации между несколькими специализированными агентами, чтобы избежать бесконечных циклов и эффективно передавать контекст?
Оценка практического опыта оптимизации RAG.
Какие стратегии chunking и reranking вы использовали для улучшения retrieval-метрик в условиях работы с узкоспециализированными или зашумленными данными?
Проверка навыков контроля качества и надежности AI-систем.
Расскажите о вашем опыте борьбы с галлюцинациями LLM в продакшене. Какие метрики и инструменты (например, RAGAS) вы считаете наиболее показательными?
Оценка умения работать с инфраструктурой и стоимостью.
Как вы оптимизируете latency и стоимость при использовании нескольких LLM-провайдеров одновременно? Какие trade-offs вы учитываете при выборе между OpenAI и open-source моделями?
Проверка опыта работы с векторными хранилищами.
В каких случаях вы бы предпочли специализированную векторную БД (например, Qdrant) расширению pgvector для PostgreSQL, и наоборот?
Похожие вакансии
Python AI Engineer (Senior)
Senior ML-инженер
Senior / Middle AI Engineer (Computer Vision)
AI Engineer - инженер (Senior)
AI-разработчик Senior
Senior/Lead AI Engineer
1000+ офферов получено
Устали искать работу? Мы найдём её за вас
Quick Offer улучшит ваше резюме, подберёт лучшие вакансии и откликнется за вас. Результат — в 3 раза больше приглашений на собеседования и никакой рутины!