AI-инженер / LLM-инженер
Оценка ИИСильная вакансия в стабильной госкомпании с четким стеком технологий и современными задачами (LLM, LangGraph). Зарплата выше рынка для Middle-уровня, адекватные требования и понятный вектор развития.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИРоль требует не только уверенного владения Python, но и глубокого понимания специфических инструментов LLM-разработки (LangGraph, RAG, векторные БД). Высокая планка задана необходимостью интеграции с корпоративным софтом и умением оценивать качество генерации.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредлагаемая зарплата от 235 000 ₽ на руки является очень конкурентной для позиции Middle AI-инженера в Москве, превышая средние рыночные показатели для этого уровня.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Мособлгаз
AI-инженер / LLM-инженер
от 235 000 ₽ за месяц, на руки
Опыт работы: 3–6 лет
Полная занятость
График: 5/2
Формат работы: гибрид или офис (Москва)
*☑️* Чем предстоит заниматься
-Разрабатывать агентов на LangGraph: tool calling, многошаговые сценарии, human-in-the-loop, обработка ошибок
-Строить RAG по внутренним документам: разбор PDF/DOCX, сканов и таблиц, индексация, гибридный поиск (BM25 + dense), реранкинг
-Делать и развивать агентов для корпоративных систем (Bitrix, Jira, Alfresco, Exchange, 1С): text-to-SQL по MS SQL / PostgreSQL, интеграции через REST API
-Разбирать ошибки агентов по трейсам, вести регрессионные наборы и метрики качества
-Вместе с заказчиками вести решение от прототипа до передачи в эксплуатацию и документировать его
*☑️* Наши пожелания к кандидатам
-От 2 лет разработки на Python, из них от 1 года — LLM-проекты (агенты, ассистенты, RAG). asyncio, FastAPI, pydantic, тесты
-LangGraph, LangChain или аналоги; function calling, structured output, паттерны агентов (ReAct, plan-and-execute, роутинг)
-RAG на практике: chunking, эмбеддинги, векторный и гибридный поиск (Qdrant, pgvector или аналоги)
-Понимание ограничений LLM и способов их обходить: контекстное окно, галлюцинации, недетерминизм. Умение решить, где нужна LLM, где достаточно детерминированного решения, а где — классического ML, и обосновать выбор по качеству, стоимости и надёжности
-Оценка качества: собрать тестовый набор, выбрать метрики (recall@k, faithfulness, RAGAS или аналоги), провести офлайн-оценку и side-by-side сравнение версий промпта или пайплайна
-Уверенный SQL; Docker / Docker Swarm, GitLab CI
-Умение общаться с бизнес-заказчиками, переводить задачу в техническую постановку и писать понятную документацию
-Будет плюсом:
-Работа с open-weight моделями (Qwen, DeepSeek) и их деплой на vLLM: квантование (FP8/AWQ), guided decoding
-Опыт с российскими LLM (GigaChat, YandexGPT) через API
-LiteLLM как шлюз к моделям; OpenWebUI (Functions, Tools, Pipelines)
-Langfuse или LangSmith, LLM-as-a-judge
-MCP: создание и подключение серверов
-Защита LLM-систем: prompt injection, маскирование конфиденциальных данных
-Классический ML для текстов: классификация, кластеризация, бустинги, sklearn (например, для маршрутизации запросов)
Контакты: Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- FastAPI
- LangChain
- SQL
- Docker
- GitLab CI
- PostgreSQL
- MS SQL Server
- Qdrant
- LLM
- RAG
- LangGraph
- Pydantic
- asyncio
- Scikit-learn
Возможные вопросы на собеседовании
Проверка практического опыта работы с основным инструментом вакансии.
Расскажите о самом сложном агенте, которого вы собирали на LangGraph: как был устроен граф и как вы обрабатывали ошибки (human-in-the-loop)?
RAG — ключевая часть задач. Важно понять, как кандидат борется с некачественным поиском.
Какие методы оптимизации RAG вы использовали для работы со сложными PDF-документами и таблицами? Как вы настраивали гибридный поиск?
Проверка навыков оценки качества, что критично для продакшн-решений.
Как вы выстраиваете процесс оценки качества LLM-ответов? Какие метрики из RAGAS вы считаете наиболее показательными и почему?
Проверка умения работать с локальными моделями, указанными в плюсах.
Был ли у вас опыт деплоя моделей через vLLM? Какие методы квантования вы применяли и как это влияло на задержку (latency)?
Проверка архитектурного мышления и бизнес-ориентированности.
В каких случаях вы бы предпочли классический ML или детерминированный алгоритм вместо использования LLM для задачи классификации запросов?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
