AI / LLM Engineer (Go + Python)
Интересная и актуальная позиция на острие технологий с использованием современного стека (Go + Python) и возможностью удаленной работы по всему миру.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Роль требует редкого сочетания глубоких знаний Go для backend-разработки и экспертизы в области LLM/AI на Python, включая RAG и агентные сценарии.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Зарплата в объявлении не указана, однако для специалистов уровня Senior AI Engineer с владением Go и Python рыночные предложения начинаются от 4000-5000 USD и выше.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Описание вакансии
Удалённо (Мир)
AI / LLM Engineer (Go + Python) ⚡**
*➡️* Ищем AI/LLM Engineer, который будет проектировать и развивать production-системы на базе LLM.
*❕*Нам нужен не классический Data Scientist и не специалист, который занимается только промптами. Ищем инженера, который умеет собрать LLM-систему целиком: от prompt/context logic и агентных сценариев до backend-сервисов, интеграций, тестирования и запуска в production.
*📍*ОСНОВНОЙ СТЕК — Go + Python.
*⏺*Go — используем для production-backend, сервисов и высоконагруженной бизнес-логики.
*⏺*Python — для LLM-инфраструктуры, AI-компонентов, прототипирования и экспериментов.
*💎*Чем предстоит заниматься:
- Проектировать и развивать LLM/AI-системы и AI-агентов;
- Строить многошаговые agentic workflows: routing, tool calling, state management;
- Работать с Prompt Engineering и Context Engineering;
- Управлять контекстом, памятью и состоянием диалога;
- Реализовывать structured output и function/tool calling;
- Строить RAG-пайплайны: chunking, embeddings, retrieval, reranking;
- Интегрировать LLM с API, базами данных и внутренними сервисами;
- Разрабатывать backend-сервисы на Go и AI-компоненты на Python;
- Исследовать новые модели и подходы, быстро проверять гипотезы;
- Выбирать модели с учетом качества, latency и стоимости;
- Строить систему оценки качества: evals, regression tests, golden datasets, LLM-as-a-judge;
- Анализировать логи и traces, улучшать качество и стабильность агентов;
- Реализовывать retries, fallbacks, timeouts и обработку ошибок;
- Доводить решения от прототипа до стабильного production.
*💯*Что мы ожидаем:
Go:
- production-сервисы;
- REST/gRPC API;
- concurrency;
- работа с БД;
- микросервисная архитектура.
Python:
- AI-сервисы и backend;
- async;
- API;
- обработка данных;
- быстрое прототипирование.
*🔥*Также важно:
- Практический опыт разработки \\production-приложений с LLM;
- Понимание архитектуры современных AI-систем:
prompt → context → tools → agent → state → evaluation;
- Опыт Prompt Engineering: system prompts, few-shot, prompt chaining, structured output;
- Опыт Context Engineering: memory, summarization, динамическая сборка контекста;
- Опыт создания AI-агентов и agentic workflows;
- Работа с LLM API и понимание особенностей разных моделей;
- Понимание RAG: embeddings, vector search, retrieval, reranking, hybrid search;
- Понимание evals, regression testing и анализа production-логов;
- Опыт с PostgreSQL, MongoDB, Redis, Docker, Git, CI/CD;
- Понимание production-подходов: observability, scalability, latency, retries, fallbacks и контроль стоимости.
Понравилась вакансия?
*💚* — да
*🌚* — нет
———
*💙* Удалёнка
*🐢* C-Level
*💚* Джунам
*🧑💻* Джунам разработчикам
*🫶* Удалёнка джунам
*💜* За рубежом
*💚 разместить резюме и быстро найти работу* →www.vseti.app/newcv
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.

Навыки
- Go
- Python
- LLM
- RAG
- Prompt Engineering
- PostgreSQL
- MongoDB
- Redis
- Docker
- CI/CD
- gRPC
- REST API
- Microservices
Возможные вопросы на собеседовании
Проверка понимания надежности AI-систем.
Как вы организуете систему обработки ошибок и fallbacks в многошаговых агентных сценариях, если LLM возвращает некорректный формат или API недоступно?
Оценка навыков работы с контекстом и стоимостью.
Какие стратегии управления контекстом (memory management) вы используете для длинных диалогов, чтобы минимизировать latency и затраты на токены?
Проверка технического кругозора в RAG.
В каких случаях вы предпочтете Hybrid Search обычному векторному поиску при реализации RAG-пайплайна?
Оценка опыта в Go.
Как вы используете механизмы concurrency в Go для оптимизации параллельных вызовов к нескольким LLM или внешним инструментам (tool calling)?
Проверка методологии тестирования.
Расскажите о вашем опыте построения системы Evals: какие метрики вы считаете ключевыми для оценки качества работы AI-агента в production?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

