- Страна
- Армения
Откликайтесь
на вакансии с ИИ

AI Platform Engineer (RAG/Agents/Skills)
Отличная вакансия для специалистов по Generative AI: современный стек (LangGraph, LlamaIndex), амбициозные задачи по созданию AI-ядра и гибкий формат работы (удаленка/Ереван).
Сложность вакансии
Высокая сложность обусловлена требованиями к глубоким знаниям в области RAG, агентских воркфлоу и оркестрации LLM, а также необходимостью строить платформенные решения (self-service) для аналитиков.
Анализ зарплаты
Зарплата не указана, но для позиций уровня Senior/Lead AI Platform Engineer в финтехе с релокацией или работой на зарубежное юрлицо (ИП) рынок предлагает конкурентные условия. Указанные рыночные диапазоны отражают текущий спрос на редких специалистов по Agentic AI.
Сопроводительное письмо
I am writing to express my strong interest in the AI Platform Engineer position. With a solid background in building production-grade RAG and agentic workflows, I am excited about the opportunity to develop the internal AI core and reusable components for your banking analysts. My experience aligns perfectly with your focus on AI platform engineering and knowledge access rather than traditional ETL.
In my previous roles, I have successfully integrated LLM-based solutions with corporate data sources and built self-service tools that empowered non-technical teams. I am proficient with the stack you mentioned, including Python, LangGraph, and vector databases like Qdrant and Milvus. I am particularly drawn to this role because it combines deep engineering challenges with the mission of enabling internal users through robust, scalable AI infrastructure.
Составьте идеальное письмо к вакансии с ИИ-агентом

Откликнитесь уже сейчас
Присоединяйтесь к созданию передового AI-ядра в финтехе — откликайтесь прямо сейчас!
Описание вакансии
#вакансия #fulltime #AI #Ереван #remote #финтех #PlatformEngineer #Senior/Lead #StrongMiddle
✅В поиске Senior/Lead и Strong Middle AI Platform Engineer (RAG/Agents/Skills)
⚙️Мы строим внутреннее AI-ядро, через которое аналитики смогут получать готовый результат по запросу: с RAG, агентами, skills, оркестрацией и интеграцией с внутренними системами банка.
🦸Ищем инженера, который будет развивать этот пайплайн, делать reusable-компоненты и помогать аналитикам применять платформу на сложных кейсах.
‼️Важно: это не классическая роль Data Engineer про ETL и витрины в отрыве от AI.
Здесь фокус на AI-platform engineering, agentic workflows, knowledge access и enablement внутренних пользователей.
📁Задачи роли:
- Проектировать и развивать внутреннее AI-ядро: агенты, skills, tool use, routing, orchestration
- Строить и улучшать RAG-сценарии: retrieval, chunking, embeddings, reranking, доступ к знаниям
- Делать reusable-компоненты и шаблоны для аналитиков: skills, коннекторы, пайплайны, reference flows
- Интегрировать AI-платформу с внутренними системами, базами данных, API и корпоративными источниками знаний
- Настраивать observability, tracing, evaluation и контроль качества AI-пайплайнов
- Оптимизировать качество, latency, стоимость и устойчивость пайплайнов
- Помогать аналитикам разбирать сложные use cases и выбирать правильный паттерн решения
- Обучать аналитиков работать с платформой и поддерживать их на сложных сценариях
- Переводить разовые кейсы в reusable capabilities платформы
🎯Какой опыт необходим:
- Опыт в ролях AI Platform Engineer, GenAI Solutions Engineer, ML Platform Engineer, Backend / Platform Engineer с опытом LLM workflow или Solutions Architect в AI-направлении
- Практический опыт построения production RAG / agent / workflow-систем
- Опыт создания внутренних инструментов или платформ, которыми реально пользовались аналитики, бизнес-команды или внутренние сервисные команды
- Умение работать на стыке engineering и enablement: не только собрать решение, но и сделать его понятным и применимым для пользователей
- Опыт интеграции AI-пайплайнов с корпоративными источниками данных, API и внутренними системами
- Умение разбирать сложные пользовательские сценарии и упаковывать их в reusable-механики платформы
🛠Стек для Senior/Lead
Python, SQL, FastAPI, API integrations, async, service-oriented development, LangGraph, LlamaIndex, Haystack, Semantic Kernel, Qdrant, pgvector, Weaviate, Milvus, OpenSearch, Elasticsearch, Embeddings, hybrid search, metadata filtering, reranking, Airflow, Prefect, Dagster, Temporal, Langfuse, Phoenix, OpenTelemetry, Docker, Linux, Kubernetes, CI/CD
🛠Стек для Strong Middle
Python, SQL, FastAPI, REST / API integrations, Базовое понимание RAG, embeddings, vector store, retrieval pipelines, Docker, Git, Linux, Опыт сборки и поддержки хотя бы одного production workflow с retrieval и tool use
🫰Будет плюсом:
- Опыт построения внутренних self-service платформ для аналитиков или бизнес-команд
- Опыт написания понятных шаблонов, best practices и технической документации
- Опыт работы с корпоративным поиском, knowledge access, data governance и правами доступа
- Понимание, где действительно нужен агентный сценарий, а где лучше использовать более простой workflow
📑Условия:
💼Взаимодействие: по ИП
🌎Локация: Ереван или готовность к командировкам
👨🏻💻Формат работы: удаленка и командировки
💰Ставка: обсуждается отдельно
🕝Полная занятость, долгосрочный проект
📲Контакт: Откликнуться
Создайте идеальное резюме с помощью ИИ-агента

Навыки
- Python
- SQL
- FastAPI
- LangGraph
- LlamaIndex
- Haystack
- Semantic Kernel
- Qdrant
- pgvector
- Weaviate
- Milvus
- OpenSearch
- ElasticSearch
- Airflow
- Prefect
- Dagster
- Temporal
- Langfuse
- OpenTelemetry
- Docker
- Kubernetes
- CI/CD
- RAG
- LLM
Возможные вопросы на собеседовании
Проверка понимания архитектуры RAG и способов улучшения качества поиска.
Какие стратегии чанкинга и реранкинга вы бы использовали для работы с разнородными банковскими документами?
Оценка опыта работы с агентскими системами и инструментами.
В каких случаях оправдано использование LangGraph или Temporal для оркестрации агентов по сравнению с простыми цепочками (chains)?
Проверка навыков проектирования платформенных решений.
Как спроектировать систему прав доступа (RBAC) в RAG-системе, чтобы аналитики видели только разрешенные им данные из корпоративных источников?
Оценка умения оптимизировать и контролировать AI-пайплайны.
Какие метрики и инструменты (например, Langfuse, Phoenix) вы считаете критичными для мониторинга качества ответов LLM в продакшене?
Проверка навыков интеграции и работы с векторными БД.
Как вы решаете проблему устаревания данных в векторном индексе при частом обновлении исходных баз данных?
Похожие вакансии
Middle / Senior GenAI Engineer (CV)
Senior / Lead LLM Engineer
Senior Python Engineer / AI
Senior Software Engineer II (AI-Native), Circle Expansion
Sr. Machine Learning Engineer, Patient Health Intelligence
Staff Software Engineer, ML Platform
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!
- Страна
- Армения