- Страна
- Россия
Откликайтесь
на вакансии с ИИ
AI Разработчик (Python)
Оценка ИИBell Integrator — стабильный и крупный игрок на рынке ИТ-услуг. Проект по созданию AI-помощника на базе GigaChat является актуальным и технологически интересным, предлагая работу с передовым стеком (RAG, векторные БД). Удаленный формат работы по РФ добавляет привлекательности.
Сложность вакансии
Оценка ИИРоль требует не только уверенного владения Python и FastAPI, но и специфических знаний в области Generative AI: RAG, векторных БД и работы с LLM-фреймворками. Опыт работы от 3 лет и необходимость интеграции с корпоративными системами через Kafka повышают порог входа.
Анализ зарплаты
Оценка ИИЗарплата в вакансии не указана, однако для Middle Python/AI разработчика в Москве и РФ рыночный диапазон составляет от 200 000 до 350 000 рублей. Bell Integrator обычно предлагает конкурентоспособные условия, соответствующие средним значениям для крупных системных интеграторов.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Bell Integrator уже сейчас
Присоединяйтесь к Bell Integrator и создавайте инновационных AI-помощников на базе GigaChat!
Описание вакансии
Bell Integrator
AI Разработчик (Python)
Опыт работы: коммерческая разработка на Python от 3 лет
Полная занятость
Формат работы: удалённо на территории РФ
Bell Integrator — крупный системный интегратор, аккредитованная ИТ-компания. Команда создаёт AI-помощника (на базе GigaChat) в канале Казначейства: помощник позволит клиенту самостоятельно менять параметры услуги «Единый остаток».
*☑️* Чем предстоит заниматься
-Проектирование, разработка и внедрение AI-агентов
-Интеграция различных решений с другими системами, обеспечение их взаимодействия
-Работа с LLM, включая prompt engineering и оптимизацию взаимодействия с большими языковыми моделями
*☑️* Наши пожелания к кандидатам
-Отличное знание Python, опыт коммерческой разработки от 3 лет (по ТК РФ)
-Хорошее знание FastAPI, REST API и асинхронного программирования
-Опыт работы с PostgreSQL, Docker / Docker Compose
-Опыт работы с Qdrant или другими векторными базами данных
-Практическое понимание RAG: chunking, embeddings, vector search, metadata filtering
-Опыт интеграции LLM API: OpenAI, GigaChat, Anthropic или аналогов
-Опыт работы с LangChain, LlamaIndex, HuggingFace или sentence-transformers
-Опыт работы с Kafka; RabbitMQ может рассматриваться как аналог
-Опыт написания unit- и интеграционных тестов
Контакты: Откликнуться / Telegram Откликнуться
*🔥* Подписаться на наши каналы (https://t.me/addlist/8QASR3uThEI2ZjVi) / @best_itjob (https://t.me/best_itjob) / @it_rab (https://t.me/it_rab)
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Unit Testing
- Python
- LLM
- PostgreSQL
- RAG
- Docker
- Kafka
- REST API
- FastAPI
- LangChain
- RabbitMQ
- OpenAI
- Huggingface
- Anthropic
- LlamaIndex
- Qdrant
- Docker Compose
- GigaChat
Возможные вопросы на собеседовании
Проверка понимания архитектуры RAG, заявленной в требованиях.
Расскажите, как вы подходите к выбору стратегии чанкинга (chunking) для различных типов документов в RAG-системах?
Оценка опыта работы с векторными БД, указанными в вакансии.
В чем преимущества использования Qdrant по сравнению с обычным полнотекстовым поиском в PostgreSQL для задач AI-агентов?
Проверка навыков оптимизации работы с LLM.
Какие техники prompt engineering вы использовали для минимизации галлюцинаций модели при работе с финансовыми данными?
Оценка владения асинхронностью и интеграционными паттернами.
Как обеспечить надежную доставку сообщений и обработку ответов от LLM при использовании FastAPI и Kafka в высоконагруженной системе?
Проверка опыта работы с инструментами разработки AI.
