AI Solutions Architect / Tech Lead / Senior (LLM, RAG, ИИ-агенты)
Интересная позиция на острие технологий (LLM, агенты) с высокой степенью ответственности и возможностью удаленной работы. Указанная зарплата является конкурентной для частичной занятости или стартовой планкой для Senior/Lead уровня.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Роль требует сочетания глубоких технических знаний в области LLM (RAG, агенты) и навыков системного архитектора с опытом управления командой и общения с заказчиками.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Предложение от 250 000 ₽ для роли Architect/Tech Lead соответствует нижней границе рынка для полной занятости в РФ (350-500к), однако с учетом указанной 'частичной занятости' это очень привлекательное предложение.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Описание вакансии
ООО "М-ТЕХ"
AI Solutions Architect / Tech Lead / Senior (LLM, RAG, ИИ-агенты)
от 250 000 ₽
Частичная занятость
Формат работы: можно удалённо
*☑️* Чем предстоит заниматься
-Выявлять потребности заказчиков, анализировать бизнес-процессы и формулировать технические требования
-Предлагать варианты применения ИИ для решения бизнес-задач, оценивать реализуемость и ограничения
-Самостоятельно проектировать архитектуру ИИ-агентов, мультиагентных систем и RAG-решений
-Учитывать требования к безопасности, масштабируемости, надежности, производительности и стоимости эксплуатации
-Декомпозировать решения на задачи и оценивать трудозатраты, сроки и необходимые ресурсы
-Выявлять технические риски и формировать реалистичный план реализации
-Ставить задачи разработчикам, контролировать их выполнение и проводить code review
-Отвечать за соответствие реализации выбранной архитектуре и требованиям заказчика
-Уметь настраивать ИИ-агентов, RAG-пайплайны и интеграционные компоненты
-Создавать прототипы и MVP для демонстрации заказчикам
-Настраивать tool calling, работу с памятью и контекстом, маршрутизацию запросов, обработку ошибок
-Тестировать и оптимизировать решения по качеству, скорости работы и стоимости запросов
*☑️* Наши пожелания к кандидатам
-Техническое образование
-От 3 лет коммерческой разработки ИИ-агентов, RAG и других LLM-решений
-Опыт участия в пресейлах, выявления требований и непосредственного общения с заказчиками
-Опыт самостоятельного проектирования архитектуры программных систем, включая выбор технологий и обоснование архитектурных решений
-Опыт технического лидерства: постановка задач разработчикам, контроль реализации, code review
-Практический опыт декомпозиции задач и оценки трудозатрат разработки
-Cпособность самостоятельно реализовать спроектированное решение
-Глубокое понимание архитектуры LLM-приложений и агентных систем: tool calling, оркестрация, управление контекстом и состоянием, обработка ошибок
-Опыт с LangGraph, LangChain, LlamaIndex, PydanticAI или аналогичными инструментами
-Уверенное понимание RAG: embeddings, chunking, векторный и гибридный поиск, reranking, оценка качества ответов
-Опыт работы с LLM API и/или локальными моделями
-Python, FastAPI, REST API, SQL, PostgreSQL, Docker, Git
-Понимание принципов CI/CD, логирования, мониторинга и тестирования ИИ-приложений
-Умение оценивать качество, задержки и стоимость эксплуатации ИИ-систем
Контакты: Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.

Навыки
- Git
- Python
- LLM
- SQL
- CI/CD
- PostgreSQL
- RAG
- Docker
- REST API
- FastAPI
- LangChain
- LangGraph
- LlamaIndex
- PydanticAI
Возможные вопросы на собеседовании
Проверка практического опыта работы со сложными агентными сценариями.
Расскажите о самом сложном кейсе проектирования мультиагентной системы: как вы распределяли роли между агентами и решали проблему зацикливания?
Оценка навыков оптимизации RAG-систем.
Какие стратегии реранжирования (reranking) и чанкинга вы использовали для повышения точности ответов в условиях специфического домена данных?
Проверка умения балансировать между качеством и стоимостью.
Как вы подходите к оценке стоимости эксплуатации ИИ-решения на этапе проектирования, особенно при использовании проприетарных моделей (OpenAI/Anthropic)?
Оценка архитектурного мышления.
В каких случаях вы предпочтете использование LangGraph вместо стандартного LangChain, и какие преимущества это даст для управления состоянием (state management)?
Проверка лидерских качеств и процессов.
Как вы организуете процесс code review для ИИ-проектов, учитывая специфику тестирования недетерминированных выходов LLM?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

