AI Solutions Architect / Tech Lead / Senior (LLM, RAG, ИИ-агенты)
Интересная позиция на острие технологий (LLM, агенты) с достойной оплатой и возможностью удаленной работы. Частичная занятость может быть как плюсом для совмещения, так и минусом для тех, кто ищет полную загрузку.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Роль требует сочетания глубоких технических знаний в области LLM/RAG и навыков системного архитектора. Высокая сложность обусловлена необходимостью не только проектировать, но и самостоятельно реализовывать прототипы, а также управлять командой разработки.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Предложенная зарплата от 250 000 ₽ соответствует нижней границе рыночного диапазона для позиций уровня Senior/Lead в области AI в России. Для роли архитектора с опытом пресейла и управления командой рыночные показатели обычно смещены в сторону 350 000 - 500 000 ₽.
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 понимания современных фреймворков для создания сложных агентных систем.
В каких случаях вы предпочтете использовать LangGraph вместо стандартного LangChain для проектирования ИИ-агента?
Оценка практического опыта оптимизации RAG-систем.
Какие стратегии чанкинга и методы реранжирования (reranking) вы применяли для повышения точности ответов в RAG-пайплайнах?
Проверка архитектурного мышления и умения работать с ограничениями.
Как вы подходите к балансировке между качеством ответов LLM, задержкой (latency) и стоимостью эксплуатации системы?
Оценка навыков интеграции и работы с внешними инструментами.
Опишите ваш опыт реализации Tool Calling: как вы обрабатываете ошибки, если модель галлюцинирует при вызове функции?
Проверка лидерских качеств и умения общаться с бизнесом.
Расскажите о случае, когда требования заказчика были технически нереализуемы. Как вы аргументировали альтернативное решение?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

