AI/AI-agent developer Senior
Оценка ИИПривлекательная вакансия в известном ИТ-центре с фокусом на передовые технологии (AI-агенты, RAG). Предлагается полная удаленка и работа с актуальным стеком, включая GigaChat, что актуально для российского рынка.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена требованием глубокой экспертизы в мультиагентных системах (MAS), Agentic-RAG и специфическом стеке (GigaChat, LangGraph). Вакансия требует не просто навыков промпт-инжиниринга, а полноценной E2E разработки с интеграцией в банковскую инфраструктуру.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИУказанный стек технологий и уровень Senior предполагают рыночную зарплату выше среднего. В Москве для AI-разработчиков такого уровня медиана составляет около 350 000 - 450 000 рублей. Проект в финтех-секторе обычно предлагает конкурентные условия на верхней границе рынка.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
ИЦ АЙ-ТЕКО
AI/AI-agent developer Senior
Опыт работы: 3–6 лет
Полная занятость
График: 5/2
Формат работы: удалённо
*☑️* Чем предстоит заниматься
-Разработка и внедрение AI-агентов для автоматизации внутренних процессов (чат-боты, интеллектуальная обработка документов, автономные системы)
-Проектирование, внедрение и оптимизация RAG-систем (поиск по базам знаний, корпоративным данным, векторные хранилища)
-Интеграция систем с большими языковыми моделями (GigaChat, Qwen, GLM)
-Написание API для взаимодействия с внутрибанковскими сервисами
-Отладка и мониторинг работы действующих AI-решений с проведением тестирования
-Непрерывное улучшение качества работы и возможностей AI-агентов на основе метрик и обратной связи
*☑️* Наши пожелания к кандидатам
-Опыт работы с LLM (GigaChat, GPT, Claude, Gemini и др.) от 2 лет (Обязательно)
-Понимание архитектуры мультиагентных систем с agentic-RAG пайплайном (embedders, VBD) и фреймворками оркестрации (LangChain, LangGraph) с подключением векторных хранилищ данных (Elastic, ChromaDB, pgVector, Qdrant)
-Знание устройства, возможностей и принципов работы ML/LLM с пониманием ограничений и умением нахождения способов их решения
-Опыт самостоятельной E2E разработки LLM-приложений, MAS, AI-агентов с поддержкой Agent Skills и MCP, A2A протоколов
-Уверенное владение Python и ML/LLM-стеком (pandas, FastAPI/Flask, FastMCP). Знание специализированных библиотек CUDA, transformers, pytorch, numpy будет преимуществом
-Умение проектирования и интеграции микросервисных архитектур в проекты, в т.ч. облачные OpenAI-like API (OpenRouter, OpenAI, Anthropic, Cloud.ru)
-Активное использование в разработке AI-native IDE (Cursor, Antigravity, ClaudeCode, Codex, Trae)
-Базовое понимание устройства DevOPS процессов и CI/CD пайплайнов (Kubernetes, Jenkins, Docker, GitLab, Azure)
-Docker, Git, Linux, Jenkins, Sonar, Platform V (на уровне развертывания сервисов)
-SQL/NoSQL (PostgreSQL, MongoDB, Redis)
-Jira, Confluence
Будет плюсом:
-Практический опыт с GigaChain на базе GigaChat API и работа с GitVerse
-Опыт работы с локальным инференсом LLM (llama.cpp, ollama, vllm)
-Опыт с LangFlow, n8n, CrewAI, AutoGPT (или готовность освоить схожие low/no-code инструменты)
-Базовые навыки работы с LangSmith (для сложных workflow)
-Опыт подключения LLM к Telegram, Discord, Slack
-Активное использование AI в личной жизни
Контакты: Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- LLM
- RAG
- LangChain
- LangGraph
- FastAPI
- PostgreSQL
- Docker
- Kubernetes
- PyTorch
- Transformers
- Redis
- MongoDB
- ElasticSearch
- ChromaDB
- Qdrant
- GigaChat
Возможные вопросы на собеседовании
Проверка понимания архитектуры сложных RAG-систем и умения работать с графами состояний.
В каких случаях вы предпочтете использовать LangGraph вместо стандартных цепочек LangChain для реализации AI-агента?
Оценка практического опыта работы с отечественными LLM и понимание их специфики.
С какими основными ограничениями GigaChat вы сталкивались при интеграции через GigaChain и как их обходили?
Проверка навыков оптимизации поиска в векторных базах данных.
Как вы подходите к выбору стратегии чанкинга и метода индексации в векторном хранилище (например, Qdrant) для документов со сложной структурой?
Оценка понимания концепции расширения возможностей агентов.
Расскажите о вашем опыте реализации Agent Skills и использования протокола MCP для взаимодействия агента с внешними инструментами.
Проверка навыков обеспечения надежности в продакшене.
Как вы организуете мониторинг качества ответов LLM и отладку галлюцинаций в многошаговых агентских пайплайнах?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
