Data Scientist
Интересный долгосрочный проект (до 2027 года) с современным стеком (LangGraph, Agents). Удаленный формат и работа над внутренним SDK делают позицию привлекательной для опытных инженеров.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Высокая сложность обусловлена требованиями к глубокому знанию системного Python (память, процессы, асинхронность) и специфическому стеку для ИИ-агентов (LangGraph, RAG, LLM-инференс).
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Для роли Senior Data Scientist с фокусом на LLM и Agents в Москве рыночный диапазон составляет 350,000–550,000 рублей. Данная позиция требует редких навыков (LangGraph, системное программирование), что позволяет претендовать на верхнюю границу рынка.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Описание вакансии
В формате проектного сотрудничества до 03.2027 с возможностью пролонгации:
Позиция: Data Scientist
Формат работы: удаленно
Задачи:
• Разработка ИИ-агентов на langchain/langraph
• Разработка внутреннего SDK для реализации агентов
•Разработка eval датасетов
Требования/опыт:
- Опыт разработки и внедрения ML/LLM-решений в продакшен.
- Уверенное владение самим языком: типы данных, функции, классы, исключения, итераторы/генераторы, context managers, typing, устройство объектов и базовые особенности памяти.
- Опыт реализации параллельных и конкурентных задач (async/await, asyncio, threads, processes, очереди, семафоры, отмена задач, таймауты и контроль нагрузки).
- Разработка надежных сервисов: FastAPI, Pydantic, auth-сервисы, TDD, журналирование / аудит / метрики / трассировка.
- Управление процессами и ресурсами ОС: subprocess, multiprocessing, signals, timeouts, CPU/RAM limits, RSS, file descriptors, завершение зависших процессов и защита от OOM.
- Опыт реализации enterprise RAG.
- Понимание агентского цикла. Умение реализовать на чистом Python.
- Понимание основных компонентов ИИ-агента.
- Опыт деплоя микросервисов (Docker, Kubernetes).
- Опыт настройки модели / движка LLM-инференса для оптимизации пропускной способности.
- Опыт реализации ИИ-агента на LangChain / LangGraph.
- Опыт реализации консьюмеров для Kafka.
- Опыт реализации enterprise ETL-процессов.
Писать в ТГ Откликнуться
Спасибо!
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.

Навыки
- Python
- Machine Learning
- LLM
- Kubernetes
- RAG
- Docker
- Kafka
- ETL
- TDD
- FastAPI
- LangChain
- LangGraph
- Pydantic
- asyncio
Возможные вопросы на собеседовании
Вакансия предполагает разработку внутреннего SDK и сложных агентов. Важно понимать, как кандидат структурирует логику.
Расскажите о вашем опыте проектирования агентских циклов на LangGraph: как вы обрабатываете ветвление логики и сохранение состояния (state management)?
В требованиях указан опыт с Enterprise RAG. Это критично для работы с корпоративными данными.
С какими проблемами качества ответов в RAG-системах вы сталкивались и какие методы оптимизации (например, reranking или hybrid search) использовали?
Упоминается работа с очередями и Kafka. Нужно проверить навыки обработки данных в реальном времени.
Как вы организуете обработку сообщений из Kafka для LLM-сервисов, учитывая высокую задержку инференса моделей?
Требуется знание устройства памяти и защиты от OOM.
Как вы мониторите и ограничиваете потребление ресурсов (CPU/RAM) в Python-сервисах, работающих с тяжелыми ML-моделями в продакшене?
Разработка eval-датасетов — одна из ключевых задач.
Какие метрики и подходы вы используете для автоматизированной оценки (LLM-as-a-judge) качества работы ИИ-агентов?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

