Data Scientist (Middle) | LLM / AI Agents
Оценка ИИХорошее предложение для Middle-специалиста с актуальным стеком (LLM, AI Agents) и возможностью удаленной работы из нескольких стран СНГ. Зарплата соответствует рыночному уровню для данного грейда.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИПозиция требует уверенного владения Python и FastAPI, а также специфического опыта работы с LLM и Prompt Engineering. Уровень Middle предполагает самостоятельность в принятии архитектурных решений при работе с данными и API.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредложенная зарплата (160k-190k net) находится в пределах рыночного диапазона для Middle Data Scientist в РФ и СНГ, хотя для узкой специализации LLM/AI Agents верхняя граница могла бы быть выше.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Data Scientist (Middle) | LLM / AI Agents
Зарплата: 160 000 ₽ net (ТК) / 190 000 ₽ net (ГПХ)
Местоположение: Россия, Беларусь, Казахстан
Формат работы: Удаленно
Опубликована: 29.10.2026
Требования:
• Коммерческий опыт Python от 2 лет (async/await, ООП, typing)
• FastAPI, REST API, PostgreSQL, продвинутый SQL
• Практический опыт работы с LLM (OpenAI API, vLLM или аналоги)
• Prompt Engineering, понимание ограничений LLM
Контакт: Откликнуться
Откликнуться в LinkedIn
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- FastAPI
- REST API
- PostgreSQL
- SQL
- LLM
- OpenAI API
- vLLM
- Prompt Engineering
Возможные вопросы на собеседовании
Проверка понимания асинхронности в Python, критически важной для FastAPI.
В каких случаях в FastAPI стоит использовать async def, а в каких обычный def, и как это влияет на производительность при обращении к LLM API?
Оценка практического опыта работы с ограничениями моделей.
С какими основными проблемами галлюцинаций LLM вы сталкивались и какие стратегии (например, Few-shot, Chain-of-Thought) использовали для их минимизации?
Проверка навыков оптимизации работы с БД.
Опишите ваш опыт оптимизации сложных SQL-запросов в PostgreSQL. Какие инструменты профилирования вы использовали?
Оценка архитектурного мышления в области ИИ-агентов.
Как бы вы спроектировали систему памяти для AI-агента, чтобы он сохранял контекст между сессиями пользователя?
Проверка навыков работы с инфраструктурой LLM.
В чем разница между использованием OpenAI API и развертыванием собственной модели через vLLM с точки зрения задержек (latency) и стоимости?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
