- Страна
- Россия
Data scientist по ИИ-агентам, senior
Оценка ИИСильная инженерная культура Контура, работа с передовым стеком (LLM Agents, MCP) и возможность влиять на архитектуру продукта делают эту вакансию крайне привлекательной для Senior-специалистов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИВысокая сложность обусловлена требованием глубокой экспертизы в узкой нише ИИ-агентов, опытом работы с MCP и мультиагентными workflow, а также необходимостью владения стеком Python и Node.js/TypeScript одновременно.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в вакансии не указана, но для позиции Senior Data Scientist с фокусом на ИИ-агентов в крупной российской IT-компании рыночный диапазон составляет 400 000 – 600 000 рублей. Контур обычно предлагает конкурентные условия, соответствующие рынку Москвы и Санкт-Петербурга.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Контур
Data scientist по ИИ-агентам, senior
Опыт работы: более 6 лет
Полная занятость
График: 5/2
Формат работы: удалённо
*☑️* Чем предстоит заниматься
-Проектировать и реализовывать агентное ядро — turn-loop, оркестрацию tool-calling, управление подагентами, контекст-менеджмент: компакция и токен-бюджеты, промпт-архитектура, устойчивый роутинг моделей с graceful degradation
-Разрабатывать плагинную архитектуру для интеграции с внешними B2B-системами — писать MCP-серверы, обеспечивать безопасное исполнение кода в песочницах, строить абстракции над LLM-провайдерами Anthropic, OpenAI, Bedrock, Vertex через LiteLLM и собственные прокси
-Оркестрировать мультиагентные workflow — проектировать взаимодействие агентов на собственной архитектуре, адаптированной под доменную специфику
-Разрабатывать систему оценки качества — создавать eval-гейты, бенчмарки для агентов, инструменты для трассировки и отладки
*☑️* Наши пожелания к кандидатам
-Опыт создания production-агентных систем, построения мультиагентных рантаймов с подагентами, планировщиками, динамическим роутингом моделей. Важен опыт разработки сложных отказоустойчивых систем, а не просто цепочки из нескольких вызовов
-Опыт разработки на Python, TypeScript, Bun или Node.js
-Опыт интеграции с LLM-провайдерами — работа с OpenAI API, Anthropic, AWS Bedrock, Vertex AI, использование или написание собственных шлюзов на базе LiteLLM. Понимание нюансов кэширования, стриминга, retry-политик
-Опыт работы с LangChain или LangGraph, CrewAI, Agno, LlamaIndex или OpenAI/Anthropic Agents SDK, а также с MCP (@modelcontextprotocol/sdk). Понимание их ограничений и готовность создавать собственные решения, если опенсорс не закрывает доменные требования
-Опыт построения системы оценки и мониторинга, настройки трассировки с помощью OTel или Langfuse, внедрения eval-гейта, разработки бенчмарков для агентов, умение измерять качество и надежность
-Опыт технического лидства на уровне больших фичей или продукта
-Готовность писать как высокоуровневую архитектуру, так и низкоуровневый код для работы с SDK Anthropic и OpenAI и прокси-слоями
Контакты: Откликнуться / Telegram Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- TypeScript
- Node.js
- Bun
- LLM
- OpenAI API
- Anthropic
- AWS Bedrock
- Vertex AI
- LiteLLM
- LangChain
- LangGraph
- CrewAI
- LlamaIndex
- Model Context Protocol
- OpenTelemetry
- Langfuse
Возможные вопросы на собеседовании
Проверка понимания архитектурных ограничений и готовности к кастомной разработке.
В каких случаях стандартные возможности LangGraph или CrewAI становятся недостаточными для B2B-задач, и как бы вы спроектировали собственное решение для оркестрации?
Оценка навыков обеспечения надежности в продакшене.
Как вы реализуете стратегию graceful degradation при отказе основного LLM-провайдера в системе с множеством подагентов?
Проверка опыта работы с протоколом MCP.
Опишите ваш опыт работы с Model Context Protocol: какие MCP-серверы вы реализовывали и как обеспечивали безопасность при исполнении кода?
Оценка умения измерять результат.
Как вы строите систему eval-гейтов для оценки качества работы агентов, учитывая недетерминированность ответов моделей?
Проверка навыков управления контекстом.
Какие методы компакции контекста и управления токен-бюджетом вы считаете наиболее эффективными для длительных агентных сессий?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
