- Страна
- Россия
- Зарплата
- 250 000 ₽ – 270 000 ₽
GenAI-разработчик / бизнес-аналитик
Оценка ИИИнтересная позиция на острие технологий (GenAI, мультиагентные системы) с адекватной рынку зарплатой. Однако работа в ОС Windows и специфика закрытого контура могут быть ограничением для некоторых кандидатов.
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 ИИРоль требует редкого сочетания навыков Senior-разработчика (JS/Python) и глубокой экспертизы в GenAI стеке (n8n, LangGraph, RAG). Дополнительную сложность накладывает требование по работе в закрытом контуре и среде Windows.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредложенная вилка 250 000 – 270 000 ₽ находится в пределах рыночной нормы для Senior-разработчиков в РФ, однако для узких специалистов по GenAI с навыками архитектора мультиагентных систем верхняя граница рынка может достигать 400 000 ₽ и выше.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Top Selection
GenAI-разработчик / бизнес-аналитик
от 250 000 до 270 000 ₽
Полная занятость
Формат работы: можно удалённо
*☑️* Чем предстоит заниматься
-Разработка AI-агентов и субагентов с использованием tool-calling
-Построение мультиагентных систем и управление цепочками вызовов
-Создание автоматизаций и workflow в n8n, Flowise, Dify, Langflow или аналогичных платформах
-Разработка бизнес-логики и кастомных функций на JavaScript, TypeScript и Python
-Построение RAG-конвейеров: подготовка данных, embeddings, поиск и работа с векторными базами
-Интеграция с внутренними сервисами и витринами данных через REST API и OAuth2
-Парсинг, сбор, нормализация и трансформация данных из внешних источников
-Проектирование промптов для суммаризации и генерации структурированных отчётов
-Развёртывание и эксплуатация open-source и on-prem LLM в закрытом корпоративном контуре
-Работа со структурированными данными, PostgreSQL и JSON
-Участие в анализе и формализации бизнес-требований
*☑️* Наши пожелания к кандидатам
-Опыт коммерческой разработки GenAI-решений на уровне Senior
-Уверенное владение JavaScript, TypeScript и Python
-Практический опыт создания AI-агентов и мультиагентных систем
-LangChain / LangGraph
-LlamaIndex
-Semantic Kernel
-CrewAI / AutoGen
-n8n / Flowise / Dify / Langflow
-Опыт разработки RAG-решений и работы с векторными хранилищами: PGVector, Qdrant, Milvus или аналогами
-Уверенная работа с PostgreSQL, JSON, REST API и OAuth2
-Опыт работы с LLM и prompt engineering
-Опыт развёртывания локальных моделей в закрытом контуре
-Готовность вести разработку и эксплуатацию решения в ОС Windows
-Понимание принципов защиты чувствительных и корпоративных данных
-Будет плюсом:
-Опыт работы с MCP — Model Context Protocol
-Разработка кастомных нод и sub-workflows в n8n
-React
-GraphQL
-FastAPI
-Опыт работы с веб-поиском, парсингом и внешними API
-Опыт участия в корпоративных или промышленных проектах
Контакты: Откликнуться
*🔥* Подписаться на наши каналы / Откликнуться / Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- JavaScript
- TypeScript
- Python
- n8n
- Flowise
- Dify
- LangFlow
- LangChain
- LangGraph
- LlamaIndex
- Semantic Kernel
- CrewAI
- Autogen
- PostgreSQL
- pgvector
- Qdrant
- Milvus
- REST API
- OAuth2
- JSON
- React
- GraphQL
- FastAPI
- RAG
- LLM
- Prompt Engineering
Возможные вопросы на собеседовании
Проверка опыта проектирования сложных систем управления агентами.
Расскажите о самом сложном мультиагентном сценарии, который вы реализовывали: как вы решали проблему зацикливания и передачи контекста между агентами?
Оценка навыков оптимизации поиска в корпоративных данных.
Какие стратегии улучшения качества RAG вы использовали (например, hybrid search, reranking, query expansion) и как оценивали их эффективность?
Проверка практических навыков работы с инструментами автоматизации.
В каких случаях вы предпочтете написать кастомный код на Python/FastAPI вместо использования low-code платформ вроде n8n или Dify?
Важно для работы в закрытом корпоративном контуре.
С какими основными трудностями вы сталкивались при развертывании и квантовании open-source моделей (например, Llama 3 или Mistral) на локальных серверах?
Проверка понимания современных протоколов взаимодействия моделей.
Как использование Model Context Protocol (MCP) может упростить интеграцию LLM с внешними инструментами и источниками данных в вашей архитектуре?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
