- Страна
- Россия
Откликайтесь
на вакансии с ИИ
GenAI/LLM Разработчик
Оценка ИИИнтересный стек технологий (GenAI, n8n, LangChain) и работа с крупными корпоративными системами делают вакансию привлекательной для опытных разработчиков, несмотря на специфику работы в Windows-среде.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена требованием глубокой экспертизы в n8n (от 1 года), опытом построения мультиагентных систем и RAG, а также необходимостью работать в закрытом контуре Windows с on-prem моделями.
Анализ зарплаты
Оценка ИИУказанная роль Middle+/Senior в сфере GenAI на российском рынке обычно оценивается в диапазоне от 300 000 до 500 000 рублей. Отсутствие вилки в объявлении требует уточнения, но стек технологий предполагает конкурентную оплату.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Eclipse Digital уже сейчас
Станьте ключевым экспертом в области GenAI и создавайте сложные мультиагентные системы — откликайтесь прямо сейчас!
Описание вакансии
ID 2289
GenAI/LLM Разработчик
Middle, Middle+, Senior
🌍 Локация: РФ
💼Сотрудничество : по ИП РФ
Eclipse Digital
https://eclipse-studio.ru/ - наниматель
Вакансия - нашего партнера
#Обязательно:
- Опыт с n8n от 1 года;
- Глубокое понимание архитектуры платформы, управления цепочками запросов и создание кастомных нод;
- Экспертное владение JSON, методами трансформации данных и проектированием схем в PostgreSQL;
- Уверенное использование REST / GraphQL / OAuth2 / FastAPI;
- Опыт работы с тяжелыми корпоративными системами (SAP CRM, SAP BW, 1C CRM) будет преимуществом;
- Свободное владение JavaScript / TypeScript / React и Python для реализации сложной бизнес-логики.
- Построение мультиагентных систем и субагентов с использованием LangChain внутри n8n;
- Опыт работы с MCP или аналогичными системами;
- Развертывание RAG-систем (от подготовки датасетов до работы с эмбеддерами и векторными хранилищами PGVector, Qdrant, Milvus и др.);
- Промпт-инжиниринг, балансировка качества, скорости и стоимости генерации;
- Опыт работы с локальными (on-prem) моделями в закрытом корпоративном контуре;
- Готовность вести разработку и эксплуатировать решение в среде Windows;
- Навык работы с чувствительными данными, понимание принципов их защиты внутри защищенного периметра;
- Способность продуктивно двигаться в проекте при дефиците документации и частом меняющемся вводных;
- Умение «переводить» бизнес-требования на технический язык, плотное взаимодействие с системными аналитиками и владельцами бизнес-процессов;
- Самостоятельный поиск решений и уточнение необходимых деталей у стейкхолдеров без микроменджмента.
#Задачи:
- Разрабатывать и собирать приложение на базе no-code системы N8n с GenAI-компонентами (мультиагентная система);
- Строить RAG-систему, подготавливать данные для загрузки в векторную базу;
- Интегрировать решение с витринами данных, корпоративными системами совместно с экспертами, разработчиками этих систем;
- Взаимодействовать с аналитиками, бизнес-заказчиком для уточнения требований;
- Работать с локальными open-source моделями и решениями на базе GenAI в инфраструктуре предприятия (on-prem);
- Проводить внутренние демо, готовить решения к передаче в продакшн-команды.
#Проект:
Реализация ключевых инициатив в ГенИИ
📨 Откликнуться можно в telegram Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- TypeScript
- Python
- PostgreSQL
- JavaScript
- REST
- GraphQL
- RAG
- Prompt Engineering
- React
- OAuth2
- JSON
- FastAPI
- LangChain
- n8n
- Milvus
- pgvector
- Qdrant
Возможные вопросы на собеседовании
Вакансия требует глубокого понимания n8n для создания кастомных нод и управления сложными цепочками.
Расскажите о самом сложном кастомном узле (node), который вы создавали для n8n: какие задачи он решал и с какими трудностями вы столкнулись при его разработке?
Проект предполагает построение мультиагентных систем.
Как вы подходите к архитектуре взаимодействия между несколькими агентами в LangChain, чтобы избежать зацикливания и обеспечить корректную передачу контекста?
Работа ведется с RAG-системами и векторными хранилищами.
Какие стратегии чанкинга и выбора эмбеддингов вы считаете наиболее эффективными для корпоративных данных в SAP или 1C системах?
Упоминается работа в закрытом контуре (on-prem) и на Windows.
С какими специфическими ограничениями вы сталкивались при развертывании локальных LLM (например, через Ollama или vLLM) в среде Windows и как их решали?
Важна способность работать при дефиците документации и меняющихся требованиях.
Опишите ситуацию, когда вам пришлось внедрять сложную фичу при полном отсутствии документации: как вы выстраивали процесс сбора информации у стейкхолдеров?
Похожие вакансии
AI Engineer (Agents)
Senior Python AI Developer
Middle+ / Senior AI / LLM Engineer
LLM engineer
Python Middle+/Senior (AI/LLM)
Python разработчик (Senior)
1000+ офферов получено
Устали искать работу? Мы найдём её за вас
Quick Offer улучшит ваше резюме, подберёт лучшие вакансии и откликнется за вас. Результат — в 3 раза больше приглашений на собеседования и никакой рутины!
- Страна
- Россия