Java Developer (AI / GenAI)
Оценка ИИОтличная вакансия для Java-разработчика, желающего перейти в сферу AI. Работа в крупной экосистеме Сбера над передовыми технологиями (GenAI, RAG) обеспечивает профессиональный рост и работу с актуальным стеком. Единственный минус для некоторых — строго офисный формат в Москве.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена сочетанием глубоких знаний классического Java-стека (Spring, PostgreSQL, K8s) с экспертизой в области GenAI (RAG, векторные БД, LangChain). Кандидату необходимо не только писать качественный код, но и понимать специфику работы LLM и семантического поиска.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, но для позиции Middle Java Developer с навыками AI в Москве рыночный диапазон составляет от 250 000 до 400 000 рублей. Сбер обычно предлагает конкурентные условия, соответствующие верхней границе рынка для опытных специалистов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
СберСпасибо
Java Developer (AI / GenAI)
Полная занятость
Формат работы: офис (Москва)
*☑️* Чем предстоит заниматься
-Проектирование и разработка микросервисной архитектуры на Java 17+ с использованием Spring Boot (MVC, Data JPA, Security)
-Построение пайплайнов Retrieval-Augmented Generation (RAG): от парсинга сырых данных до индексации эмбеддингов
-Разработка и поддержка векторных баз данных Qdrant: проектирование схем шардирования, настройка гибридного поиска (BM25 + Dense Vectors) и оптимизация запросов к векторному пространству
-Создание мультиагентных систем на базе LangChain/LangGraph для автоматизации бизнес-процессов (классификация, извлечение сущностей, принятие решений)
-Глубокий промт-инжиниринг: написание промптов с нуля под разные user-case'ы одного агента, внедрение техник Few-shot, Chain-of-Thought (CoT) и структурированного вывода (JSON mode)
-Отладка семантики моделей: снижение энтропии ответов, управление вариативностью через параметры инференса (temperature, top_p, штрафы), реализация механизмов самовосстановления (self-healing) при деградации внешних провайдеров LLM
-Оптимизация производительности PostgreSQL: тюнинг сложных SQL-запросов, работа с индексами (B-tree, GIN/GIST, триграммы), проектирование транзакционной изоляции
-Вынос вычислений в контейнерную среду: Docker, Kubernetes (Helm), построение отказоустойчивых CI/CD-конвейеров в GitLab CI/Jenkins
*☑️* Наши пожелания к кандидатам
-Уверенное владение Java 17+. Понимание многопоточности (CompletableFuture, виртуальные потоки Project Loom — будет плюсом)
-Экспертный уровень владения стеком Spring: глубокое понимание жизненного цикла бинов, аспектно-ориентированного программирования, тонкая настройка пулов соединений БД и параметров безопасности
-Опыт проектирования реляционных моделей в PostgreSQL, умение читать EXPLAIN ANALYZE, бороться с блокировками и писать эффективные миграции (Liquibase/Flyway)
-Практический опыт работы с векторными СУБД (Qdrant) или Weaviate/Pinecone/Milvus. Понимание метрик близости (Cosine Similarity, Dot Product, Euclidean Distance)
-Опыт разработки с библиотеками LangChain и/или LangGraph. Навык построения графов состояний (State Machines) и интеграции внешних инструментов (tool calling)
-Навык написания эффективных промптов (Prompt Engineering) и управления поведением LLM без изменения весов модели
-Опыт работы с Docker и Kubernetes (написание манифестов, Helm-чартов). Знание Linux shell на уровне уверенного пользователя
-Настроенные процессы CI/CD (GitLab CI или Jenkins): сборка Maven/Gradle, покрытие тестами (JUnit 5, Testcontainers), статический анализ кода
Контакты: Откликнуться
Java Job в Telegram | в VK | в Max
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Java
- Spring Boot
- Spring Data JPA
- Spring Security
- PostgreSQL
- Qdrant
- LangChain
- Docker
- Kubernetes
- Helm
- GitLab CI
- Jenkins
- Liquibase
- Flyway
- JUnit 5
- TestContainers
- Maven
- Gradle
- RAG
- Prompt Engineering
Возможные вопросы на собеседовании
Проверка понимания специфики работы с векторными данными и оптимизации поиска.
В чем разница между метриками Cosine Similarity и Dot Product при поиске в Qdrant, и в каких случаях стоит предпочесть одну другой?
Оценка навыков работы с современными ИИ-фреймворками для Java.
Как вы реализуете управление состоянием (State Management) в мультиагентных системах при использовании LangGraph?
Проверка глубоких знаний Java и Spring.
Как виртуальные потоки (Project Loom) в Java 21 могут помочь при обработке большого количества блокирующих вызовов к внешним API LLM?
Оценка навыков оптимизации БД.
Какие стратегии индексации в PostgreSQL вы бы использовали для ускорения полнотекстового поиска в сочетании с векторным (гибридный поиск)?
Проверка навыков промпт-инжиниринга и надежности системы.
Какие техники вы применяете для минимизации галлюцинаций LLM и обеспечения структурированного вывода (JSON) в продакшн-среде?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
