- Страна
- Россия
- Зарплата
- до 200 000 ₽
LLM-инженер
Оценка ИИИнтересная и актуальная позиция в сфере LLM с четко прописанными задачами и современным стеком. Удаленный формат и работа с передовыми технологиями (Agentic AI, RAG) делают вакансию привлекательной, хотя зарплата находится на среднем уровне для Senior/Middle+ сегмента.
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 не только уверенного владения Python, но и специфических знаний в области RAG, агентных систем и векторных БД. Высокая планка по опыту (от 3 лет) и необходимость работы с инфраструктурными инструментами (Kubernetes, Kafka) делают позицию сложной для новичков.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредложенная зарплата до 200 000 рублей соответствует уровню Middle LLM-инженера на российском рынке, однако для специалистов с опытом от 3-6 лет и навыками работы с Kubernetes/Kafka рыночные предложения часто начинаются от 250 000 - 300 000 рублей.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Lexica
LLM-инженер
до 200 000 ₽ за месяц, до вычета налогов
Опыт работы: 3–6 лет
Полная занятость
График: 5/2
Формат работы: удалённо
*☑️* Чем предстоит заниматься
-Проектирование и разработка LLM-сервисов и API (REST/gRPC) для интеграции с внешними системами
-Создание и оптимизация RAG-пайплайнов и систем гибридного поиска для повышения качества и точности ответов
-Проектирование и разработка agentic workflows и, при необходимости, мультиагентных систем
-Интеграция LLM-провайдеров и моделей, оптимизация промптов и управление маршрутизацией LLM-вызовов
-Внедрение observability и evaluation для LLM-систем: tracing, оценка качества ответов, анализ стоимости и latency
-Обеспечение безопасности API (OAuth2 и JWT) и документирование API с использованием OpenAPI/Swagger
*☑️* Наши пожелания к кандидатам
-Коммерческий опыт разработки на Python от 3 лет, из них от 1 года — в LLM/RAG-проектах
-Опыт работы с Python-библиотеками для обработки и анализа данных: pandas, Polars, NumPy или аналоги
-Глубокое понимание принципов работы LLM, архитектуры RAG и техник prompt engineering
-Понимание принципов проектирования agentic-систем: инструменты, state management, orchestration, контроль выполнения, обработка ошибок, human-in-the-loop и ограничения автономности
-Умение оценивать стоимость, latency и масштабируемость LLM-решений
-Опыт работы с PostgreSQL: проектирование схем данных и оптимизация SQL-запросов
-Опыт работы хотя бы с одной векторной БД: pgvector, Qdrant, Weaviate, Pinecone или аналогами
Будет плюсом:
-Имеете опыт работы с LangChain/LangGraph
-Владеете Airflow, MLflow, Kafka, Kubernetes, Prometheus и Grafana
-Уверенно владеете ИИ-инструментами разработки (Copilot, Claude Code / Cursor, MCP)
-Имеете опыт настройки ИИ под задачи: промпты, кастомные инструкции, skills
-Понимаете ограничения генеративных моделей и ответственность за сгенерированный код
Контакты: Откликнуться
*🔥* Подписаться на наши каналы / Откликнуться / Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- LLM
- RAG
- REST
- gRPC
- PostgreSQL
- pgvector
- Qdrant
- Weaviate
- Pinecone
- LangChain
- LangGraph
- Airflow
- MLflow
- Kafka
- Kubernetes
- Prometheus
- Grafana
- Pandas
- Polars
- NumPy
- OpenAPI
- Swagger
- OAuth2
- JWT
Возможные вопросы на собеседовании
Проверка понимания ключевой технологии, указанной в требованиях.
Расскажите о вашем опыте построения RAG-пайплайнов: какие методы гибридного поиска и стратегии чанкинга вы использовали для повышения точности?
Оценка навыков проектирования сложных автономных систем.
Как вы подходите к управлению состоянием (state management) и обработке ошибок в мультиагентных системах?
Проверка умения работать с векторными хранилищами.
Какую векторную БД вы предпочитаете и почему? Как вы оптимизируете поиск по сходству при больших объемах данных?
Оценка практического подхода к мониторингу ИИ-сервисов.
Какие метрики вы считаете ключевыми для оценки качества работы LLM в продакшене и как вы реализуете tracing вызовов?
Проверка навыков интеграции и безопасности.
Как вы обеспечиваете безопасность API при интеграции LLM-сервисов с внешними системами, учитывая использование OAuth2 и JWT?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
