- Страна
- Россия
Откликайтесь
на вакансии с ИИ
LLM/SRE-инженер
Оценка ИИИнтересный и актуальный стек технологий (LLM, LangGraph, RAG) на стыке разработки и эксплуатации. Возможность работы удаленно и потенциальный переход в штат крупного заказчика делают вакансию привлекательной для опытных инженеров.
Сложность вакансии
Оценка ИИРоль требует редкого сочетания навыков: глубокой экспертизы в Python, практического опыта с LLM-фреймворками (LangGraph, RAG) и уверенных навыков SRE/DevOps для работы с GPU-инфраструктурой. Высокий порог входа обусловлен необходимостью развертывания моделей on-premise.
Анализ зарплаты
Оценка ИИКомпания предлагает обсудить ставку индивидуально. Для позиции Middle+/Senior LLM-инженера с навыками SRE на российском рынке медиана составляет около 350 000 - 450 000 рублей после налогов. Проекты с локальным развертыванием LLM часто оплачиваются выше среднего из-за дефицита специалистов.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в IT People group уже сейчас
Отправьте свое резюме Юлии, чтобы принять участие в разработке передовой мультиагентной платформы на базе LLM!
Описание вакансии
#вакансия #middle+ #LLM #SREинженер #python
Позиция: LLM/SRE-инженер
Грейд: Middle+
Локация: РФ/РБ (РБ - при наличии ЮЛ в РФ)
Компания: IT People group
Ставка: рассмотрим вашу
Формат: удаленно, по ИП/СмЗ/ГПХ
Срок привлечения: до конца года
С возможным переводом в штат заказчика через полгода
Проект: Разработка и внедрение локальной мультиагентной платформы анализа данных бизнес-процессов на основе LLM. Платформа развёртывается on-premise, интегрируется с корпоративными системами и предусматривает масштабирование на другие бизнес-процессы.
Ключевые требования:
• Коммерческий опыт разработки от 5 лет, Python 3.10+ (не менее 2 лет)
• Опыт работы с LLM / Generative AI от 1 года; ежедневное применение LLM в инженерной деятельности
• Уверенный опыт LangChain / LangGraph / LlamaIndex, RAG, Prompt Engineering
• Опыт работы с локальными LLM, развёртывание и сопровождение AI-сервисов
• Linux (обязательно), Docker от 1 года, развёртывание серверных приложений от 1 года
• Умение проектировать агентные сценарии и прототипировать клиентские приложения с помощью LLM
Требования:
• Python 3.10+, asyncio, FastAPI, pandas, REST API
• LangChain / LangGraph / LlamaIndex, RAG, Prompt Engineering
• Векторные БД: Qdrant, pgvector, Milvus и аналоги
• Работа с локальными LLM: развёртывание, управление моделями, оптимизация inference
• Linux (уверенный), Docker / Docker Compose (уверенный), Kubernetes (базовый)
• Git, GitLab CI / GitHub Actions
• Мониторинг: Prometheus, Grafana, Loki / ELK (базовый уровень)
• PostgreSQL, SQL, Redis
• Понимание принципов проектирования информационных систем
Дополнительные требования:
• Опыт работы с Yandex AI Studio / Yandex Cloud
• Опыт эксплуатации AI-инфраструктуры, SRE / DevOps
• Опыт работы с MCP или аналогичными механизмами интеграции инструментов
• Опыт работы с GPU-инфраструктурой
Основные задачи:
• Разработка и настройка мультиагентной системы, агентных сценариев и RAG-конвейеров
• Развёртывание и сопровождение локальных LLM, обеспечение работоспособности AI-инфраструктуры
• Настройка мониторинга, логирования и автоматизации развёртывания
• Участие в диагностике и устранении инцидентов
• Участие в развитии и масштабировании платформы
Резюме и чек по требованиям можно отправлять 👉 Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- LLM
- Generative AI
- LangChain
- LangGraph
- LlamaIndex
- RAG
- Prompt Engineering
- Linux
- Docker
- FastAPI
- Pandas
- REST API
- Qdrant
- pgvector
- Milvus
- Kubernetes
- Git
- GitLab CI
- GitHub Actions
- Prometheus
- Grafana
- Loki
- ELK
- PostgreSQL
- Redis
- SRE
- DevOps
- GPU
Возможные вопросы на собеседовании
Проверка опыта работы с современными фреймворками для создания сложных агентных систем.
Расскажите о вашем опыте использования LangGraph для проектирования циклических агентных сценариев. С какими сложностями вы сталкивались?
Важно для on-premise решений, где ресурсы ограничены.
Какие методы оптимизации инференса локальных LLM вы применяли на практике для повышения пропускной способности системы?
Ключевой компонент платформы анализа данных.
Как вы подходите к оценке качества RAG-системы? Какие метрики используете для проверки релевантности контекста и точности ответов?
Проверка SRE-компетенций в контексте AI.
Как организовать эффективный мониторинг GPU-ресурсов и специфических метрик LLM-сервисов в Prometheus/Grafana?
Проверка навыков работы с векторными хранилищами.
В каких случаях вы бы предпочли pgvector специализированным решениям вроде Qdrant или Milvus?
Похожие вакансии
Архитектор мультиагентных систем на базе LLM
Python-разработчик в команду запуска внутренних AI-сервисов
AI engineer (ML/DS)
Аналитик AI-агентов Senior
Аналитик AI-агентов
AI-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!