Middle GenAI Developer (.NET / RAG / AI Agents)
Оценка ИИИнтересная позиция на стыке финтеха и AI в известной брокерской компании. Предлагает работу с современным стеком (Qdrant, vLLM, Rust) и возможность влиять на архитектуру GenAI-сервисов, однако уровень стресса может быть выше среднего из-за специфики отрасли.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИРоль требует редкого сочетания глубоких знаний классического .NET стека и практического опыта в GenAI (RAG, векторные БД, AI-агенты). Высокая сложность обусловлена необходимостью понимания специфических метрик качества поиска и безопасности LLM-систем.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, но для позиции Middle GenAI Developer на российском рынке вилка обычно составляет от 250 000 до 400 000 рублей. Учитывая специфику брокерского бизнеса, можно ожидать предложения по верхней границе рынка при наличии релевантного опыта.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
АЛОР БРОКЕР
Middle GenAI Developer (.NET / RAG / AI Agents)
Опыт работы: 1–3 года
Полная занятость
График: 5/2
Формат работы: удалённо
*☑️* Чем предстоит заниматься
-Разработка GenAI-сервисов на .NET
-Создание и развитие RAG-систем
-Разработка AI-агентов и интеграция с корпоративными API
-Интеграция LLM в существующие приложения
-Активное использование ИИ-инструментов в процессе разработки
-Повышение качества, производительности и надёжности GenAI-систем
-Разработка прототипов и MVP с последующим внедрением в production
*☑️* Наши пожелания к кандидатам
-Уверенное знание C#, .NET, ASP.NET Core, REST API
-Опыт разработки микросервисов и интеграций с внешними API
-Опыт работы с SQL, Entity Framework Core
-Практический опыт разработки с использованием ИИ-инструментов (Claude Code, Codex, Cursor или аналоги)
-Практический опыт разработки RAG-систем
-Знание embeddings, chunking, векторного и гибридного поиска, reranking
-Опыт работы с Qdrant / Milvus
-Опыт индексации документов и обновления базы знаний
-Понимание методов оценки качества поиска и ответов
-Практический опыт разработки AI-агентов с вызовом инструментов (tool calling)
-Понимание агентных циклов, управления состоянием, повторных попыток и обработки ошибок
-Опыт разработки многошаговых агентных сценариев
-Понимание безопасности AI-агентов: prompt injection, разграничение доступа, ограничения действий
Будет плюсом:
-Опыт работы с MCP
-Rust
-Опыт развёртывания и использования собственных LLM (vLLM, self-hosted models)
-Опыт работы с LiteLLM, OpenRouter
-Опыт разработки мультиагентных систем
-Опыт работы с фреймворками оценки качества LLM-приложений (evaluation frameworks)
-Опыт оптимизации кеширования промптов, скорости ответов и стоимости использования моделей
-Опыт мониторинга и диагностики GenAI-систем в production
Контакты: Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- C#
- .NET
- ASP.NET Core
- REST API
- Entity Framework Core
- SQL
- Qdrant
- Milvus
- Rust
- LLM
- RAG
- Microservices
Возможные вопросы на собеседовании
Проверка понимания архитектуры RAG-систем и работы с векторными данными.
Расскажите, как вы подходите к выбору стратегии чанкинга (chunking) и какие методы реранжирования (reranking) использовали для повышения точности поиска?
Оценка опыта разработки автономных агентов.
С какими сложностями вы сталкивались при реализации tool calling у AI-агентов и как обеспечивали надежность выполнения многошаговых сценариев?
Проверка навыков обеспечения безопасности ИИ-решений.
Какие методы защиты от prompt injection и ограничения прав доступа агентов к корпоративным API вы применяли на практике?
Оценка инженерной культуры и использования инструментов.
Как использование ИИ-инструментов (например, Cursor или Claude Code) изменило ваш процесс написания и рефакторинга кода на C#?
Проверка знаний в области оптимизации и мониторинга.
Как вы оцениваете качество ответов LLM в production и какие подходы используете для оптимизации стоимости и задержек (latency) запросов?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
