Python Backend / AI Engineer
Интересная вакансия на стыке Backend и AI с возможностью работать удаленно. Компания предлагает работу с актуальным стеком технологий (LLM, LangGraph, GPU-платформы), что отлично подходит для профессионального роста в сфере искусственного интеллекта.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Роль требует не только уверенного владения Python-фреймворками (Django, FastAPI), но и специфических знаний в области AI: работы с LangChain/LangGraph, понимания архитектуры LLM-агентов и навыков развертывания моделей на GPU-инфраструктуре.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Зарплата в объявлении не указана, однако для позиции Middle Python/AI Engineer на российском рынке медиана составляет около 250 000 - 300 000 рублей. Специалисты с навыками работы с LLM и агентными системами сейчас высоко ценятся и могут претендовать на верхнюю границу рынка.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Описание вакансии
WB—Tech
Python Backend / AI Engineer
Опыт работы: 1–3 года
Полная занятость
График: 5/2
Формат работы: удалённо
*☑️* Чем предстоит заниматься
-Разработка и поддержка backend-сервисов на Python с использованием Django и FastAPI
-Проектирование API, интеграций и архитектуры backend-приложений
-Работа с PostgreSQL, Redis, оптимизация запросов и производительности сервисов
-Разработка AI-агентов и агентных систем на базе LLM
-Создание агентных решений как с использованием фреймворков (LangGraph, LangChain, OpenAI Agents SDK и аналоги), так и без них
-Интеграция локальных и облачных LLM в существующие продукты
-Разработка инструментов (tools), управление вызовами функций, состоянием и контекстом агентов
-Контейнеризация, развертывание и сопровождение сервисов с использованием Docker
-Работа с AI-инфраструктурой: запуск, настройка и поддержка LLM на собственных серверах и облачных GPU-платформах
*☑️* Наши пожелания к кандидатам
-Уверенное знание Python, опыт коммерческой backend-разработки
-Опыт работы с Django и FastAPI
-Хорошее знание PostgreSQL и Redis
-Уверенное владение Docker и Docker Compose
-Понимание асинхронного программирования в Python (asyncio)
-Практический опыт интеграции LLM в приложения
-Опыт разработки AI-агентов, использования tool calling / function calling
-Понимание принципов работы LLM, управления контекстом и построения агентных процессов
-Опыт работы с REST API, внешними сервисами и сторонними интеграциями
-Уверенное владение Git, Linux
-Будет плюсом:
-Опыт работы с LangGraph, LangChain, OpenAI Agents SDK
-Опыт самостоятельного проектирования агентных архитектур без использования готовых фреймворков
-Опыт развертывания и обслуживания локальных LLM (Qwen, Gemma, Llama и другие)
-Опыт работы с GPU-инфраструктурой, RunPod и аналогичными платформами
-Знание vLLM, llama.cpp, Ollama и других инструментов инференса
-Понимание принципов квантования моделей, ограничений VRAM и оптимизации инференса
-Опыт построения RAG-систем, работы с эмбеддингами и векторным поиском
-Опыт настройки мониторинга, логирования и CI/CD
Контакты: Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.

Навыки
- Git
- Python
- Linux
- LLM
- PostgreSQL
- RAG
- Redis
- Docker
- FastAPI
- LangChain
- Django
- LangGraph
- asyncio
- vLLM
- Docker Compose
- Ollama
- llama.cpp
Возможные вопросы на собеседовании
Проверка понимания архитектуры агентных систем и управления состоянием.
В чем разница между использованием готовых фреймворков вроде LangGraph и созданием агентной логики с нуля? В каких случаях вы выберете тот или иной подход?
Оценка навыков оптимизации работы с LLM.
Как вы подходите к управлению контекстным окном и оптимизации затрат (токенов) при построении RAG-систем или многошаговых агентов?
Проверка технических навыков работы с инфраструктурой.
С какими сложностями вы сталкивались при развертывании локальных LLM (например, Llama 3) через vLLM или Ollama, и как решали проблемы с VRAM?
Оценка владения асинхронностью в Python.
Как эффективно организовать обработку множественных запросов к внешним API LLM в FastAPI, чтобы избежать блокировок и обеспечить высокую пропускную способность?
Проверка навыков работы с базами данных.
Какие стратегии индексации в PostgreSQL вы используете для оптимизации тяжелых запросов в высоконагруженных backend-сервисах?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

