Python Backend / AI Engineer
Интересная вакансия на стыке Backend и AI с возможностью работы с современным стеком (LangGraph, vLLM). Удаленный формат и четкие требования делают предложение привлекательным для Middle-специалистов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Роль требует сочетания навыков классического Backend-разработчика (Django, FastAPI, PostgreSQL) и специалиста по AI (LLM, LangChain, RAG). Высокая сложность обусловлена необходимостью понимания инфраструктуры GPU и оптимизации инференса моделей.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Зарплата в объявлении не указана, но для позиции Middle Python/AI Engineer на российском рынке вилка обычно составляет от 200 000 до 350 000 рублей в зависимости от глубины знаний в области ML/LLM.
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
- OpenAI API
- vLLM
- Docker Compose
- Ollama
- llama.cpp
Возможные вопросы на собеседовании
Проверка понимания работы с внешними инструментами в LLM.
Расскажите о вашем опыте реализации Function Calling: как вы обрабатываете ошибки, если модель возвращает некорректные аргументы?
Важно для оптимизации производительности AI-сервисов.
В чем разница между использованием vLLM и стандартного инференса через Transformers при развертывании локальных моделей?
Проверка навыков проектирования сложных систем.
Как бы вы спроектировали систему сохранения состояния (state management) для многошагового AI-агента в LangGraph?
Оценка навыков работы с базами данных в контексте AI.
Какие стратегии индексации в PostgreSQL вы бы использовали для оптимизации поиска в RAG-системах при больших объемах данных?
Проверка понимания асинхронности.
Как правильно организовать стриминг ответов от LLM через FastAPI, чтобы не блокировать event loop?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

