PYTHON DEVELOPER (AI Agents)
Оценка ИИОтличная вакансия от топового банка с современным стеком (LLM, мультиагентные системы), сильным соцпакетом (ДМС, обучение) и гибким форматом работы.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена требованиями к глубокому опыту в AI-инжиниринге (LangChain, мультиагентные системы) и одновременно сильными навыками классического бэкенда в высоконагруженных системах.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в Альфа-Банке для Senior Python/AI ролей обычно соответствует верхней границе рынка, а наличие квартальных премий делает совокупный доход выше среднего по индустрии.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
PYTHON DEVELOPER
*🏢* Компания: ALFA-BANK
*💰* ЗП: обсуждается + квартальная премия по KPI
*🌍* Формат: Удалёнка (RU). Также гибрид; ИТ‑хабы в Москве, Санкт-Петербурге, Екатеринбурге и сезонный коворкинг в Сочи
*🕒* Занятость: Полная занятость
Задачи:
• Разработка ИИ‑агентов и мультиагентной платформы: логика, взаимодействие и оркестрация.
• Интеграция с LLM: подключение моделей, промпты и обработка ответов.
• Разработка REST API для интеграции с системами и микросервисами.
• Работа с БД: оптимизация SQL, миграции, индексирование и кеширование.
• Асинхронная обработка: обработчики событий и очереди сообщений.
• Развёртывание и CI/CD: Docker, Kubernetes, создание pipeline.
Требования:
• Коммерческий опыт разработки на Python (3.9+) от 4 лет.
• Опыт создания ИИ‑агентов (LangChain, LangGraph, CrewAI).
• Опыт работы в финансовом, корпоративном или высоконагруженном проекте.
• Асинхронное программирование; asyncio, aiohttp.
• Разработка REST API и микросервисов; FastAPI, Pydantic, Django, Flask.
• Контейнеризация и работа с БД: Docker, основы Kubernetes, PostgreSQL, Redis, MongoDB.
Будет плюсом:
• Опыт создания и внедрения мультиагентных систем.
• Работа с локальными LLM: Llama, Qwen, DeepSeek R1, Ollama, vLLM.
• Fine‑Tuning моделей и опыт MLOps/DevOps.
• Kafka, RabbitMQ, продвинутый SQL и оптимизация, GPU‑расчёты.
Стек:
Python, Python 3.9+, LangChain, LangGraph, CrewAI, Llama, Qwen, DeepSeek R1, Ollama, vLLM, asyncio, aiohttp, FastAPI, Pydantic, Django, Flask, Docker, Kubernetes, PostgreSQL, Redis, MongoDB, Kafka, RabbitMQ
Условия:
• Конкурентная и прозрачная з/плата; обсуждается на собеседовании + квартальная премия.
• Полная удалёнка или гибрид; офисы/ИТ‑хабы в нескольких городах.
• ДМС с первого дня (включая стоматологию), страхование и компенсация больничных.
• Поддержка обучения: конференции, курсы, внутренние тренинги и демо‑дни.
• Оплата посещения профильных конференций и доступ к корпоративным библиотекам.
*📩* Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- LangChain
- LangGraph
- CrewAI
- FastAPI
- Pydantic
- Django
- Flask
- Docker
- Kubernetes
- PostgreSQL
- Redis
- MongoDB
- Kafka
- RabbitMQ
- asyncio
- aiohttp
- LLM
- vLLM
- Ollama
Возможные вопросы на собеседовании
Проверка практического опыта работы с фреймворками для ИИ-агентов.
Расскажите о самом сложном кейсе использования LangGraph или CrewAI в вашей практике: с какими проблемами зацикливания или передачи контекста вы сталкивались?
Оценка навыков работы с асинхронностью, критически важной для интеграции с внешними API моделей.
Как вы организуете обработку таймаутов и повторных попыток (retries) при работе с асинхронными вызовами LLM через aiohttp?
Проверка понимания специфики работы с локальными моделями.
В чем основные отличия в оптимизации инференса при использовании vLLM по сравнению с обычным запуском модели через Transformers?
Оценка архитектурного мышления в контексте микросервисов.
Как бы вы спроектировали систему кэширования ответов LLM в распределенной системе с использованием Redis, чтобы минимизировать затраты на токены?
Проверка навыков работы с БД под нагрузкой.
Какие стратегии индексирования в PostgreSQL вы примените для таблицы с миллионами записей логов взаимодействия агентов?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
