PYTHON DEVELOPER (AI SERVICES)
Оценка ИИСильная вакансия с современным технологическим стеком (Python 3.12, LangGraph, Qdrant) и понятным продуктом TEAMLY. Компания предлагает гибкий формат работы и поддержку профессионального развития, что делает предложение привлекательным для опытных разработчиков.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИРоль требует не только уверенного владения современным Python-стеком (FastAPI, SQLAlchemy 2), но и глубокой экспертизы в области AI/LLM: проектирование RAG, работа с векторными БД и агентами. Высокая планка задана использованием Python 3.12 и сложной инфраструктуры (Kafka, Kubernetes).
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в вакансии не указана, но для позиции Senior/Middle+ Python Developer с фокусом на AI в России рыночный диапазон составляет от 250 000 до 450 000 рублей. Учитывая сложность стека (RAG, LangGraph), предложение должно стремиться к верхней границе рынка.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
PYTHON DEVELOPER (AI SERVICES)
*🏢* Компания: QSOFT
*🌍* Формат: Удалёнка (Россия)
*🕒* Занятость: Полная занятость
О компании:
TEAMLY — IT‑платформа для совместной работы, базы знаний и корпоративного обучения. Помогает переводить накопленный опыт компании в реально работающие навыки сотрудников. Клиенты: ВкусВилл, Аналитический центр при Правительстве РФ, 1С-Рарус и другие.
Задачи:
• Развивать HTTP API и бизнес-логику асинхронных Python-сервисов на FastAPI.
• Проектировать и реализовывать RAG‑пайплайны: retrieval, reranking, multi-hop, сбор контекста и цитирование источников.
• Разрабатывать агентные сценарии на LangChain, LangGraph и deepagents с инструментами защиты и контролем контрактов ответа.
• Улучшать семантический поиск и индексацию (chunking, dense/sparse retrieval, Qdrant, reranking, token budget).
• Интегрировать и заменять LLM/embedding-провайдеров (OpenAI-compatible API, vLLM, Ollama).
• Работать с PostgreSQL, Redis и Kafka; проектировать модели данных и Alembic-миграции.
Требования:
• Уверенное владение Python 3.12 и async/await, практический опыт backend-разработки.
• Опыт разработки API на FastAPI и использования Pydantic 2.
• Практический опыт с PostgreSQL, SQLAlchemy 2 async и Alembic.
• Опыт надежной интеграции внешних сервисов (retry/backoff, timeout, идемпотентность).
• Понимание событийной архитектуры и работы Kafka (consumer groups, offset commit, rebalance).
• Знание RAG: chunking, embeddings, retrieval, reranking и методы снижения галлюцинаций.
Стек:
Python 3.12, FastAPI, Pydantic 2, SQLAlchemy 2 async, Alembic, PostgreSQL, Redis, Apache Kafka, aiokafka, Qdrant, LangChain, LangGraph, deepagents, OpenAI-compatible API, vLLM, Ollama, Pytest, mypy, Black, Flake8, Docker, Docker Compose, Kubernetes, GitLab CI, Langfuse, OpenTelemetry
Условия:
• Офисный, гибридный или удалённый формат работы.
• Оплата внешних курсов, корпоративная скидка на английский и поддержка выступлений на конференциях.
• Современное оборудование, лицензированный софт и дополнительные мониторы.
• Командные мероприятия, корпоративы и выезды.
*📩* Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- FastAPI
- Pydantic
- SQLAlchemy
- Alembic
- PostgreSQL
- Redis
- Apache Kafka
- Qdrant
- LangChain
- Docker
- Kubernetes
- GitLab CI
- OpenTelemetry
Возможные вопросы на собеседовании
Проверка понимания специфики RAG-систем, упомянутых в вакансии.
Какие стратегии чанкинга (chunking) и методы реранжирования (reranking) вы бы выбрали для минимизации галлюцинаций в RAG-пайплайне?
Вакансия требует опыта работы с LangGraph и агентными сценариями.
В чем преимущество использования LangGraph перед стандартными цепочками LangChain при реализации сложных многошаговых агентов?
Указано требование по работе с Kafka и событийной архитектурой.
Как обеспечить идемпотентность обработки сообщений в Kafka при интеграции с внешними AI-сервисами?
Стек включает SQLAlchemy 2 async и PostgreSQL.
Какие особенности асинхронной работы с SQLAlchemy 2 вы учитываете при проектировании высоконагруженных API на FastAPI?
Упомянуто использование Qdrant.
Как вы подходите к выбору метрики расстояния (cosine, euclidean, dot product) для векторного поиска в зависимости от используемых эмбеддингов?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
