- Страна
- Россия
- Зарплата
- до 200 000 ₽
Откликайтесь
на вакансии с ИИ
Python / LLM Engineer: RAG и ИИ-агенты
Оценка ИИИнтересная позиция в актуальной нише ИИ-агентов с возможностью удаленной работы. Зарплата соответствует рынку для Middle-уровня, а стек технологий является передовым.
Сложность вакансии
Оценка ИИСредний уровень сложности: требуется уверенное владение Python и специфический опыт с LLM/RAG от полугода. Основной вызов заключается в умении работать с современными фреймворками вроде LangChain или LangGraph.
Анализ зарплаты
Оценка ИИПредложенная зарплата до 200 000 ₽ находится в пределах рыночной нормы для Middle Python разработчика с узкой специализацией в LLM, хотя для опытных специалистов в Москве верхняя планка может быть выше.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в М Тех уже сейчас
Отправьте свое резюме на почту или через Telegram, чтобы стать частью команды, создающей будущее ИИ-автоматизации!
Описание вакансии
Python / LLM Engineer: RAG и ИИ-агенты ООО «М-ТЕХ»
Зарплата: до 200 000 ₽
Местоположение: Москва, Санкт-Петербург, Самара
Формат работы: Удаленно
Опубликована: 19.08.2026
Требования:
• Опыт коммерческой разработки на Python от 2–3 лет
• Практический опыт с LLM-приложениями, RAG, ИИ-ассистентами от 6 месяцев
• Опыт работы хотя бы с одним из инструментов: LangChain, LangGraph и аналоги
О компании:
ООО «М-ТЕХ» — динамично развивающаяся ИТ-компания, развивающая направление ИИ-автоматизации: прикладные LLM/RAG-решения и ИИ-агенты для процессов малого и среднего бизнеса.
Контакт: Откликнуться
Откликнуться опубликована в @python_djangojobs
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- LLM
- RAG
- LangChain
- LangGraph
Возможные вопросы на собеседовании
Проверка понимания архитектуры RAG-систем.
Расскажите о самом сложном RAG-пайплайне, который вы реализовывали: как вы решали проблему качества поиска и релевантности ответов?
Оценка навыков работы с ключевым инструментом из требований.
В каких случаях вы предпочтете LangGraph обычному LangChain для создания ИИ-агентов?
Проверка знаний в области оптимизации работы с LLM.
Какие стратегии чанкинга (chunking) и индексации данных вы использовали для улучшения контекстного окна модели?
Оценка опыта интеграции ИИ в бизнес-процессы.
Как вы подходите к тестированию и оценке (evaluation) ответов LLM в продакшене? Какие метрики используете?
Проверка общих навыков Python.
