- Страна
- Россия
- Зарплата
- до 200 000 ₽
Откликайтесь
на вакансии с ИИ
Python / LLM Engineer: RAG и ИИ-агенты
Оценка ИИИнтересная и актуальная ниша (LLM/RAG), возможность удаленной работы и четкие требования. Зарплата соответствует рынку для Middle-уровня, но не является топовой для AI-сегмента.
Сложность вакансии
Оценка ИИПозиция требует уверенного владения Python и специфического опыта с LLM-инструментами (LangChain, LangGraph), что делает её доступной для разработчиков среднего уровня, уже начавших специализироваться в AI.
Анализ зарплаты
Оценка ИИПредложенная зарплата до 200 000 ₽ находится в рамках рыночного медианного значения для Middle Python разработчиков, однако для специалистов с фокусом на LLM и RAG это скорее нижняя граница или средний уровень. На рынке Москвы опытные инженеры в этой нише могут претендовать на более высокие компенсации.
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 присоединиться к команде М-ТЕХ и создавать инновационные RAG-решения!
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 и способов борьбы с галлюцинациями.
Какие стратегии вы используете для улучшения качества ответов в RAG-системах (например, переранжирование, гибридный поиск)?
Оценка практического опыта работы с фреймворками для создания агентов.
В чем ключевое различие между LangChain и LangGraph при проектировании сложных ИИ-агентов?
Проверка навыков работы с векторными хранилищами.
С какими векторными базами данных вы работали и по каким критериям выбирали их для конкретных задач?
Оценка понимания стоимости и производительности LLM.
Как вы подходите к оптимизации токенов и управлению контекстным окном в длинных диалогах?
Проверка общих навыков Python в контексте AI.
