- Страна
- Россия
- Зарплата
- от 140 000 ₽
Python-разработчик
Оценка ИИОтличное предложение для Middle-разработчика, желающего развиваться в актуальной сфере AI/LLM. Четко описанный стек технологий, удаленный формат и работа над сложным продуктом делают вакансию очень привлекательной.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИРоль требует не только уверенного владения Python и FastAPI, но и специфических знаний в области AI-инженерии: LangGraph, RAG и векторных БД. Высокая сложность обусловлена необходимостью проектировать сложные асинхронные пайплайны и обеспечивать наблюдаемость AI-сервисов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредложенная зарплата от 140 000 ₽ на руки соответствует нижней границе рыночного диапазона для Middle Python разработчиков с уклоном в AI в России. Специалисты с опытом работы в LangChain и RAG часто могут претендовать на более высокие суммы, однако для уровня 1-3 года опыта это адекватное стартовое предложение.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Rocket Science
Python-разработчик
от 140 000 ₽ за месяц, на руки
Опыт работы: 1–3 года
Полная занятость
График: 5/2
Формат работы: удалённо
*☑️* Чем предстоит заниматься
-Разработка и развитие backend-сервисов для AI/Agent-платформы на Python
-Проектирование и реализация асинхронных task-processing pipeline: постановка задач, очереди, воркеры, статусы, retries, idempotency
-Разработка AI/LLM-интеграций и orchestration-логики: вызов моделей, обработка результатов, управление контекстом и состоянием задач
-Построение агентских workflow с использованием LangGraph / аналогичных orchestration-инструментов
-Реализация RAG-пайплайнов: поиск контекста, работа с embeddings/vector storage, формирование контекста для LLM
-Разработка API на FastAPI, интеграция внутренних и внешних сервисов. Работа с PostgreSQL, Redis, Kafka/Redis Streams и другими инфраструктурными компонентами
-Обеспечение надёжности AI-задач: timeouts, retries, rate limiting, dead-letter handling, idempotency, fault tolerance
-Реализация streaming-ответов от AI-сервисов, например через SSE/WebSocket/Redis Streams
-Наблюдаемость AI-пайплайнов: logging, metrics, tracing, Langfuse/аналогичные инструменты, анализ latency и стоимости LLM-вызовов
-Участие в проектировании архитектуры микросервисов и распределённых систем
*☑️* Наши пожелания к кандидатам
-умеешь разрабатывать LLM-агентов и работать со skills, memory, tool calling и сложными многошаговыми диалоговыми сценариями
-понимаешь принципы построения мультиагентных систем и умеешь выстраивать взаимодействие между агентами
-имеешь опыт с RAG и retrieval: построением пайплайнов поиска, индексации и работы с контекстом
-умеешь создавать и интегрировать MCP-серверы, подключать внешние и внутренние системы и инструменты
-понимаешь, как строить evaluation, трассировку и метрики качества для AI-систем
-умеешь оптимизировать latency, стоимость, производительность и стабильность AI-решений
-способен пройти полный путь от AI-прототипа до production: от архитектуры и экспериментов до запуска, мониторинга и дальнейшего развития продукта
-Python · FastAPI · Pydantic · PostgreSQL · Redis · Taskiq (или аналоги) · LangChain · LangGraph · MCP · RAG · Qdrant · Docker
Контакты: Откликнуться
*🔥* Подписаться на наши каналы / Откликнуться / Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- FastAPI
- Pydantic
- PostgreSQL
- Redis
- Taskiq
- LangChain
- LangGraph
- RAG
- Qdrant
- Docker
- Kafka
- Redis Streams
- WebSocket
- SSE
- LLM
Возможные вопросы на собеседовании
Проверка понимания специфики работы с LLM в сложных сценариях.
Как вы обеспечиваете идемпотентность и обрабатываете ошибки (retries) в асинхронных задачах, связанных с вызовом внешних LLM API?
Оценка навыков проектирования сложных AI-агентов.
В чем преимущество использования LangGraph перед обычными линейными цепочками (chains) при создании мультиагентных систем?
Проверка практического опыта с RAG.
Какие стратегии индексации и поиска в векторных БД вы использовали для улучшения качества ответов RAG-системы?
Оценка навыков оптимизации и мониторинга.
Как вы подходите к мониторингу стоимости и latency вызовов LLM в продакшене? Какие инструменты для трейсинга (например, Langfuse) вы использовали?
Проверка знаний инфраструктурного стека.
Расскажите об опыте работы с Taskiq или аналогичными инструментами для обработки фоновых задач: как вы настраиваете очереди и воркеры для AI-нагрузок?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
