- Страна
- Россия
- Зарплата
- от 140 000 ₽
Python-разработчик (AI/Agent-платформа)
Оценка ИИИнтересный стек технологий (AI, LangGraph, MCP) и четко описанные задачи. Зарплата соответствует рынку для Middle-уровня, а удаленный формат работы является значительным плюсом.
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 мультиагентных систем. Высокая планка ожиданий по части архитектуры распределенных систем и мониторинга AI-пайплайнов делает позицию сложной для обычного бэкенд-разработчика.
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, где медиана составляет около 200 000 ₽. Однако, учитывая специализацию на агентах и RAG, опытные кандидаты могут претендовать на более высокие суммы.
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
Python Job в Telegram | в VK | в Max
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- FastAPI
- Pydantic
- PostgreSQL
- Redis
- Taskiq
- LangChain
- LangGraph
- MCP
- RAG
- Qdrant
- Docker
- Kafka
- Redis Streams
- LLM
Возможные вопросы на собеседовании
Проверка понимания специфики управления состоянием в сложных AI-сценариях.
Как вы проектируете управление состоянием (state management) в многошаговых агентах с использованием LangGraph?
Оценка навыков работы с качеством поиска в RAG-системах.
Какие стратегии оптимизации RAG-пайплайнов вы применяли для улучшения релевантности ответов и уменьшения галлюцинаций?
Проверка опыта работы с асинхронностью и очередями задач.
Как обеспечить идемпотентность при обработке длительных AI-задач через Taskiq или аналогичные инструменты?
Оценка понимания MCP (Model Context Protocol).
Расскажите о вашем опыте создания MCP-серверов: какие инструменты вы подключали и с какими сложностями сталкивались?
Проверка навыков мониторинга и оценки стоимости.
Как вы организуете трейсинг и оценку стоимости вызовов LLM в продакшене? Какие метрики для вас приоритетны?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
