Python-разработчик LLM-сервисов и ИИ-агентов (Junior)
Оценка ИИОтличная вакансия для старта в AI-инжиниринге: работа с современным стеком (MCP, Langfuse, vLLM) в стабильной промышленной компании. Четкие требования и готовность обучать специфическим технологиям делают её очень привлекательной для Junior+.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИПозиция Junior предполагает наличие коммерческого опыта от года или сильных проектов. Основная сложность заключается в специфике LLM (RAG, агенты, MCP), но компания готова обучать нюансам.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИДля Челябинска позиция Junior Python разработчика с уклоном в AI обычно оплачивается в диапазоне 70,000–110,000 рублей. Учитывая специфику LLM, зарплата может быть выше среднего по региону для данного грейда.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Метран, Промышленная группа
Python-разработчик LLM-сервисов и ИИ-агентов (Junior)
Опыт работы: 1–3 года
Полная занятость
График: 5/2
Формат работы: гибрид или офис (Челябинск)
*☑️* Чем предстоит заниматься
-Разрабатывать LLM-сервисы и ИИ-агентов на Python (FastAPI)
-Строить RAG-контур — база знаний (регламенты, учётная политика), векторный поиск, ответы строго по источникам
-Подключать LLM к внутренним сервисам — 1С (выгрузки, HTTP-сервисы), базы данных, n8n, AnythingLLM
-Доводить сервисы до продакшена — API, обработка ошибок, безопасность, наблюдаемость (видим, сколько тратим и что отвечаем)
-Поддерживать и развивать агентов — обновлять после смены модели или промпта, чинить инциденты, откатывать версии
-Следить за трендами LLM/агентов и предлагать, что применимо у нас
*☑️* Наши пожелания к кандидатам
-Python — уверенное владение, типизация, async/await, ООП, unit-тесты, Git
-Коммерческий опыт от 1 года или сильные пет-проекты — оцениваем по коду, а не по строчке в резюме
-Опыт вызова LLM через API (OpenAI-совместимые) — промптинг, structured output, tool calling. Пет-проекты считаются
-Понимание ограничений LLM — галлюцинации, недетерминизм, стоимость, латентность. Честное «не знаю» лучше выдумки, это у нас принцип
-Понимание агентного цикла «модель → вызов инструмента → результат» — и когда агент не нужен, а хватит простого пайплайна
-Базовые FastAPI (или аналогичный фреймворк) и SQL
*☑️* Будет плюсом
-RAG-тонкости — embeddings, векторные хранилища (pgvector/Qdrant/FAISS), chunking, faithfulness (ответ не выдумывает сверх найденного)
-Наблюдаемость — трассировка запросов (сколько шагов делает модель, какие инструменты вызывает, сколько стоит). Langfuse/Phoenix/OpenTelemetry — плюс
-Evals — набор проверочных кейсов и прогон регресса при смене промпта или модели
-MCP (Model Context Protocol) — у нас подключение агентов к 1С идёт через MCP, покажем и научим
-Безопасность финансовых данных — prompt injection, read-only по умолчанию, секреты в env, лимиты и журналирование. Покажем, как устроено у нас
-Docker, CI/CD, Linux на рабочем уровне
-Локальные/self-hosted модели (Ollama, vLLM) — у нас основная платформа Cloud.ru
-n8n, AnythingLLM
-Знание 1С, финансов/бухгалтерии — плюс
Контакты: Откликнуться
*🔥* Подписаться на наши каналы / Откликнуться / Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Git
- Unit Testing
- Python
- Linux
- LLM
- SQL
- OpenTelemetry
- CI/CD
- RAG
- Docker
- FastAPI
- FAISS
- n8n
- Qdrant
Возможные вопросы на собеседовании
Проверка понимания фундаментальных проблем LLM и способов их минимизации в бизнес-приложениях.
Как вы боретесь с галлюцинациями в RAG-системах и какие метрики используете для оценки качества ответов (faithfulness)?
Оценка практического опыта работы с асинхронностью, критически важной для высоконагруженных API и долгих запросов к LLM.
В каких случаях в FastAPI стоит использовать async def, а в каких обычный def, и как это влияет на производительность при вызове внешних API?
Проверка понимания архитектуры агентов и умения выбирать оптимальное решение без избыточного усложнения.
Расскажите о цикле «модель → вызов инструмента → результат». В какой ситуации вы предпочтете простой пайплайн вместо полноценного агента?
Выявление навыков работы с векторными данными, необходимыми для построения базы знаний.
Какие стратегии разбиения текста на чанки (chunking) вы знаете и как выбор стратегии влияет на релевантность поиска в векторной БД?
Проверка базовых навыков безопасности при работе с чувствительными данными.
Что такое Prompt Injection и какие методы защиты (кроме системных промптов) можно применить на уровне кода или инфраструктуры?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
