Разработчик Python (ИИ-помощник)
Оценка ИИМТС Банк — это стабильный и крупный работодатель с сильной инженерной культурой. Вакансия привлекательна работой с актуальным стеком (Generative AI, LangChain) и гибким форматом работы (удаленка/гибрид).
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИРоль требует не только уверенного владения Python, но и специфического опыта работы с LLM и фреймворком LangChain от одного года. Проектирование архитектуры оркестратора для ИИ-ассистента добавляет сложности в части управления состоянием и интеграции микросервисов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, однако для позиции Middle Python Developer с экспертизой в AI/LLM рыночные предложения в России обычно начинаются от 250 000 рублей. Учитывая банковский сектор, можно ожидать конкурентную компенсацию выше среднего по рынку.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
МТС Банк. IT
Разработчик Python (ИИ-помощник)
Опыт работы: 3–6 лет
Полная занятость
График: 5/2
Формат работы: удалённо или гибрид или офис
*☑️* Чем предстоит заниматься
-проектировать и разрабатывать backend-сервисы на Python (FastAPI / Flask / Django)
-создавать и оптимизировать цепочки LangChain (chains, agents, tools, memory) для реализации сложных сценариев обработки запросов и выполнения многошаговых задач
-выполнять интеграцию с LLM
-разрабатывать архитектуру оркестратора: управление состоянием процессов, обработка ошибок и повторных попыток, логирование, аудит выполнения шагов
-проектировать REST API для взаимодействия с фронтендом, мобильными клиентами и внешними системами
-работать с диалоговыми сценариями ИИ-ассистента: контекстная память, маршрутизация намерений, вызов инструментов, генерация ответов
-писать тесты (unit, integration), участвовать в code review, документировать API и внутренние сервисы
*☑️* Наши пожелания к кандидатам
-Python 3.9+ — уверенное владение, опыт промышленной разработки от 3 лет
-LangChain (или аналоги: LlamaIndex, Semantic Kernel) — практический опыт от 1 года: построение chains, agents, работа с memory, tools, output parsers
-понимание принципов работы LLM: prompt engineering, few-shot, chain-of-thought, function calling, token limits, temperature и другие параметры
-опыт интеграции с API LLM-провайдеров (OpenAI, Anthropic, Cohere и др.) и/или запуска open-source моделей
-asyncio, fastapi или aiohttp
-базы данных: PostgreSQL, Redis
-микросервисная архитектура: Kubernetes, REST/gRPC, принципы проектирования отказоустойчивых сервисов
Контакты: Откликнуться
*🔥* Подписаться на наши каналы / Откликнуться / Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- FastAPI
- Flask
- Django
- LangChain
- LlamaIndex
- PostgreSQL
- Redis
- Kubernetes
- gRPC
- REST API
- LLM
- asyncio
Возможные вопросы на собеседовании
Проверка практического опыта работы с основным фреймворком для LLM.
Расскажите о самом сложном агенте или цепочке (chain), которую вы реализовывали в LangChain. С какими проблемами столкнулись?
Важно понимать, как кандидат управляет контекстом в диалоговых системах.
Как вы организуете управление контекстной памятью (Memory) для ИИ-ассистента, чтобы избежать переполнения токенов?
Проверка навыков проектирования надежных систем.
Как вы реализуете обработку ошибок и повторных попыток (retries) при сбоях API LLM-провайдера в асинхронной среде?
Оценка понимания внутренней механики работы моделей.
В чем разница между Zero-shot, Few-shot и Chain-of-thought промптингом, и в каких случаях вы выберете каждый из них?
Проверка навыков работы с высоконагруженными сервисами.
Как вы оптимизируете производительность FastAPI приложения при выполнении длительных запросов к LLM?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
