- Страна
- Россия
- Зарплата
- 187 867 ₽ – 331 500 ₽
Откликайтесь
на вакансии с ИИ

Senior Python разработчик (AI/LLM)
Сильная позиция в топовом банке с актуальным технологическим стеком (AI/LLM). Четко прописанные задачи и конкурентные условия для Senior-специалиста.
Сложность вакансии
Высокая сложность обусловлена требованиями к глубоким знаниям Python 3.12, опытом работы с LLM, LangChain и векторными БД, а также необходимостью владения MLOps и DevOps инструментами.
Анализ зарплаты
Предложенная ставка для штата (187к на руки) выглядит ниже рыночной для уровня Senior в Москве, однако вариант работы через ИП (около 331к gross) более соответствует средним рыночным ожиданиям для опытных Python-разработчиков в сфере AI.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом

Откликнитесь в Сбер уже сейчас
Присоединяйтесь к команде Сбера для создания передовых AI-агентов и работы с новейшим стеком технологий!
Описание вакансии
🆔 2624
📅 Дата публикации: 01.04.2026 10:52
🥇 Senior Python разработчик (Senior)
📍 Локация/Гражданство: Россия, Москва, Санкт-Петербург / Россия
🏠 Формат работы: офис/гибрид
🎓 Грейд: Senior
📆 Срок проекта: долгосрочно
💰 Ставки:
🇷🇺 Штат (на руки): 187 867 руб./мес (на руки)
🇷🇺 ИП (gross): 1 950 руб./час Справочно: ориентировочная среднемесячная выплата Gross 331 500 руб./мес
📌 О проекте:
CБЕР
📎 Задачи:
— проектирование и разработка продакшн-систем с использованием Python 3.12+ для AI-агентов и LLM моделей
— реализация мультиагентной архитектуры: интеграция компонент, реализация пайплайнов и кастомных оркестраторов (LangChain, LangGraph, RAG)
— разработка и поддержка API (FastAPI, Django): создание микросервисов, REST, асинхронные сервисы
— интеграция с реляционными, NoSQL и векторными базами данных (PostgreSQL, Redis, MongoDB, VectorDB: ChromaDB, QDrant)
— создание, обучение и внедрение ML-моделей (ML pipeline, Prompt Engineering, RAG, оценка качества, A/B тестирование)
— контейнеризация (Docker, Docker Compose) и деплой в Kubernetes, частичная настройка DevOps-процессов (CI/CD: Jenkins, ArgoCD)
— разработка unit-тестов, код-ревью, оптимизация производительности, обеспечение безопасности
— взаимодействие в Agile-командах, участие в планировании, менторинг.
💻 Требования:
— владение Python 3.12+: глубокое знание стандартных и современных возможностей языка (asyncio, typing, dataclasses, pydantic, pytest)
— практический опыт разработки AI/ML решений с использованием LangChain, LlamaIndex, RAG, интеграция с LLM API
— опыт проектирования и сопровождения высоконагруженных REST API на FastAPI/Django (архитектура, DI, сериализация, OpenAPI)
— продвинутая работа с PostgreSQL/Redis, проектирование сложных схем, индексация, оптимизация, векторные базы данных
— навыки контейнеризации, деплой в Kubernetes
— опыт внедрения CI/CD пайплайнов, мониторинга, алертинга, организации логирования
— уверенное знание Git, опыт командной работы (Agile, Scrum)
— английский B2+ для чтения документации и коммуникаций
— хорошие коммуникативные способности, инициатива и готовность брать на себя ответственность за результат своей работы
— Fine-tuning и кастомизация LLM, prompt engineering, оценка качества
— опыт с MLOps, LLMOps и мультирегиональными архитектурами
— участие в R&D или open-source проектах, менторство, архитектурное мышление
— работа с GigaChat API.
⚠️ Особые условия:
— Часовой пояс: МСК
❗️ Обязательные данные по кандидату при подаче:
● ФИО
● Дата Рождения
● Страна+Город
● Грейд
● Ставка
● Оценить требования ДА/НЕТ, в соответствии с наличием опыта.
● Указать, когда ближайший отпуск сотрудника (даты)
● ВСЕ ТРЕБОВАНИЯ ИЗ ЗАПРОСА ОТРАЖЕНЫ В ПРОЕКТАХ РЕЗЮМЕ
Менеджер: Откликнуться
Создайте идеальное резюме с помощью ИИ-агента

Навыки
- Python
- FastAPI
- Django
- PostgreSQL
- Redis
- Docker
- Kubernetes
- LangChain
- LLM
- RAG
- MLOps
- Git
- PyTest
- Pydantic
- asyncio
- MongoDB
- ChromaDB
- Qdrant
- Jenkins
- ArgoCD
Возможные вопросы на собеседовании
Проверка практического опыта работы с современными фреймворками для LLM.
Расскажите о вашем опыте реализации мультиагентных систем с использованием LangGraph. С какими основными сложностями вы сталкивались при синхронизации агентов?
Оценка навыков оптимизации работы с данными в контексте AI.
Как вы подходите к выбору и оптимизации векторной базы данных (например, ChromaDB или QDrant) для RAG-систем при больших объемах данных?
Проверка знаний асинхронного программирования и производительности.
Какие паттерны проектирования вы используете в FastAPI для обеспечения высокой пропускной способности при интеграции с внешними LLM API?
Оценка опыта в области MLOps.
Опишите ваш подход к организации CI/CD пайплайнов для ML-моделей. Как вы обеспечиваете мониторинг качества ответов модели в продакшене?
Проверка навыков тонкой настройки моделей.
В каких случаях вы бы предпочли Fine-tuning модели вместо использования RAG, и какие метрики вы используете для оценки результата?
Похожие вакансии
Архитектор мультиагентных систем на базе LLM
LLM/SRE-инженер
Python-разработчик в команду запуска внутренних AI-сервисов
AI engineer (ML/DS)
Аналитик AI-агентов Senior
Аналитик AI-агентов
1000+ офферов получено
Устали искать работу? Мы найдём её за вас
Quick Offer улучшит ваше резюме, подберёт лучшие вакансии и откликнется за вас. Результат — в 3 раза больше приглашений на собеседования и никакой рутины!