STAFF AI PRODUCT ENGINEER
Оценка ИИВысокая заработная плата, полностью удаленный формат по всему миру и работа с передовым AI-стеком. Компания прибыльна и занимает лидирующие позиции в своей нише, что обеспечивает стабильность и интересные задачи.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИРоль уровня Staff требует не только 7+ лет опыта в Full-stack, но и специфических навыков в области AI-агентов (LangGraph, MCP) и архитектуры сложных ERP-систем. Высокая планка ответственности за безопасность и надежность multi-agent систем в проде.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредлагаемая зарплата в $200k-$300k соответствует верхнему сегменту рынка для Staff-позиций в США и международных стартапах уровня Series B/C. Это значительно выше средних показателей по Европе или РФ для аналогичных ролей.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
STAFF AI PRODUCT ENGINEER
*🏢* Компания: DISTRU
*💰* ЗП: $200,000 - $300,000 / год
*🌍* Формат: Удалёнка — глобально (4 континента)
*🕒* Занятость: Полная занятость
О компании:
Distru — лидер по ERP-решениям в индустрии каннабиса, через платформу проходит $15B продаж. Компания прибыльна, имеет высокие оценки сотрудников и инвесторов мирового уровня. Сейчас Distru строит AI-инфраструктуру поверх своей ERP/B2B eCommerce платформы.
Задачи:
• Архитектура и разработка production multi-agent системы, безопасно действующей в ERP/CRM и других системах клиента.
• Поддержка и итерация MCP, связывающего Distru с внешними AI-харнесами (Claude, Codex и др.).
• Создание контекстного слоя и памяти, которые индексируют данные клиентов и улучшают персонализацию агентов.
• Обеспечение надёжности, наблюдаемости и устойчивого выполнения действий агентов в проде.
• Написание evals и прототипирование новых agentic подходов.
Требования:
• 7+ лет в full-stack разработке, предпочтительно в B2B SaaS.
• Практический опыт построения multi-agent harnesses в проде.
• Опыт создания MCPs, используемых в production.
• Глубокое понимание надёжности, observability, прав доступа и безопасного выполнения рабочих процессов.
• Умение совмещать роли продукта и инжиниринга: принимать решения по объёму и направлению работы.
• Знание современного стека: React, TypeScript, Node, PostgreSQL, GraphQL, LangGraph.
Будет плюсом:
• Опыт в supply chain, ERP, CRM, B2B marketplace или бухгалтерском ПО.
• Опыт работы с UX-дизайном.
• Разработка evaluation frameworks или agent-to-agent протоколов.
• Опыт использования Claude Code (или подобных) для продуктовой разработки.
• Опыт в cannabis-индустрии.
Стек:
React, TypeScript, Node, PostgreSQL, GraphQL, LangGraph, Claude Code, MCP, multi-agent frameworks
Условия:
• Полностью удалённая работа по всему миру.
• Опционные условия: после 2 лет — 10-летнее окно на exercise при уходе.
• 18 дней PTO + 11 праздников (sick days отдельно).
• Медицинское/dental/vision + 401(k) для сотрудников в США.
• Доступ к лучшим AI-инструментам и щедрый AI-стипенд.
• Ежегодные оффсайты.
*📩* Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- React
- TypeScript
- Node.js
- PostgreSQL
- GraphQL
- LangGraph
- Claude Code
- MCP
- B2B SaaS
- ERP
Возможные вопросы на собеседовании
Проверка практического опыта работы с протоколом Model Context Protocol в реальных условиях.
Расскажите о самом сложном кейсе внедрения MCP в продакшн: с какими ограничениями безопасности вы столкнулись?
Оценка навыков проектирования надежных AI-систем.
Как вы обеспечиваете детерминированность и наблюдаемость (observability) в мультиагентных системах, когда агенты имеют доступ к записи в БД?
Проверка умения оценивать качество работы LLM.
Какую методологию написания evals вы используете для проверки качества работы агентов в специфическом домене (например, ERP или бухгалтерия)?
Оценка продуктового мышления инженера.
Как вы принимаете решение о том, стоит ли автоматизировать конкретный бизнес-процесс с помощью AI-агента или лучше оставить классический UI/API подход?
Проверка навыков работы с памятью агентов.
Как бы вы спроектировали слой долгосрочной памяти для агентов, чтобы они учитывали исторический контекст транзакций клиента в ERP?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
