- Страна
- Россия
Стажёр в команду разработки AI-инфраструктуры фронтенда Яндекс 360
Оценка ИИУникальная позиция на стыке фронтенда и AI в одной из лучших технологических компаний России. Отличные перспективы роста и работа с передовым стеком технологий.
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 ИИДля стажировки требования достаточно высокие: нужно не просто писать код, но и понимать специфику работы LLM, MCP-протоколов и управления контекстом. Однако статус стажёра предполагает обучение в процессе.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЯндекс обычно предлагает конкурентные зарплаты для стажёров, которые находятся в верхнем диапазоне рынка для начинающих специалистов в Москве. Указанные рыночные оценки соответствуют стандартным ставкам для стажировок в крупных бигтех-компаниях.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Яндекс
Стажёр в команду разработки AI-инфраструктуры фронтенда Яндекс 360
Формат работы: офис (Москва)
*☑️* Чем предстоит заниматься
-Улучшение MCP-сервера: Вам предстоит расширить функциональность MCP-сервера, добавить инструменты для поиска и получения детальной информации о компонентах (пропсы, API, примеры). Это поможет AI-ассистентам лучше работать с библиотекой и предоставлять актуальный контекст
-Разработка аналога Context7 для Яндекс 360: Предстоит разработать систему, которая автоматически будет индексировать и предоставлять документацию по внутренним пакетам Яндекс 360 в формате, оптимизированном для AI. Система будет собирать данные из репозиториев и отдавать их через MCP/API по запросу
-Создание системы управления правилами и промптами для AI-ассистентов: Вы будете создавать централизованное хранилище версионированных промптов и правил поведения AI-ассистентов. В нём будет возможно наследование и автоматическая подстановка в контекст. Это обеспечит единообразие, безопасность и управляемость взаимодействия с AI во всех командах
-Генерация AI-дружественной документации: Нужно будет создавать CI/CD-пайплайны и скрипты, которые автоматически генерируют из исходного кода документацию в формате, удобном для AI-агентов. Документация будет включать компактные сигнатуры, метаданные и примеры. Сгенерированные артефакты будут использовать MCP-серверы и система внутреннего Сontext7
*☑️* Наши пожелания к кандидатам
-Хорошо знаете TypeScript
-Работали с AI-код-ассистентами
-Используете Cursor, Claude Code, GitHub Copilot и других AI-ассистентов ежедневно в реальных проектах
-Понимаете, как работают AI-агенты, и знаете, как правильно использовать окно контекста
-Можете определить, когда агенту не хватает контекста, и знаете, как это исправить
-Способны объяснить разницу между хорошим и плохим промптом на примерах
-Будет плюсом:
-Разрабатывали MCP-серверы
-Работали с Figma API или другими инструментами дизайна
-Понимаете CI/CD-процессы и настраивали автоматизацию
-Знаете архитектуру дизайн-систем и UI-библиотек (prop API, tokens, theming)
Откликнуться (Откликнуться)
| | ()
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- TypeScript
- AI Agents
- Prompt Engineering
- CI/CD
- Figma API
- Design Systems
- MCP
- GitHub Copilot
- Cursor
Возможные вопросы на собеседовании
Проверка практического опыта работы с AI-инструментами.
Расскажите о самом сложном случае, когда AI-ассистент выдавал неверный код, и как вы изменили контекст или промпт, чтобы это исправить?
Оценка понимания архитектуры взаимодействия AI и кода.
Что такое MCP (Model Context Protocol) и какие основные преимущества он дает при интеграции AI в процесс разработки?
Проверка навыков работы с TypeScript и инструментами фронтенд-инфраструктуры.
Как бы вы организовали автоматическую генерацию документации из TypeScript-кода, чтобы она была максимально полезна для LLM?
Оценка понимания ограничений современных моделей.
В чем разница между RAG и простым добавлением всей документации в системный промпт, и когда какой подход лучше использовать?
Проверка знаний в области UI-инфраструктуры.
Как дизайн-система и типизация пропсов помогают AI-агенту лучше генерировать компоненты интерфейса?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
