- Страна
- Россия
Tech Lead Python / LLM-агенты
Оценка ИИИнтересная и актуальная позиция на острие технологий (LLM, MCP, Temporal). Четко прописанные задачи и стек, возможность удаленной работы и высокий уровень ответственности делают вакансию привлекательной для опытных техлидов.
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 ИИРоль требует редкого сочетания глубокого бэкенд-опыта (7+ лет) и практической экспертизы в LLM-агентах, включая оптимизацию стоимости, оценку качества (Eval) и работу с Durable execution. Высокая планка ответственности за архитектуру и команду.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИВ вакансии не указан точный уровень оплаты, однако для позиции Tech Lead с таким глубоким стеком (LLM, Python, Go, K8s) в России рыночный диапазон составляет от 450 000 до 650 000 рублей и выше. Предложение выглядит конкурентным для специалистов топ-уровня.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Операционное совершенство
Tech Lead Python / LLM-агенты
Опыт работы: более 6 лет
Полная занятость
График: 5/2
Формат работы: удалённо или гибрид
*☑️* Чем предстоит заниматься
-Ядро платформы на Python: сессии, ходы агента, политики заказчика, учёт; агентный цикл под бюджет хода
-Перевод пользователей с пилотной архитектуры на целевую без остановки работы
-Снижение стоимости хода: состав входа, кэш префикса, лимиты инструментов, роутинг моделей, учёт по пользователю и ходу
-Оценка качества: эталон из реальных трасс, сравнение российских моделей, регресс на каждый промпт, инструмент, модель
-Данные компании через MCP с правами пользователя: 1С, КХД, СЭД, HR, поиск по документам с ACL
-Надёжные фоновые процедуры и запись во внешние системы: расписания, подтверждение человеком, ровно одна запись
-Песочница для кода агента: на сессию, без секретов и исходящих соединений
-Команда: декомпозиция, ревью, работа с ИИ-агентами для кода, найм. Согласование требований и ИБ с заказчиком
*☑️* Наши пожелания к кандидатам
-Backend от 7 лет, из них от 2 лет — техлид/ведущий инженер, ответственность за продакшн
-Python в продакшене: asyncio, FastAPI, Pydantic, типизация, тесты. Go — читать и править
-LLM-агенты в продакшене с реальными пользователями: tool calling, цикл агента, ограничения, обработка ошибок
-Понимание контекста и стоимости: вход вызова, кэш префикса, сжатие истории, лимиты инструментов, расчёт цены хода по usage
-Eval: эталонные наборы, LLM-судья и его проверка, регресс, трассировка (Langfuse, OpenTelemetry)
-Гибридный поиск, реранкинг, чанкинг, права доступа к документам
-MCP, OAuth 2.0/OIDC, token exchange — агент от имени пользователя
-Durable execution (Temporal, Restate или аналог), идемпотентность, повторы
-PostgreSQL, Redis, S3, Docker, Kubernetes, GitLab CI
-Открытые модели через OpenAI-совместимые API, LiteLLM или аналог
-Высшее техническое образование
Контакты: Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- LLM
- asyncio
- FastAPI
- Pydantic
- Go
- PostgreSQL
- Redis
- Docker
- Kubernetes
- GitLab CI
- OpenTelemetry
- Langfuse
- Temporal
- OAuth 2.0
- OIDC
- S3
Возможные вопросы на собеседовании
Проверка понимания архитектурных паттернов для обеспечения надежности в распределенных системах.
Расскажите о вашем опыте работы с Durable execution (например, Temporal). Как вы обеспечиваете идемпотентность при записи во внешние системы?
Оценка навыков оптимизации стоимости и производительности LLM-решений.
Какие стратегии вы используете для снижения стоимости хода агента без потери качества? Как вы работаете с кэшированием префиксов и сжатием истории?
Проверка методологии оценки качества ИИ-систем.
Как вы выстраиваете процесс регрессионного тестирования для промптов и инструментов? Какую роль в этом играет LLM-судья и как вы проверяете его объективность?
Безопасность и интеграция.
Как реализовать безопасную песочницу для выполнения кода, сгенерированного агентом, и обеспечить разграничение прав доступа (ACL) при поиске по корпоративным документам?
Лидерские качества и процессы.
Опишите ваш подход к декомпозиции задач в проектах с высокой степенью неопределенности, таких как разработка ИИ-агентов. Как вы используете ИИ-инструменты в процессе разработки команды?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
