Чем предстоит заниматься
- Проектировать архитектуру и реализовывать диалоговые AI-ассистенты и системы с LLM.
- Внедрять методы обогащения контекста LLM и отслеживать качество баз знаний.
- Разрабатывать и интегрировать tools в MCP-сервера, разрабатывать бэкенд LLM-агентов, выкатывать их в прод.
- Строить и развивать пайплайн генерации, обработки и контроля качества промптов: structured output, function calling, chain-of-thought, data pipelines, мониторинг стабильности.
- Сопровождать внутренние команды внедрения: проводить архитектурные ревью, писать гайды, участвовать в обучении и развитии сообщества.
- Работать в тесной коллаборации с командами разработчиков, продакт-менеджеров, аналитиков, ML-инженеров и специалистов по безопасности.
- Взаимодействовать с бизнес-заказчиками, валидировать гипотезы, выстраивать пайплайн работы над проектом и участвовать в полном цикле разработки до MVP или пилотов.
Требования
- Есть опыт построения систем с LLM от 3 лет.
- Есть опыт работы с диалоговыми ассистентами, написания промптов и обогащения контекста, включая function calling, RAG и другие подходы.
- Понимаешь современные подходы к RAG (Retrieval-Augmented Generation), включая работу с векторными базами данных и embedding-пайплайнами.
- Есть опыт работы с function calling, tools, agents, memory, multi-agent-системами, а также понимание архитектуры цепочек агентов и промптов.
- Есть опыт участия во внедрении или создании внутренних инструментов для работы с LLM-инструментарием и мониторинга этих систем.
- Уверенно пишешь на Python production-ready код: создаёшь скрипты, строишь пайплайны, интегрируешься с API LLM и векторными базами, автоматизируешь процессы.
- Умеешь защищать свои гипотезы метриками, прозрачно тестировать элементы системы и версионировать эксперименты.
- Умеешь ясно излагать технические идеи, документировать архитектурные решения и выступать ментором для коллег.
Будет плюсом:
- Опыт работы в Data Science или ML и понимание, в каких задачах LLM не является оптимальным решением.
- Опыт построения платформенных решений, SDK или low-code-инструментов для AI-ассистентов и поддержки других команд, а также опыт с MCP.
- Опыт работы с ML-мониторингом, логированием, observability и CI/CD для LLM-инструментов.
- Навыки проектирования мультимодальных систем: обработка текста, документов и аудио, интеграция мультимодальных моделей.
- Понимание архитектуры современных LLM-фреймворков: LangChain, LlamaIndex, Ollama, Hugging Face Transformers.
- Понимание специфики финтеха и опыт внедрения принципов privacy by design, а также работы с трансграничной обработкой данных.
- Есть публичные материалы (статьи, доклады, open source-вклады) по LLM-архитектуре или инструментам для разработчиков.