AI / LLM Engineer (Go + Python) ⚡

➡️ Ищем AI/LLM Engineer, который будет проектировать и развивать production-системы на базе LLM.

❕Нам нужен не классический Data Scientist и не специалист, который занимается только промптами. Ищем инженера, который умеет собрать LLM-систему целиком: от prompt/context logic и агентных сценариев до backend-сервисов, интеграций, тестирования и запуска в production.

‍

📍ОСНОВНОЙ СТЕК — Go + Python.

⏺Go — используем для production-backend, сервисов и высоконагруженной бизнес-логики.

⏺Python — для LLM-инфраструктуры, AI-компонентов, прототипирования и экспериментов.

‍

💎Чем предстоит заниматься:

- Проектировать и развивать LLM/AI-системы и AI-агентов;

- Строить многошаговые agentic workflows: routing, tool calling, state management;

- Работать с Prompt Engineering и Context Engineering;

- Управлять контекстом, памятью и состоянием диалога;

- Реализовывать structured output и function/tool calling;

- Строить RAG-пайплайны: chunking, embeddings, retrieval, reranking;

- Интегрировать LLM с API, базами данных и внутренними сервисами;

- Разрабатывать backend-сервисы на Go и AI-компоненты на Python;

- Исследовать новые модели и подходы, быстро проверять гипотезы;

- Выбирать модели с учетом качества, latency и стоимости;

- Строить систему оценки качества: evals, regression tests, golden datasets, LLM-as-a-judge;

- Анализировать логи и traces, улучшать качество и стабильность агентов;

- Реализовывать retries, fallbacks, timeouts и обработку ошибок;

- Доводить решения от прототипа до стабильного production.

‍

💯Что мы ожидаем:

Go:

- production-сервисы;

- REST/gRPC API;

- concurrency;

- работа с БД;

- микросервисная архитектура.

Python:

- AI-сервисы и backend;

- async;

- API;

- обработка данных;

- быстрое прототипирование.

‍

🔥Также важно:

- Практический опыт разработки **production-приложений с LLM;

- Понимание архитектуры современных AI-систем:

prompt → context → tools → agent → state → evaluation;

- Опыт Prompt Engineering: system prompts, few-shot, prompt chaining, structured output;

- Опыт Context Engineering: memory, summarization, динамическая сборка контекста;

- Опыт создания AI-агентов и agentic workflows;

- Работа с LLM API и понимание особенностей разных моделей;

- Понимание RAG: embeddings, vector search, retrieval, reranking, hybrid search;

- Понимание evals, regression testing и анализа production-логов;

- Опыт с PostgreSQL, MongoDB, Redis, Docker, Git, CI/CD;

- Понимание production-подходов: observability, scalability, latency, retries, fallbacks и контроль стоимости.

‍

🌟Будет плюсом:

- Multi-agent системы;

- LangGraph;

- MCP;

- Langfuse / LangSmith;

- Elasticsearch / OpenSearch;

- Open-source LLM: Qwen, Llama, DeepSeek и др.;

- vLLM / Ollama;

- Kafka / RabbitMQ;

- Kubernetes;

- Оптимизация token usage, latency и стоимости LLM;

- Guardrails и защита от prompt injection;

- Highload-системы.

‍

‼️ВАЖНО

Ищем инженера, который воспринимает LLM не как простой API, а как компонент большой production-системы.

Важно уметь проектировать всю логику вокруг модели: какие данные передать в контекст, какого агента или инструмент вызвать, как проверить результат, обработать ошибку и определить следующий шаг.

Ищем software engineer с сильной AI/LLM-экспертизой, который умеет не только написать хороший промпт, но и довести всю систему до стабильного production-решения.

Контакт для связи: @anna_scela 🍿