LLM/RAG/AI Engineer (GigaChat Enterprise)

Салют для Бизнеса

Москва

🏢 Офис

Middle

Полная занятость

Россия

Описание вакансии

Мы - команда GigaChat Enterprise, дочерняя организация Сбера, мы занимаем лидирующие позиции в сфере коммерциализации технологии GenAI с продуктом GigaChat. Мы предлагаем полный цикл решений: LLM-модель GigaChat для локальной и облачной инсталляции, инфраструктуру для GenAI, платформу для разработки агентных систем, готовые GenAI-решения для быстрого старта в типовых задачах, реализацию уникальных клиентских кейсов, консалтинг по GenAI-трансформации. В своей работе мы помогаем нашим партнерам перейти от экспериментов с технологией к промышленному масштабированию, обеспечивая безопасность, адаптивность и экономическую выгоду.

Обязанности

•Проектировать и разрабатывать RAG-пайплайны: chunking, embedding, retrieval, reranking, generation

•Подбирать стратегии обработки и разбиения документов под разные типы контента (recursive, semantic, document-aware chunking)

•Работать с разными форматами данных: PDF, DOCX, XLSX, изображения, документы без текстового слоя

•Настраивать и оптимизировать векторный и гибридный поиск

•Проектировать flow с логикой вызовов: роутинг, условные переходы, цепочки промптов

•Разрабатывать агентные системы с использованием инструментов и многошаговым планированием

•Интегрировать внешние модели: embedding-модели, rerankers, классификаторы, vision-модели

•Оценивать качество систем: настраивать retrieval-метрики (hit rate, MRR, NDCG), проводить оценку генерации (RAGAS, faithfulness, relevancy)

•Контейнеризировать и деплоить решения на on-prem инфраструктуру

Требования

•Опыт работы от 3х лет

•Опыт работы с AI инструментами: от года

•Опыт создания RAG-систем

•Понимание архитектуры LLM: принципы работы трансформеров, управление контекстным окном, ограничения по токенам, стратегии работы с длинным контекстом (chunking, map-reduce, refine), узкие места inference

•Знание NLP: токенизация, эмбеддинги, работа с текстом на разных языках

•LangChain, LlamaIndex

•LLM-инференс: OpenAI API, GigaChat API, vLLM, Ollama

•Векторные БД: FAISS, Qdrant, Milvus, Chroma, Weaviate, Elasticsearch

•Hybrid search: BM25 + dense retrieval, reciprocal rank fusion

•Embedding-модели: e5, bge, multilingual-e5

•Python, Git, Docker, docker-compose

•PostgreSQL, Redis

•Методы оценки: hit rate, RAGAS, human evaluation

•Способность объяснить принятые технические решения и их trade-offs

Условия

•достойная заработная плата + годовой бонус