LLM Backend Engineer

🏢 ОфисMiddleПолная занятость

Зарплата не указана

Хорошие условия

Навык востребован (AI), за такой навык на рынке платят больше. Но вилки нет, про деньги придётся договариваться с нуля.

Нажмите на сигнал, чтобы увидеть, на чём он основан

Наша компания

Мы ищем LLM инженеров в команду AI HUB БЛиК, перед которой стоят две задачи: агентизировать HR-процессы Банка с помощью AI-инструментов и внедрить их в платформу Пульс, сделав решения доступными каждому из сотрудников. Мы используем Python, LangGraph, Kubernetes, а также собственные и внешние модели. При этом, свободно сочетаем готовые инструменты с решениями, которые пишем сами. Нам важны системы, которые приносят организации измеримый результат.

О роли

Вы будете ключевым специалистом в кросс-функциональной команде и будете работать бок о бок с backend, DS, Data и другими LLM-инженерами. Первый этап отбора на эту вакансию — общение с AI-рекрутером. После отклика ждите сообщение от него, диалог займёт примерно 10 минут. Задача AI-рекрутера — уточнить недостающие детали и ускорить рассмотрение вашей кандидатуры. AI-рекрутер только начинает свой пут

Чем предстоит заниматься

Разрабатывать и сопровождать бэкенд AI-агентов: оркестрация графов на LangGraph — состояния, ветвления, циклы, human-in-the-loop, политики retry и fallback

Проектировать и версионировать инструменты (tools) для агентов, интегрировать их с внутренними системами банка через REST/gRPC/MCP/A2A

Работать со сложными промптами, настраивать источники данных под RAG для эффективного поиска и оценивать ответы моделей на точность, релевантность и качество

Упаковывать сервисы в Docker и выводить их в промышленный Kubernetes

Проектировать и проводить эксперименты и A/B-тесты над промптами, пайплайнами и конфигурациями моделей

Развивать систему eval — формировать наборы задач и сценариев, определять метрики accuracy/relevance/robustness, автоматизировать прогон экспериментов и анализ результатов; принимать продуктовые решения на основе метрик

Заниматься тонкой настройкой и оптимизацией конфигураций моделей и агентов: сравнивать модели, версии и параметры inference, подбирать баланс качества, latency и стоимости, обеспечивать устойчивость и предсказуемость работы оркестраций в production

Выстраивать мониторинг: трассировку цепочек вызовов, метрики латентности, токенов и стоимости, алертинг

Вместе с командой решать сложные задачи внедрения AI, ревьюить код и держать высокую планку качества решений

Наши требования

Практический опыт работы с LLM: промпт-инжиниринг, сборка пайплайнов, интеграция моделей

LangGraph — опыт разработки агентных графов, вывода их в прод и отладки нетривиального поведения

Docker — сборка и оптимизация образов, multi-stage, работа с реестрами

Kubernetes — реальный опыт эксплуатации сервисов в кластере, а не только знакомство по документации

Python — глубокое понимание asyncio / multithreading / multiprocessing, понимание алгоритмов и структур данных для решения нетривиальных задач, продвинутые знания SQL: сложные JOIN, CTE, оконные функции, оптимизация запросов (EXPLAIN), работа с подзапросами

Понимание метрик качества и практический опыт A/B-тестирования ML-решений

Умение приоритизировать гипотезы, обоснованно выбирать модели, методы и алгоритмы и проектировать эффективные инженерные решения

Опыт поставки качественного ПО и владение циклом разработки целиком — от технического дизайна до мониторинга после выката

Понимание ландшафта LLM-провайдеров: как коммерческих, так и open-source моделей, разворачиваемых в собственном контуре

Знакомство с open-source инструментами для построения и оценки RAG: LangChain, LlamaIndex, Ragas, MLflow и подобными

Умение объяснять сложные технические вещи широкой аудитории стейкхолдеров

Опыт вывода в прод бизнес-критичных ML/AI-приложений

Опыт адаптации, дообучения и разворачивания open-source моделей в on-premise или закрытом контуре

MCP (Model Context Protocol), разработка MCP-серверов и проксирования инструментов

Мультиагентные архитектуры: маршрутизация, разделение ролей, общая память между агентами

Практический опыт работы с Redis (кэширование, брокер) и ClickHouse (или другими колоночными СУБД), опыт работы с очередями сообщений: Kafka и/или Celery

Личное портфолио pet-проектов по ML или вклад в open-source

Опыт работы в банке, финтехе или другом регулируемом домене

Опыт построения React-агентов на современных open-source решениях

Опыт использования Openclaw, Hermes, Ouroboros

Навыки работы с генеративными AI-моделями, опыт создания AI-агентов и использование их в работе будет преимуществом

Опыт использования GigaChat, Kandinsky и аналогов в продуктах

Инструментальное владение Ai для анализа, генерации и автоматизации