3+ лет прикладной AI/ML-разработки с фокусом на NLP и LLM-системы
Опыт с LLM API: промпт-инжиниринг, управление контекстом, streaming
Практический опыт с LLM-агентами: ReAct-паттерн, function calling, chain-of-thought рассуждения, multi-agent системы
Обязательное знание LangFlow, n8n или аналоги
Глубокое понимание RAG: векторный и гибридный поиск, стратегии чанкинга, переранжирование
Сильный Python: чистый, типизированный код, unit-тесты, асинхронное программирование, ооп, docker
Знание фреймворков: LangChain, LangGraph, CrewAI или аналоги
Векторные базы данных: Milvus, Chroma или аналоги
LLM observability tools: LangFuse или подобные платформы
Понимание микросервисной архитектуры
Опыт с FastAPI или аналогами
Способность объяснить сложные AI-концепции нетехническим стейкхолдерам
Будет преимуществом опыт fine-tuning и дистилляции моделей, а также понимание современных архитектур сетей
Практический опыт с семействами Qwen, GLM, DeepSeek и аналогами
Понимание принципов развёртывания LLM: инференс-серверы (vLLM, sglang), масштабирование, квантизация, GPU trade-offs