AI / LLM Engineer (Go + Python)

Задачи: — 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. Требования: 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.