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. 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. 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.