AI / LLM Engineer (Go + Python)

Ищем AI/LLM Engineer, который будет проектировать и развивать production-системы на базе LLM.

• Нам нужен не классический Data Scientist и не специалист, который занимается только промптами. Ищем инженера, который умеет собрать LLM-систему целиком: от prompt/context logic и агентных сценариев до backend-сервисов, интеграций, тестирования и запуска в production.

ОСНОВНОЙ СТЕК — Go + Python.

• Go — используем для production-backend, сервисов и высоконагруженной бизнес-логики.
• Python — для LLM-инфраструктуры, AI-компонентов, прототипирования и экспериментов.

Чем предстоит заниматься:

• 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.

Что мы ожидаем:
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.

‼️ВАЖНО
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.

👀 Откликнуться:
@anna_scela 🍿