AI / LLM Engineer по Go + Python

Что за роль

Нужен инженер, который проектирует и развивает production-системы на базе LLM. Это не позиция классического Data Scientist и не работа только с промптами: зона ответственности включает логику контекста и агентов, backend-сервисы, интеграции, тестирование и доведение решений до стабильного production. Основной стек — Go для production-backend и бизнес-логики, Python для AI-компонентов, LLM-инфраструктуры и прототипирования.

Что предстоит делать

• Проектировать LLM-системы и AI-агентов, включая многошаговые сценарии, routing, tool calling, управление состоянием и памятью диалога.
• Разрабатывать prompt- и context-логику: собирать контекст, применять summarization, настраивать structured output и вызов функций.
• Создавать RAG-пайплайны с chunking, embeddings, retrieval, reranking и hybrid search.
• Интегрировать LLM с API, базами данных и внутренними сервисами; реализовывать backend-сервисы на Go и AI-компоненты на Python.
• Сравнивать модели по качеству, latency и стоимости, исследовать новые подходы и проверять гипотезы.
• Настраивать оценку качества: evals, regression tests, golden datasets и LLM-as-a-judge; анализировать логи и traces.
• Повышать стабильность агентов с помощью retries, fallbacks, timeouts и обработки ошибок, доводить решения от прототипа до production.

Что потребуется

• Практический опыт разработки production-приложений с LLM и понимание архитектуры AI-систем: prompt, context, tools, agent, state и evaluation.
• Уверенная разработка production-сервисов на Go: REST/gRPC API, concurrency, базы данных и микросервисная архитектура.
• Опыт с Python для AI-сервисов и backend: async, API, обработка данных и быстрое прототипирование.
• Практические навыки Prompt Engineering и Context Engineering, создания AI-агентов и agentic workflows.
• Понимание LLM API, RAG, embeddings, vector search, retrieval, reranking и оценки качества моделей.
• Опыт с PostgreSQL, MongoDB, Redis, Docker, Git и CI/CD; понимание observability, scalability, latency, retries, fallbacks и контроля стоимости.

Что важно знать

Важна инженерная работа со всей системой вокруг модели: выбор данных для контекста, вызов инструментов, проверка результата и обработка сбоев. Среди дополнительных преимуществ — опыт с multi-agent системами, LangGraph, MCP, Langfuse или LangSmith, OpenSearch, open-source моделями, vLLM, очередями, Kubernetes, guardrails и защитой от prompt injection. Указаны полностью удалённый формат, график 5/2 с 10:00 до 19:00 по МСК и двухнедельный оплачиваемый испытательный период; выплаты — раз в две недели в USDT. Для оформления требуется NDA с проверкой паспортных данных и видеоверификацией.