Middle LLM-инженер

Что за роль

В Lexica открыта позиция Middle LLM-инженера с фокусом на разработке сервисов на базе больших языковых моделей. В центре задач — интеграция LLM в системы и продукты, качество ответов, безопасность и эксплуатационные характеристики решений. Предстоит развивать RAG-пайплайны, гибридный поиск и agentic workflows, а также оценивать стоимость и скорость работы LLM-систем.

Что предстоит делать

• Проектировать и разрабатывать LLM-сервисы и REST/gRPC API для интеграции с внешними системами.
• Создавать и оптимизировать RAG-пайплайны и гибридный поиск, повышая точность ответов.
• Разрабатывать agentic workflows и при необходимости мультиагентные системы, продумывая оркестрацию и контроль выполнения.
• Подключать LLM-провайдеров и модели, настраивать промпты и маршрутизацию вызовов.
• Внедрять observability и evaluation: трассировку, оценку качества ответов, анализ latency и стоимости.
• Обеспечивать безопасность API с помощью OAuth2 и JWT, документировать интерфейсы в OpenAPI/Swagger.
• Проектировать схемы данных в PostgreSQL и оптимизировать SQL-запросы.

Что потребуется

• От трёх лет коммерческой разработки на Python, включая не менее года работы над LLM/RAG-проектами.
• Понимание принципов работы LLM, архитектуры RAG и prompt engineering.
• Опыт с библиотеками обработки данных, например pandas, Polars или NumPy.
• Понимание agentic-систем: работы с инструментами и состоянием, оркестрации, обработки ошибок, human-in-the-loop и ограничений автономности.
• Опыт с PostgreSQL, проектированием схем и оптимизацией SQL; работа хотя бы с одной векторной базой — pgvector, Qdrant, Weaviate, Pinecone или аналогом.
• Умение оценивать стоимость, latency и масштабируемость LLM-решений.

Что важно знать

Работодатель указывает график 5/2 и удалённый формат. В качестве дополнительных преимуществ рассматриваются LangChain или LangGraph, а также Airflow, MLflow, Kafka, Kubernetes, Prometheus и Grafana. Плюсом будет уверенное применение AI-инструментов разработки, настройка промптов и кастомных инструкций, а также понимание ограничений генеративных моделей и ответственности за сгенерированный код.