Middle ML-инженер по LLM-агентам

Что за роль

В Data World нужен ML-инженер для развития AI-функциональности платформы: от ассистента на базе LLM и поиска по корпоративным знаниям до агентов, автоматизирующих этапы PDLC. В фокусе — создание production-ready решений, которые не только формируют ответы, но и вызывают инструменты, проверяют результат и обрабатывают ошибки.

Что предстоит делать

• Разрабатывать AI-агентов и мультиагентные сценарии для автоматизации этапов PDLC, а также развивать платформенного LLM-ассистента.
• Создавать поиск релевантных знаний на естественном языке и развивать RAG-механизмы для корпоративных баз знаний.
• Проектировать agentic workflow: планирование, выбор и вызов инструментов, выполнение действий, проверку результата и обработку ошибок.
• Создавать LLM-приложения для анализа логов, метрик, баз данных, документации и других данных платформы.
• Разрабатывать механизмы памяти и управления контекстом AI-агентов, а также решения для тестирования, сопровождения и диагностики автоматизированных процессов.
• Настраивать оценку качества ответов и действий LLM, проводить эксперименты с моделями, промптами и архитектурами, оптимизировать latency, качество и расход токенов.
• Интегрировать AI-функциональность в продукт совместно с backend- и frontend-командами.

Что потребуется

• Уверенное владение Python и практический опыт разработки приложений на базе LLM.
• Понимание принципов работы современных языковых моделей и их ограничений.
• Практический опыт с AI Agents, tool calling, RAG, embeddings, vector databases, prompt engineering, structured output, контекстом и памятью агентов.
• Опыт создания production-ready сервисов и интеграций через REST API.
• Умение самостоятельно декомпозировать исследовательские задачи и доводить эксперименты до работающего продукта; понимание оценки качества LLM-приложений.
• Знание Git, Docker и основ CI/CD. Будут полезны LangGraph, LangChain, LlamaIndex, MCP, PostgreSQL, векторные базы данных, Kubernetes или OpenShift, inference и оптимизация локальных LLM, Fine-tuning/LoRA, LLM-as-a-Judge и опыт с enterprise-продуктами. Опыт с GigaChat, Qwen, DeepSeek, Llama и другими моделями также будет плюсом.

Что важно знать

В описании подробно обозначены как инженерные задачи, так и исследовательская часть: важно уметь оценивать качество LLM-систем и превращать эксперименты в работающий продукт. Указаны зарплата, занятость и удалённый формат; опыт с дополнительными фреймворками и инфраструктурой рассматривается как преимущество, а не обязательное условие.