Senior AI/LLM Engineer
Описание
О роли Мы развиваем Knowledge Space — корпоративную платформу для планирования, аналитики и создания прикладных бизнес-решений. Сейчас мы формируем технологическую основу для системного использования генеративного ИИ: во внутренних процессах разработки, при создании решений для клиентов и непосредственно в продуктах Knowledge Space. Ищем senior-инженера, который сможет не только быстро собирать AI-прототипы, но и превращать их в надежные, безопасные и повторно используемые решения. Это одна из ключевых ролей в формирующемся AI-направлении: специалист будет влиять на архитектуру, выбор моделей, инженерные стандарты и способы применения ИИ в продуктах и проектах компании. Основные задачи Проектировать и разрабатывать прикладные решения на базе LLM: AI-ассистентов, агентов, сервисы обработки документов, генерации конфигураций, кода, расчетов и аналитических материалов. Превращать бизнес-кейсы и клиентские запросы в работающие MVP, а затем — в промышленные компоненты. Проектировать контекст для LLM: системные инструкции, структуру знаний, память, правила загрузки контекста, декомпозицию задач и управление контекстным окном. Создавать RAG-решения: ingestion, chunking, metadata filtering, hybrid search, embeddings, reranking, contextual retrieval и контроль ссылок на источники. Разрабатывать AI-агентов и агентные workflows с использованием tool calling, structured outputs, skills, memory и human-in-the-loop. Создавать MCP-серверы и MCP-клиенты для интеграции AI-систем с внутренними API, базами данных, репозиториями, документацией и инструментами разработки. Проектировать безопасные инструменты для чтения и изменения данных: разграничение прав, подтверждение критичных операций, аудит и ограничение автономности агентов. Сравнивать зарубежные, российские и локально развернутые модели по качеству, скорости, стоимости, безопасности и ограничениям использования. Разрабатывать систему LLM Evals: тестовые наборы, автоматические и экспертные проверки, регрессионное тестирование, метрики качества, latency и стоимости. Выполнять fine-tuning и адаптацию моделей — SFT, LoRA/QLoRA и другие подходы — в случаях, когда это подтверждено результатами экспериментов. Настраивать observability AI-систем: трассировку запросов и вызовов инструментов, мониторинг ошибок, стоимости, качества и потребления токенов. Совместно с информационной безопасностью, юристами и архитекторами формировать корпоративный контур использования внешних AI-провайдеров. Разрабатывать стандарты AI-assisted development: правила подготовки репозиториев, структуры контекста, AGENTS.md/skills, шаблоны задач, проверки сгенерированного кода и воспроизводимые сценарии работы. Консультировать продуктовые и проектные команды, проводить ревью архитектур и помогать командам запускать собственные AI-кейсы. MCP является открытым стандартом интеграции AI-приложений с внешними источниками данных и инструментами. Поэтому от кандидата требуется не только знание конкретного SDK, но и понимание архитектуры hosts, clients, servers, tool schemas, авторизации и границ безопасности. Ожидаемые результаты В течение первых месяцев работы специалист должен: сформировать целевую архитектуру использования LLM в компании; создать сравнительный benchmark доступных моделей на реальных кейсах Knowledge Space; запустить несколько прикладных AI-сценариев с измеримым эффектом; подготовить базовый набор повторно используемых MCP-серверов и AI-компонентов; внедрить подход к автоматической оценке качества и регрессионному тестированию; определить технические правила безопасной работы с внешними и локальными моделями; подготовить roadmap развития AI-платформы и агентных возможностей Knowledge Space. Обязательные требования От четырех лет коммерческого опыта в software engineering, ML engineering, data science или смежных областях. Практический опыт создания LLM-решений, которые использовались реальными пользователями, а не только демонстрировались в виде прототипа. Уверенная разработка на Python. Опыт создания backend-сервисов и интеграций: REST API, JSON, SQL, асинхронная обработка, очереди, Git, Docker. Понимание архитектуры современных LLM-приложений: prompts, structured outputs, tool calling, RAG, agents, memory. Умение проектировать retrieval-пайплайн и объяснить влияние chunking, metadata, embeddings, hybrid search и reranking на качество. Практический опыт интеграции LLM с внешними инструментами через function calling, plugins, MCP или аналогичный механизм. Опыт создания тестовых наборов и измерения качества LLM-решений. Понимание ограничений LLM: hallucinations, context degradation, nondeterminism, prompt injection, leakage и excessive agency. Умение писать поддерживаемый код, покрывать критичную логику тестами и проводить code review. Способность самостоятельно разобраться в бизнес-процессе, предложить архитектуру и довести решение до работающего результата. Английский язык на уровне чтения технической документации и профессиональной коммуникации. Будет преимуществом Опыт разработки MCP-серверов и MCP-клиентов. Опыт работы с Claude, OpenAI, Gemini, GigaChat, YandexGPT, Qwen, Llama, Mistral и другими моделями. Опыт использования Claude Code, Codex, Cursor или других coding agents в промышленной разработке. Опыт работы с LangGraph, LlamaIndex, LangChain, Semantic Kernel или собственными оркестраторами. Опыт работы с Langfuse, Phoenix, OpenTelemetry, DeepEval, Ragas или аналогичными инструментами. Опыт fine-tuning: SFT, LoRA/QLoRA, подготовка датасетов, оценка результата и развертывание адаптированных моделей. Опыт локального inference с vLLM, TGI, Ollama или аналогичными решениями. Знание векторных баз и поисковых технологий: pgvector, Qdrant, Milvus, OpenSearch, Elasticsearch. Опыт работы с Kubernetes, CI/CD, GPU-инфраструктурой и MLOps. Понимание требований к обработке персональных, коммерческих и конфиденциальных данных. Опыт работы с enterprise-продуктами, аналитическими платформами, системами планирования или корпоративными базами знаний. Наличие GitHub, технических статей, open-source-вкладов или демонстрационных проектов. Мы не ищем специалиста, который работал только с ChatGPT через пользовательский интерфейс; чистого no-code-разработчика без опыта программирования; кандидата, который оценивает LLM-решение исключительно по субъективному впечатлению от демонстрации; исследователя, заинтересованного только в обучении моделей, но не в создании прикладных продуктов; архитектора, который не готов самостоятельно писать код и собирать первые версии решений. Что предлагаем Возможность непосредственно влиять на AI-архитектуру корпоративной платформы. Реальные enterprise-кейсы и доступ к продуктовым и проектным командам. Возможность сравнивать различные модели и выбирать технологию исходя из результата, а не привязки к одному поставщику. Задачи на стыке разработки, архитектуры, продуктов, безопасности и бизнес-консалтинга. Возможность сформировать внутренние инженерные стандарты и в дальнейшем развивать AI-команду. Доступ к необходимым моделям, API, вычислительным ресурсам и корпоративным данным в рамках согласованного безопасного контура.