Neuro-Core

AI-разработчик (Python, LangChain / LangGraph)

Не указана

Мы ищем сильного AI-разработчика / LLM-инженера, который:

уверенно пишет на Python,
понимает теорию DS / LLM на базовом уровне
умеет строить и обслуживать нагруженные многопользовательские сервисы на базе генеративных моделей.

Присоединяйся к нам, чтобы создавать новые AI-решения, которые живут в проде и выдерживают нагрузку.

Обязанности

Участие в создании и развитии LLM и связанных c ними сервисов.
Проведение исследований и создание прототипов / MVP AI решений на базе LLM, с последующим доведением до продакшена.
Разработка инструментария для AI агентов и микросервисов: цепочки LangChain / LangGraph, RAG пайплайны, интеграции с внешними API и хранилищами данных.
Работа с нагруженными многопользовательскими сервисами: оптимизация latency, throughput, стоимости вызовов LLM, настройка параметров генерации под конкретные сценарии.
Оптимизация и автоматизация процессов разработки: CI/CD, инфраструктурные скрипты, тестовые стенды, автотесты, профилирование и мониторинг.

Требования

Опыт разработки на Python от 3 лет.
Уверенное владение ООП, понимание наследования, композиций, паттернов (фабрика, декоратор, и др.).
Опыт разработки многопоточных / асинхронных или высоконагруженных сервисов: понимание работы очередей, пулов соединений, ограничений GIL, async/await.
Практический опыт работы с LLM:
- интеграция LLM в бизнес-решения (чаты, ассистенты, агенты, RAG),
- настройка параметров генерации (temperature, top_p, max_tokens и т.д.),
- понимание механизма внимания и базовой архитектуры трансформеров.
Опыт работы с фреймворками: LangChain, LangGraph, LlamaIndex
Понимание принципов построения устойчивых прод-систем: логирование, мониторинг, трейсинг, ретраи, тайм-ауты, деградация сервисов.

Было бы плюсом

Опыт построения AI агентов, мультиагентных систем, оркестрации инструментов
Опыт работы с векторными базами (Qdrant, Milvus, FAISS и др.), построения RAG решений в проде.
Опыт в профилировании и оптимизации Python кода (asyncio, multiprocessing, батчинг запросов к LLM, кэширование).
Понимание основных метрик качества LLM решений, опыт проведения A/B-тестов и офлайн-оценки (eval-сеты, human eval).
Базовое понимание ML / DS (регуляризация, переобучение, метрики классификации, валидация), профильное образование в математике / компьютерных науках / DS.

Условия