Что за роль
Команда разрабатывает AI-системы для продукта с миллионами игроков. В этой роли предстоит создавать мультиагентные системы и мультимодальные AI-процессы, интегрируя разные модели и внутренние API.
Чем вы будете заниматься
- Проектировать и создавать мультиагентные системы: оркестрацию, маршрутизацию, память, выполнение инструментов и резервные сценарии.
- Разрабатывать пользовательские инструменты, MCP-серверы и интеграции с внутренними API.
- Расширять возможности платформы, анализируя существующие API и кодовые базы.
- Внедрять тестирование, оценку качества, наблюдаемость и практики надёжности AI-систем.
- Исследовать и улучшать поведение агентов, их производительность и устойчивость.
Требования
- Сильный опыт backend-разработки на Python, включая асинхронные сервисы и интеграции API.
- Коммерческий опыт создания мультиагентных LLM-систем для промышленной эксплуатации; личных проектов недостаточно.
- Опыт работы с современными фреймворками для агентов: LangGraph, LangChain, AutoGen, CrewAI, LlamaIndex или PydanticAI.
- Понимание оркестрации агентов, вызова инструментов, маршрутизации, памяти и автономных рабочих процессов.
- Опыт создания мультимодальных AI-приложений, интеграции нескольких поставщиков моделей, работы с векторными базами данных, кэшированием и инфраструктурой AI-приложений.
- Опыт тестирования, отладки, наблюдаемости и оценки AI-систем.
- Знакомство с игровой индустрией, аналитикой, платежами или другими сферами с большим объёмом транзакций.
Будет плюсом
- Опыт в машинном обучении.
- Опыт создания систем оценки, бенчмаркинга или наблюдаемости AI-приложений.
- Опыт работы со сложными экосистемами API.
Что мы предлагаем
- Участие в капитале компании.
- Работа с коллегами из разных стран, создававшими продукты для миллионов игроков.
- Автономность и возможность самостоятельно принимать решения.
- Использование AI, автоматизации и современных инструментов в работе.
Кто здесь добьётся успеха
→
Уверенный Python-разработчик уровня senior, который умеет проектировать надежные мультиагентные системы: выбирать подходящую оркестрацию в LangGraph, LangChain, AutoGen или CrewAI и продумывать маршрутизацию, память, вызов инструментов и резервные сценарии.
→
Практик интеграции LLM в реальные продукты: умеет создавать MCP-серверы и пользовательские инструменты, связывать модели с внутренними API и использовать PydanticAI и LlamaIndex там, где они подходят задаче.
→
Инженер, который учитывает масштаб продукта с миллионами игроков: проверяет устойчивость мультимодальных процессов, контролирует ошибки и качество ответов, а не ограничивается демонстрацией рабочего прототипа.
→
Самостоятельный специалист senior-уровня, которому комфортна удаленная работа: способен от постановки задачи до внедрения принимать технические решения, документировать архитектуру и координировать интеграции без постоянного контроля.
Ресурсы для обучения
Карьерный путь
AI-инженер — мультиагентные LLM-системы (Сейчас)→Ведущий AI-инженер по мультиагентным и мультимодальным системам (Через 1–2 года)→Архитектор AI-платформы или руководитель направления агентных систем (Через 3–5 лет)
Обзор рынка
Рынок ПО для разработки на Python, 2026
$12,8B
Прогнозируемый годовой рост рынка
18,4%
Компании, внедряющие генеративный ИИ
71%
Инвестиции в генеративный ИИ, 2025
$33,9B
Навыки и требования
Обязательные
PythonLLMLangGraph
Растущий спрос
Оркестрация агентных графов и маршрутизация задач: LangGraph, контроль состояния и циклов выполненияОценка и наблюдаемость LLM-систем: трассировка, тестирование качества, мониторинг стоимости и задержекИнтеграция инструментов и контекстных источников: MCP, RAG, векторные базы данных и типизированные API на Pydantic
Снижающийся спрос
Цепочки LangChain без управления состоянием и детерминированной оркестрации — уступают графовым и агентным рабочим процессамСамописные интеграции инструментов на отдельных схемах JSON и проприетарных адаптерах — постепенно заменяются стандартизированными интерфейсами, включая MCP
Тренды отрасли
Переход от одиночных цепочек к управляемым мультиагентным системам
В корпоративных проектах агентам всё чаще поручают отдельные роли — планирование, поиск, выполнение и проверку результата. Для кандидата полезно показывать не число агентов, а измеримые улучшения: качество задач, долю успешных запусков, стоимость и возможность остановить или повторить шаг. Для продакшена особенно востребованы графы с явным состоянием, ограничениями и обработкой ошибок.
Инструменты и контекст становятся переносимыми
MCP набирает популярность как общий способ подключать LLM к инструментам и данным; его поддержка быстро появляется в экосистемах моделей и разработческих продуктов, хотя единой репрезентативной оценки доли внедрения пока нет. Практический навык — создавать безопасные MCP-серверы и клиенты, ограничивать права инструментов и сохранять совместимость с обычными API.
Новости Gaming
Загружаем новости отрасли...
Ищем релевантные статьи за последние 6 месяцев
Похожие вакансии
AI-инженер / LLM-инженер — LangGraph
Мособлгаз·235K ₽
AI Engineer — видеопайплайны на Python
Emphasoft·155K ₽–193K ₽
Senior AI Engineer — Python, React
DataFlow Group·342K ₽–426K ₽
AI-разработчик — внедрение моделей в закрытый контур
Top Selection·292K ₽–364K ₽
Бизнес-аналитик для AI-проектов
Сбер·345K ₽
Edge AI Engineer — Nvidia Jetson, C++ и PyTorch
Сбербанк·207K ₽–258K ₽
Middle QA Engineer для AI-платформы управления продажами
it-bench.work·2K ₽–3K ₽
Руководитель .NET-команды для интеграций и ИИ-агентов
Лоция·385K ₽–480K ₽
Lead Analyst — аналитика игровых продуктов
Crooto·400K ₽–497K ₽
Senior Golang-разработчик — AI-кодинг
X5 Tech·283K ₽–353K ₽
Разработчик внутренних ИТ-сервисов — Python / AI
Министерство строительства и развития инфраструктуры Свердловской области·113K ₽–118K ₽
AI-контент-менеджер для сервиса автоматизации соцсетей
50K ₽
Forward Deployed Engineer — Python и REST API
AssemblyAI·10K ₽–11K ₽
DevOps-инженер для AI-продуктов в медицине
Астратех·300K ₽–350K ₽
Lead QA-инженер — Java-автотесты
Альфа-Банк·303K ₽–377K ₽