ML-инженер — AI-агенты и RAG
150K ₽–160K ₽/мес
Опубликовано 03.11.2026150K ₽–160K ₽/мес
подтверждённая
Что за роль
Data World развивает платформенного ассистента на базе LLM и AI-функциональность для автоматизации этапов PDLC. В этой роли предстоит создавать AI-агентов, механизмы поиска по корпоративным знаниям и приложения для анализа данных платформы.
Чем вы будете заниматься
- Разрабатывать AI-агентов и мультиагентные сценарии, включая планирование, вызов инструментов, проверку результатов и обработку ошибок.
- Развивать ассистента платформы, RAG-механизмы и поиск релевантных знаний на естественном языке.
- Создавать LLM-приложения для анализа логов, метрик, баз данных и документации.
- Разрабатывать агентов для тестирования, сопровождения и диагностики автоматизированных процессов.
- Проектировать память и управление контекстом агентов, а также автоматическую оценку качества ответов и действий LLM.
- Проводить эксперименты с моделями, промптами и агентными архитектурами; оптимизировать задержку, качество и расход токенов.
- Интегрировать AI-функциональность в продукт совместно с backend- и frontend-командами.
Требования
- Уверенное владение Python и практический опыт разработки приложений на базе LLM.
- Опыт работы с AI-агентами, tool calling, RAG, embeddings, векторными базами данных, prompt engineering, structured output, контекстом и памятью агентов.
- Опыт создания production-ready сервисов и интеграций через REST API.
- Умение самостоятельно декомпозировать исследовательскую задачу и доводить эксперимент до работающего продукта.
- Понимание способов измерения качества LLM-приложений.
- Git, Docker и базовое понимание CI/CD.
Будет плюсом
- Опыт с мультиагентными системами, GigaChat, Qwen, DeepSeek, Llama, LangGraph, LangChain, LlamaIndex или собственными agentic-фреймворками.
- Опыт LLM evaluation, LLM-as-a-Judge и работы с MCP.
- Знание PostgreSQL, Kubernetes или OpenShift; опыт локального inference и оптимизации LLM.
- Fine-tuning или LoRA, а также разработка AI-функций для enterprise-продуктов.
Что мы предлагаем
- Полная занятость, график 5/2, удалённый формат.
- Оплата — от 150 000 до 160 000 ₽ в месяц на руки.
Кто здесь добьётся успеха
→
Уверенно применяет Python и LLM для создания AI-агентов: проектирует планирование, вызов инструментов, проверку результатов и обработку ошибок в многошаговых и мультиагентных сценариях.
→
Умеет строить RAG для корпоративных знаний: продумывает разбиение документов, эмбеддинги, поиск в векторных базах и оценку качества ответов ассистента платформы.
→
Как специалист среднего уровня, самостоятельно доводит прототипы до надёжных сервисов: разрабатывает REST API, использует Git и Docker, учитывает сбои, проверяемость и поддержку в эксплуатации.
→
Комфортно работает удалённо и автономно: письменно фиксирует решения и ограничения, задаёт точные вопросы к требованиям и итеративно улучшает AI-функциональность для автоматизации этапов PDLC.
Ресурсы для обучения
Карьерный путь
ML-инженер — AI-агенты и RAG (Сейчас)→Старший ML-инженер по платформенным ассистентам и мультиагентным системам (Через 1–2 года)→Технический руководитель направления AI-агентов и корпоративного поиска (Через 3–5 лет)
Обзор рынка
Объём рынка ИИ-программного обеспечения, 2026
$174B
Прогнозируемый CAGR рынка ИИ-ПО, 2025–2030
29.2%
Организации, использующие генеративный ИИ в 2024 году
71%
Частные инвестиции в генеративный ИИ, 2024
$33.9B
Навыки и требования
Обязательные
PythonLLMAI Agents
Растущий спрос
LangGraph и оркестрация агентных workflowMCP и интеграция LLM с внешними инструментамиОценка качества RAG и LLMOps: трассировка, тестирование и мониторинг
Снижающийся спрос
LangChain Chains как единственный способ оркестрации — уступают место графовым и специализированным workflow-фреймворкамТочная настройка моделей для знаний, часто обновляемых или доступных из документов, — во многих RAG-сценариях её заменяет retrieval с актуальными источниками
Тренды отрасли
От чат-ботов к агентным системам
Компании переходят от одиночных LLM-запросов к агентам, которые вызывают API и выполняют многошаговые задачи. Для инженера это означает необходимость проектировать ограниченные циклы действий, обработку ошибок и подтверждение рискованных операций; в портфолио стоит показать агента с измеримым результатом и контрольными точками.
RAG становится инженерной системой, а не только векторным поиском
Качество определяется всем конвейером: разбиением документов, гибридным поиском, reranking и оценкой ответов на тестовом наборе. Практический ориентир для проектов — сравнивать recall@k и качество ответа до и после изменений, а также учитывать стоимость и задержку. Универсального глобального процента внедрения RAG нет: компании редко публикуют сопоставимую статистику.
Новости Industrial Tech
Загружаем новости отрасли...
Ищем релевантные статьи за последние 6 месяцев
Похожие вакансии
AI Engineer — LLM-агенты и RAG
Сбер·189K ₽–235K ₽
AI/ML-разработчик на Python
ИЦ АЙ-ТЕКО·193K ₽–240K ₽
Senior AI Engineer — LangChain и LangGraph
Centillion Infotech·292K ₽–364K ₽
Руководитель направления разработки — AI SDLC
Grand Trade·312K ₽–388K ₽
NLP Engineer — GigaChat Pretrain
Сбер Банк·204K ₽–253K ₽
Senior NLP Engineer — Python, LLM
Runello·285K ₽–354K ₽
AI-специалист по созданию ассистентов
KODIX·65K ₽–80K ₽
QA-инженер
70K ₽–120K ₽
QA-инженер для системы RMS
Kokoc Tech·224K ₽
QA-инженер
Icons8·50K ₽
UX-дизайнер для AI-функций
234K ₽–291K ₽
Middle Flutter Developer для AI-продукта
Цифровая Миссия·200K ₽–230K ₽
AI Video Lead для мобильных игр и приложений
Ardor Media·1K ₽–2K ₽
Инженер по тестированию NGFW
132K ₽–164K ₽
Senior Python-разработчик для Visiology Cortex
Polymedia·256K ₽–319K ₽