Разработчик контрольных процедур для ИИ-агентов IFellow

250K ₽/мес
Опубликовано 03.11.2026

Что за роль

В IFellow автоматизируют проверку спецификаций и кода с помощью ИИ-агентов. Работа включает формализацию требований и настройку интеграций, которые извлекают релевантные требования из больших контекстов. Формат — гибридный, с посещением офиса в Москве или Московской области 2–3 дня в неделю.

Чем вы будете заниматься

  • Разрабатывать и поддерживать наборы правил для автоматизированной проверки спецификаций и кода.
  • Собирать, формализовать и вести библиотеку функциональных и нефункциональных требований.
  • Настраивать и дорабатывать интеграции с ИИ-агентами для извлечения требований.
  • Выборочно проводить Code Review и проверять соответствие реализации требованиям и дизайн-системе.
  • Контролировать соблюдение производственного процесса и архитектуры при подготовке релизов.

Требования

  • Понимание жизненного цикла разработки и автоматизированного тестирования.
  • Опыт системного анализа и формализации экспертных знаний в правила.
  • Опыт агентной разработки в BigTech или продуктовой разработки.
  • Навыки ведения архитектуры как кода и чтения кода; приоритет — React/Frontend, полезно понимание Java и бэкенда.
  • Опыт Code Review и написания скриптов автоматизации на Python.
  • Понимание LLM, управления контекстом, RAG, промптов и агентов.

Будет плюсом

  • Опыт написания автотестов.
  • Знание архитектуры современных веб-приложений, React и Spring/Java.
  • Опыт работы с SonarQube, ESLint или другими инструментами статического анализа кода.

Что мы предлагаем

  • Трудовой договор в аккредитованной IT-компании.
  • ДМС после успешного прохождения испытательного срока.
  • Оборудование для работы.
  • Пять дополнительных оплачиваемых дней к больничному.

Кто здесь добьётся успеха

→

Уверенно применяет Python, LLM, RAG и проектирование промптов, чтобы создавать ИИ-агентов, которые находят нужные требования в больших контекстах и проверяют спецификации и код по формализованным правилам.

→

Внимателен к неоднозначностям требований: умеет превращать их в проверяемые критерии, поддерживать базу контрольных правил и учитывать ложные срабатывания при настройке автоматизированных проверок.

→

Как специалист среднего уровня, самостоятельно разбирает задачи от анализа требований до интеграции и тестирования; использует автоматизированные тесты и ревью кода, чтобы контролировать надежность решений на Python, а также в проектах с Java и React.

→

Комфортно сочетает самостоятельную разработку с регулярной работой в офисе Москвы или Московской области 2–3 дня в неделю: готов обсуждать правила проверки с коллегами очно и продолжать сосредоточенную работу в гибридном режиме.

Ресурсы для обучения

Карьерный путь

Разработчик контрольных процедур для ИИ-агентов (Сейчас)→Ведущий разработчик ИИ-агентов и автоматизации проверок (Через 1–2 года)→Архитектор решений на основе ИИ для анализа требований и качества кода (Через 3–5 лет)

Обзор рынка

Объём рынка LLM в России, оценка на 2026
$0,6–0,9 млрд
Рост рынка генеративного ИИ в России, 2025–2026
около 35–45%
Компании, тестирующие или применяющие генеративный ИИ
около 25–35%
Инвестиции в российские ИИ-проекты, ориентир на 2026
$0,3–0,5 млрд

Навыки и требования

Обязательные
LLMRAGPrompt Engineering
Растущий спрос
Оценка качества и безопасности LLM: evals, red teaming, защита от prompt injectionОркестрация и наблюдаемость AI-агентов: LangGraph, трассировка вызовов инструментов, контроль циклов и затратRAG в production: гибридный поиск, reranking, векторные БД и измерение качества retrieval
Снижающийся спрос
Ручное тестирование промптов без автоматизированных eval-наборов и регрессионных проверокЖёсткие сценарные чат-боты на правилах и шаблонах вместо LLM-агентов с контролируемым вызовом инструментов

Тренды отрасли

Контроль агента становится отдельным инженерным слоем
В корпоративных прототипах агенты всё чаще получают доступ к API, базам знаний и внутренним операциям, поэтому проверяют не только текст ответа, но и выбор инструмента, аргументы, права доступа и побочные эффекты. Для российских команд особенно актуальны тесты на утечку данных, prompt injection и соблюдение требований 152-ФЗ. Соискателю стоит показать набор автоматизированных сценариев и метрики вроде доли корректных действий и частоты небезопасных вызовов.
RAG-системы переходят от демонстраций к измеряемому качеству
В 2025–2026 годах компании активнее внедряют корпоративный поиск по документам, но качество ответа зависит от полноты извлечения и актуальности источников. В отраслевых опросах по генеративному ИИ обычно около 60–70% организаций, начавших пилоты, указывают качество и достоверность ответов среди основных препятствий масштабированию. Практическое преимущество дадут опыт с hybrid search, reranking, тестированием retrieval и проверкой ссылок на источники.

Новости AI/Big Data

Загружаем новости отрасли...

Ищем релевантные статьи за последние 6 месяцев