Здесь делают не «AI ради AI», а решения, которые реально входят в ежедневную работу команд. Ты будешь собирать LLM-приложения и агентские сценарии для юристов, финансов, маркетинга, CRM и корпоративных функций — от первой гипотезы до production и регулярного использования
Это роль для инженера, которому интересно не обучать новые модели с нуля, а заставлять готовые LLM работать внутри бизнеса: подключать инструменты и данные, строить RAG и agentic-flow, интегрироваться с внутренними системами и превращать сложный процесс в работающий продукт
С тебя — сильная backend-база, скорость экспериментов и готовность самому разобраться в бизнес-задаче, с нас — пространство, где можно быстро проверять идеи, собирать PoC, запускать их на реальных пользователях и масштабировать только то, что доказало эффект.
Разрабатывать LLM-приложения и агентские сценарии для внутренних команд: маркетинга, финансов, юристов, CRM и других функций
Интегрировать готовые AI-продукты в операционные процессы и доводить их до ежедневного использования сотрудниками
Проектировать взаимодействие LLM с инструментами и внутренними данными через tool calling, MCP, RAG, embeddings и векторный поиск
Интегрировать AI-решения с внутренними системами и сервисами по API: 1С, корпоративными хранилищами, BI и другими источниками
Развивать LLM-шлюз: подключать несколько моделей и провайдеров, настраивать маршрутизацию, виртуальные ключи, лимиты, бюджеты и guardrails
Быстро собирать proof of concept, чтобы за несколько дней проверить техническую и продуктовую гипотезу, а не месяцами полировать решение до первого запуска
Развивать внутренний AI-чат и подключать к нему скиллы и агентские сценарии для разных команд и процессов
Строить систему оценки качества: переводить субъективное «работает хорошо» в измеримые критерии и сравнивать модели по качеству, скорости и стоимости
Настраивать мониторинг AI-сценариев и отслеживать качество после запуска
Проводить пилоты с замером эффекта, масштабировать решения, которые подтвердили ценность, и поддерживать их после выхода в production
Работать напрямую с владельцами бизнес-процессов, разработкой, ИБ и юристами — без длинной цепочки посредников между проблемой и техническим решением.
Ты уже доводил LLM-решения до production и реального использования: ассистенты, RAG, агентские сценарии, tool calling или интеграции с бизнес-процессами. Ты можешь глубоко разложить, как была устроена система, за что отвечал сам и какой эффект решение дало пользователям или бизнесу
У тебя сильная backend-база, и LLM для тебя — часть полноценной инженерной системы. Ты уверенно работаешь с Python, понимаешь API, очереди, БД, Docker, system design и умеешь собирать вокруг моделей устойчивую архитектуру с RAG, vector search, агентскими flow и LLM gateway
Ты не будешь неделями проектировать идеальную архитектуру до первого запуска. Ты сам разберешь бизнес-процесс, быстро соберешь рабочий вариант, проверишь его на реальном сценарии, поймешь, что дает эффект, и доведешь решение до production.
Есть от 3 лет коммерческого опыта backend-разработки на любом языке и минимум год практической работы с Python
Есть production-опыт с LLM-приложениями: RAG, AI-ассистентами, агентами или другими сценариями, которыми реально пользовались сотрудники или клиенты
Понимаешь устройство современных LLM-систем: context management, tool/function calling, structured output, embeddings, RAG и agentic-flow
Работал с LangGraph, LangChain или аналогичными фреймворками для построения агентских сценариев
Есть опыт интеграции LLM в существующие системы и работы с внешними и внутренними API
Понимаешь, как устроены LLM-шлюзы типа LiteLLM или аналогов: маршрутизация между провайдерами, виртуальные ключи, лимиты и контроль потребления
Уверенно ориентируешься в system design: API, очереди, хранилища, кэширование и интеграционные паттерны
Работал с SQL и базами данных
Используешь Git, Docker и backend-фреймворки вроде FastAPI или аналогичных
Есть опыт работы с очередями сообщений: RabbitMQ, Kafka или аналогами
Работал с векторным поиском и векторными БД: Qdrant или аналогичными решениями
Умеешь самостоятельно разобраться в бизнес-процессе, предложить технический вариант решения и довести его до production
Есть опыт проектов среднего или высокого уровня сложности с реальными пользователями и production-нагрузкой.