Python-разработчик LLM-сервисов и ИИ-агентов (Junior)

Мы строим ИИ-помощников для внутренних подразделений компании. Первый проект — ассистент финансовой службы, который отвечает финансистам по данным 1С, регламентам и учётной политике и всегда опирается на источник. Ищем Python-разработчика уровня Junior, который хочет вырасти в инженера LLM-сервисов, — всему, чего пока нет, научим.

Задачи:

• Разрабатывать LLM-сервисы и ИИ-агентов на Python (FastAPI).

• Строить RAG-контур — база знаний (регламенты, учётная политика), векторный поиск, ответы строго по источникам.

• Подключать LLM к внутренним сервисам — 1С (выгрузки, HTTP-сервисы), базы данных, n8n, AnythingLLM.

• Доводить сервисы до продакшена — API, обработка ошибок, безопасность, наблюдаемость (видим, сколько тратим и что отвечаем).

• Поддерживать и развивать агентов — обновлять после смены модели или промпта, чинить инциденты, откатывать версии.

• Следить за трендами LLM/агентов и предлагать, что применимо у нас.

Для нас важно

• Python — уверенное владение, типизация, async/await, ООП, unit-тесты, Git.

• Коммерческий опыт от 1 года или сильные пет-проекты — оцениваем по коду, а не по строчке в резюме.

• Опыт вызова LLM через API (OpenAI-совместимые) — промптинг, structured output, tool calling. Пет-проекты считаются.

• Понимание ограничений LLM — галлюцинации, недетерминизм, стоимость, латентность. Честное «не знаю» лучше выдумки, это у нас принцип.

• Понимание агентного цикла «модель → вызов инструмента → результат» — и когда агент не нужен, а хватит простого пайплайна.

• Базовые FastAPI (или аналогичный фреймворк) и SQL.

Научим / будет плюсом

• RAG-тонкости — embeddings, векторные хранилища (pgvector/Qdrant/FAISS), chunking, faithfulness (ответ не выдумывает сверх найденного).

• Наблюдаемость — трассировка запросов (сколько шагов делает модель, какие инструменты вызывает, сколько стоит). Langfuse/Phoenix/OpenTelemetry — плюс.

• Evals — набор проверочных кейсов и прогон регресса при смене промпта или модели.

• MCP (Model…