Senior AI Engineer (LLM / Product AI)

О роли Мы — B2B-платформа для iGaming, на которой наши клиенты запускают собственные продукты. AI-направление охватывает внутренние инструменты и клиентскую часть: работу с аналитикой, управление продуктом через API, рекомендации, виртуальных персонажей и другие пользовательские сценарии. Роль предполагает высокую техническую автономию и участие в принятии архитектурных решений. Детали задач и приоритеты обсудим на интервью. Чем предстоит заниматься Развивать LLM-агентов для работы с данными из ClickHouse и PostgreSQL. Подключать агентов к API платформы, чтобы они могли помогать настраивать продукт и выполнять действия. Проектировать безопасное выполнение действий: проверку прав, валидацию параметров, подтверждение критических операций, аудит и откат. Обеспечивать строгую изоляцию данных, контекста и доступных действий между тенантами. Развивать RAG по документации продукта. Работать над клиентскими AI-функциями: рекомендациями, подсказками, виртуальными персонажами и диалоговыми сценариями. Строить evals и регрессионные наборы для контроля качества ответов и действий агентов. Принимать архитектурные решения: что использовать готовым, что разрабатывать самостоятельно и где нужен self-hosted inference. Интегрировать AI-сервисы в существующую инфраструктуру: Kubernetes, Kafka, CI/CD и наблюдаемость. Требования 5+ лет в разработке и практический опыт запуска LLM-систем в продакшен. Python и опыт эксплуатации сервисов под реальной нагрузкой. Практический опыт с RAG, tool calling и агентами, выполняющими действия через API. Понимание ограничений LLM-систем и типичных сценариев отказа. Опыт построения evaluation-контуров. SQL и опыт работы с аналитическими СУБД: ClickHouse, BigQuery, Snowflake или аналогами. Понимание безопасности LLM-приложений: prompt injection, контроль доступа и предотвращение утечек между тенантами. Понимание принципов построения надёжных агентных систем: авторизация, подтверждение действий, идемпотентность, аудит и обработка частичных сбоев. Самостоятельность — задачи приходят как «нужно, чтобы работало», а не как готовое ТЗ. Английский B2+. Будет плюсом: опыт в регулируемых доменах — iGaming или финтех; recsys/ranking; Go на уровне чтения кода; Kubernetes и Kafka; понимание экономики GPU-инференса. Инструменты Ждём опыта с частью этого стека: Агенты: LangGraph, OpenAI Agents SDK, DSPy, Pydantic AI. Evals и трейсинг: Langfuse, LangSmith, Braintrust, DeepEval, Arize Phoenix. Гейтвей и роутинг: LiteLLM, Portkey. RAG: pgvector, Qdrant, Weaviate, реранкеры. Инференс: vLLM, SGLang. Интеграции: MCP. Конкретный набор неважен — важно понимать, зачем нужен каждый слой и что произойдёт, если его убрать. Наш стек Python, Go, Kubernetes, Argo CD, Kafka, ClickHouse, PostgreSQL, Grafana/Loki, GitLab CI. Условия Реальные данные и нагрузка, зрелая инженерная инфраструктура, бюджет на модели и эксперименты. Отклик Пришлите резюме и 5–10 предложений об одной AI-системе, которую вы довели до продакшена: что она делала, как измеряли качество, что сломалось после запуска и как вы это исправили.