AI/Python-разработчик, LLM-агенты

Компания NativeCall ищет AI/Python-разработчика на проект. Формат работы — удалённо, занятость полная, график 5/2, рабочие часы 8. Опыт работы: 1–3 года.

Компания развивает собственную линейку товаров для здоровья и красоты и партнёрскую программу по их продвижению, обеспечивает полный цикл создания и развития офферов: от продуктовой и маркетинговой концепций до обработки заявок call-центром и доставки клиентам. География продаж — Европа, Азия, США.

Обязанности:

• Проектировать и разрабатывать LLM-агентов и мультиагентные системы в связке с командой разработки.
• Писать чистый, структурированный и поддерживаемый код в соответствии со стандартами и лучшими практиками.
• Создавать и поддерживать документацию по коду, процессам и приложениям.
• Отслеживать развитие веб-технологий и трендов индустрии, предлагать свежие решения.
• Оптимизировать веб-приложения по скорости, масштабируемости и безопасности.
• Участвовать в полном жизненном цикле разработки — от концепции до деплоя и сопровождения.

Требования:

• Python 3.10+ на уровне уверенного разработчика.
• Опыт работы с LLM API: OpenAI, Anthropic, open-source модели через vLLM/TGI/Ollama.
• Практический опыт дообучения моделей: SFT, LoRA/QLoRA, DPO/ORPO; подготовка и валидация обучающих датасетов; оценка качества, борьба с переобучением и деградацией базовых навыков.
• Опыт работы с HuggingFace Transformers / PEFT / TRL.
• Построение систем оценки (evals): проектирование метрик под задачу, регрессионные тестовые наборы, LLM-as-judge с пониманием его ограничений, A/B-тестирование.
• RAG-пайплайны: стратегии чанкинга, гибридный поиск, реранкинг, векторные БД (pgvector, Qdrant, Weaviate или аналоги); понимание, когда RAG предпочтительнее дообучения и наоборот.
• Оркестрация пайплайнов данных и обучения: Airflow, Prefect, Temporal или аналоги.
• Observability LLM-систем: трейсинг и мониторинг (Langfuse, LangSmith, OpenTelemetry или аналоги).
• Docker, Git, CI/CD, Linux; базовое понимание работы с GPU (управление VRAM, квантование, инференс-серверы).
• Основы безопасности LLM-приложений: защита от prompt injection, изоляция инструментов, принцип минимальных прав для агентов.