Full Stack AI Engineer
Описание
Middle+/Senior Full Stack AI Engineer Ищем Full Stack AI Engineer, который умеет не просто интегрировать LLM, а строить устойчивые AI-продукты end-to-end: от архитектуры и веб-интерфейса до оркестрации агентных пайплайнов, качества выдачи и поддержки production-решений. Обязанности: Развивать архитектуру платформы совместно с командой: рефакторинг кодовой базы, внедрение новых модулей, работа с оркестраторами вроде Temporal, LangGraph и аналогов. Разрабатывать новые сценарии генерации презентаций: обрабатывать входные данные в разных форматах — текст, таблицы, изображения — и улучшать качество итоговой выдачи. Строить и развивать веб-редактор: интерактивное редактирование слайдов, преднастройки презентаций, работа с иконками, изображениями и UI-компонентами. Интегрировать и оптимизировать LLM-пайплайны: промпт-инжиниринг, балансировка качества и стоимости генерации, обработка ошибок и нестабильных ответов модели. Проектировать и улучшать AI-агентные сценарии: последовательные цепочки агентов, передача контекста, контроль качества результата на каждом этапе. Участвовать в принятии архитектурных решений: взвешивать trade-off'ы, обосновывать выбор подходов, предлагать улучшения для кода и системы в целом. Обеспечивать качество кода: ревью, рефакторинг, работа с Git, ветками, PR и параллельной разработкой нескольких инженеров. Требования: TypeScript, React — уверенное владение. AI-оркестрация: Temporal, LangGraph, LangChain — знание хотя бы одного инструмента и понимание принципов. LLM: опыт работы с Claude, OpenAI API или аналогами. Базы и retrieval: векторные базы данных, RAG, работа с Qdrant, Weaviate, Pinecone или аналогами. Инфраструктура: Docker, базовый Linux, nginx. Git: git flow, работа с ветками, PR, code review в командной разработке. Что важно знать и уметь Уверенно проектировать API и структуры данных, а не просто делать «чтобы работало». Понимать ООП, принципы чистого кода и уметь оценивать качество как ручного, так и сгенерированного кода. Знать, как организовать кодовую базу для параллельной работы нескольких разработчиков без хаоса и конфликтов. Понимать принципы построения agentic pipelines: несколько агентов, передача контекста, контроль результата и обработка ошибок. Уметь разбираться, где модель ошибается: галлюцинации, потеря контекста, неверная маршрутизация, нестабильность цепочек. Знать основы RAG-архитектур: чанкинг, эмбеддинги, гибридный поиск, retrieval-логика и влияние этих решений на качество ответа. Личные качества Работает автономно и умеет брать задачу целиком, без микроменеджмента. Комфортно чувствует себя в условиях неопределённости, когда есть прототип и направление, но нет жёсткой рамки. Ориентирован на результат, а не на процесс: важнее качество и работающий продукт, чем объём написанного кода. Умеет честно оценивать качество кода — в том числе своего — и спокойно предлагать улучшения. Дополнительная информация: Для проектов без английского язык не требуется. Для европейских и американских проектов нужен английский от B2+. Процесс Короткое общение с рекрутером. Техническое интервью / TechCertify-скрининг. Передача на подходящие проекты клиентам. Если вам близок инженерный подход, нравится работать на стыке frontend, backend и AI, и есть опыт создания сложных AI-платформ, будем рады пообщаться.