НовоеAI-конструктор резюме: правишь прямо на листе A4, а нейросеть подсказывает, что усилитьКонструктор резюме на листе A4Попробовать
JobPath
Начать бесплатно

ramp

Research Engineer, Agentic Systems

  • Удалённо
  • Remote (US)
  • Полная занятость
  • сегодня

Исследователь-инженер по агентам ИИ в Ramp Labs: разработка и масштабирование систем из тысяч автономных агентов для обработки финансовых операций на миллиарды долларов. Работа с продвинутыми LLM-приложениями, распределёнными системами и оркестрацией мультимодельных решений.

О позиции

Ramp Labs — это исследовательская и инженерная группа Ramp, создающая инфраструктуру для автоматизации финансовых потоков компаний. Мы работаем с задачами высочайшей сложности, где важны скорость, точность и масштабируемость. Вы построите системы следующего поколения: не один агент, а тысячи, координирующихся между собой для решения сложных задач от прототипа до продакшена.

Чем заниматься

  • Проектирование архитектуры распределённых агентов: как разбить задачу, сколько агентов запустить, какая модель за какой шаг отвечает
  • Оптимизация качества output'а: контекстный дизайн, самопроверка моделей, голосование и консенсус между агентами
  • Измерение качества без ручного аудита: выборка, автоматическая верификация, precision/recall финального результата
  • Снижение стоимости и latency полезного результата: роутинг моделей, кэширование, раннее завершение, тонкая настройка
  • Конвертация экспериментов в переиспользуемые рабочие процессы на существующей оркестрационной инфраструктуре
  • Оценка новых моделей, инференс-сетупов и подходов обучения

Что ждут

  • Опыт построения applied AI систем и LLM-приложений, которые вышли в продакшн
  • Hands-on опыт работы с multi-agent или high-fan-out LLM workload: параллельные агенты, map-reduce над моделями, большой batch inference
  • Сильный Python; опыт concurrent/distributed систем, готовых к продакшену
  • Навык судить о качестве output'а: понимать желаемый результат перед масштабированием роя агентов
  • Привычка измерять метрики: cost, yield, false-positive rate, доказать, что изменение помогло
  • Ownership: способность вести roadmap и поддерживать production систему с минимумом контроля
  • Чёткая письменная коммуникация

Будет плюсом

  • Построение agent orchestration или job systems (Ray, Temporal, Modal или кастомные)
  • Использование LLM для поиска по большим пространствам: codebases, document sets, logs
  • Post-training или hosting open-source моделей для высоконагруженного инференса
  • Фон distributed systems
  • Публичные проекты: фреймворк агентов, open-source проект, статья или paper

Условия

  • Гибкий PTO
  • Централизованная организация домашнего офиса
  • Стипендия на здоровье и wellness
  • Бюджет на внутриофисные путешествия
  • Еженедельный кофе-стипендиум
  • Медицинское, стоматологическое и vision страхование 100% покрытие (США)
  • Annual membership One Medical
  • 401(k) с employer match
  • Fertility HRA до $10,000 в год
  • Родительский отпуск до 16 недель при 100% оплате
  • Pet insurance
  • Релокационные расходы в NYC или SF при необходимости

Навыки

  • Python
  • Large Language Models
  • Distributed Systems
  • Multi-Agent Systems
  • Model Orchestration
  • LLM Applications
  • High-Performance Computing
  • Concurrent Programming
  • Inference Optimization
  • API Design

Сложность отбора

Senior/Research уровень: требуется глубокий опыт с продвинутыми LLM-системами,分布式架构 и production-grade AI application development

Оценка JobPath

Зарплата по рынку

1 100 000 – 2 200 000 ₽ в месяц

Оценка для Research Engineer / Applied AI Researcher уровня в US remote позициях (санкционированно: $180k–$280k/год). Конверсия выполнена через курс ~90 RUB/USD с разделением годовой суммы на 12 месяцев

Оценка JobPath по рынку, не предложение работодателя

Могут спросить на собеседовании

  1. Опишите архитектуру multi-agent системы, которую вы проектировали ранее. Как вы решали задачи координации, дедупликации результатов и согласованности?
  2. Как вы измеряете качество output'а LLM-системы без ручного аудита всех трасс? Какие метрики используете?
  3. Расскажите о случае, когда вы оптимизировали cost или latency в production LLM работе. Какой trade-off выбрали и почему?
  4. Представьте, что у вас есть проблема, требующая поиска по базе из миллионов документов. Сценарий использования LLM-агентов для этого?
  5. Какие инструменты orchestration (Ray, Temporal, Modal) вы использовали? В чём преимущества/недостатки каждого?

Прорепетировать это собеседование

Голосовой ИИ-интервьюер задаст вопросы под эту вакансию и разберёт каждый ответ.

Начать бесплатно

Сохрани похожие вакансии

Новые вакансии с такой должностью будут собираться в кабинете.

Сохранить фильтр

Перед откликом

Попробовать бесплатно

Связаться с поддержкой

Выбери, где удобнее написать