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 JobPathЗарплата 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 работодателяМогут спросить на собеседовании
- Опишите архитектуру multi-agent системы, которую вы проектировали ранее. Как вы решали задачи координации, дедупликации результатов и согласованности?
- Как вы измеряете качество output'а LLM-системы без ручного аудита всех трасс? Какие метрики используете?
- Расскажите о случае, когда вы оптимизировали cost или latency в production LLM работе. Какой trade-off выбрали и почему?
- Представьте, что у вас есть проблема, требующая поиска по базе из миллионов документов. Сценарий использования LLM-агентов для этого?
- 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 бесплатноСохрани похожие вакансии
Новые вакансии с такой должностью будут собираться в кабинете.
Сохранить фильтр