Ingeniero Python + IA

О позиции

Мы ищем инженера с менталитетом продукта и платформы, способного сочетать бэкенд-разработку с построением решений на основе генеративного ИИ и агентов. Вы будете участвовать в разработке и эволюции Blizprint — инструмента для анализа устаревших приложений, где ИИ повышает точность, надёжность и прослеживаемость процессов анализа и технической документации. От кандидата требуется не только опыт работы с промптами, но и глубокие знания архитектуры ПО и промышленной разработки.

Чем заниматься

• Разработка и поддержка Python-микросервисов и пайплайнов обработки данных
• Интеграция LLM и систем агентов в производственные решения
• Проектирование и сопровождение сложных промптов, управление контекстом, оркестрация агентов
• Эксплуатация инфраструктуры на AWS (ECS, Step Functions, S3, CloudWatch)
• Оценка результатов генерации и применение техник снижения галлюцинаций моделей
• Разработка автоматизированного тестирования для AI-компонентов
• Анализ производительности, конкурентности и обработки больших объёмов данных

Что ждут

• Минимум 5 лет опыта разработки на Python
• Опыт бэкенд-разработки, API и распределённых сервисных архитектур
• Практические знания AWS (ECS, Step Functions, S3, CloudWatch)
• Глубокое понимание Git и инженерии качества кода
• Навыки написания автотестов на Python
• Опыт диагностики проблем производительности, памяти и конкурентного исполнения
• Знания LLM и систем на основе агентов
• Умение проектировать сложные промпты и управлять контекстом диалога
• Понимание методов оценки моделей и снижения галлюцинаций

Условия

• Полностью удалённая работа из любой точки Испании
• Работа над инновационным продуктом с применением передовых технологий ИИ
• Возможность трансформировать прототипы в масштабируемые и наблюдаемые решения
• Конструктивная команда, ориентированная на качество и долгосрочную архитектуру

Навыки

• Python
• AWS
• ECS
• Step Functions
• S3
• CloudWatch
• Git
• API Development
• Distributed Systems
• LLM
• Prompt Engineering
• Agent-based Systems
• RAG
• OpenTelemetry
• Event-driven Architecture
• Automated Testing
• JSON Schema
• Legacy System Integration
• Java
• Observability
• Microservices
• Data Pipelines

Могут спросить на собеседовании

1. Расскажите о вашем опыте развёртывания LLM-приложений в продакшене. С какими проблемами сталкивались?
2. Как вы оцениваете качество вывода LLM и какие техники используете для снижения галлюцинаций?
3. Опишите архитектуру сложного сервиса, который вы проектировали. Как обеспечивали масштабируемость и отказоустойчивость?
4. Как вы организуете тестирование компонентов на основе ИИ, которые по природе недетерминированы?
5. Приведите пример оптимизации кода или инфраструктуры, связанной с LLM, который привёл к снижению затрат или задержек.