Software Engineer, AI Systems (United States)

О позиции

Haven Safety AI строит слой интеллекта для обучения в области безопасности для предприятий. Платформа помогает организациям быстро учиться на ошибках и предотвращать будущие инциденты, используя координированную команду специализированных AI-агентов. Система анализирует доказательства, контролирует инженерные факторы, процедуры и регуляторные требования. Компания находится на стадии pre-seed, работает с клиентами в регулируемых отраслях промышленности с критической безопасностью.

Чем заниматься

• Построение и эксплуатация многоступенчатых LLM-пайплайнов с координацией вызовов моделей, инструментов, графовых запросов и ретрива
• Оркестрация команд агентов: сопровождение инцидента от сбора доказательств через анализ, проверку до корпоративного обучения
• Дизайн контекстного слоя: обход графа Neo4j, векторный поиск и гибридный ретрив для каждого обращения к модели
• Создание датасетов для оценки, регрессионных тестов, сравнений моделей и петель human-in-the-loop
• Реализация трейсинга, аудита вызовов инструментов, мониторинга затрат и задержек, отказоустойчивости и дашбордов качества
• Выбор моделей по задачам, работа с провайдерами OpenAI, Anthropic, Google, участие в формировании AI-дорожной карты

Что ждут

• Опыт создания производственных LLM-систем, которые зависят реальные пользователи
• Практический опыт разработки multi-step workflows с инструментами через LangGraph, LangChain или аналоги
• Повторяемый подход к оценке LLM: репрезентативные датасеты, регрессионное тестирование, LLM-as-judge, петли с человеческой проверкой
• Опыт формирования контекста для LLM и понимание стратегии ретрива: что получать, сколько и зачем
• История полного жизненного цикла систем: от деплоя до мониторинга и реагирования на инциденты, с примером диагностики и исправления бага
• Комфортная работа с разными провайдерами моделей, объяснение tradeoffs в качестве, задержке, стоимости и операционных рисках
• Знание Neo4j и Cypher или аналогичной графовой СУБД, способность быстро освоить моделирование графовых данных
• Сильный Python: производственные привычки FastAPI, асинхронность, тестирование, наблюдаемость, поддерживаемые интерфейсы

Будет плюсом

• Глубокий опыт с графами: fluency в Cypher, эволюция схем, паттерны MERGE, эмбеддинги, эксплуатация живого knowledge graph
• Кибербезопасность Enterprise AI: awareness prompt injection, защита от утечки контекста, изоляция арендаторов, RBAC, разделение policy-слоя
• Опыт работы с Azure и гибридным поиском: Azure AI Search, Pinecone, MongoDB Atlas, pgvector, Elasticsearch
• Опыт работы в Enterprise B2B SaaS

Условия

• Работа над осмысленными проблемами рассуждений в домене, где правильность имеет значение
• Культура evaluation-first: измеримое, наблюдаемое и улучшаемое качество вместо демонстраций
• Прямое влияние на клиентов: построение для команд безопасности в энергетике, ЖКХ, инфраструктуре, строительстве, производстве
• Маленькая команда, высокая ответственность: близкая работа с CTO, продуктом, знание engineering, быстрые технические решения

Навыки

• Python
• FastAPI
• LangChain
• LangGraph
• LLM Engineering
• Vector Search
• Neo4j
• Cypher
• Graph Databases
• RAG
• Model Evaluation
• Multi-Agent Systems
• API Development
• Observability
• Async Programming

Могут спросить на собеседовании

1. Расскажите о вашем опыте создания Production LLM-систем: какую архитектуру вы использовали, какие вызовы были при deployment и monitoring?
2. Как вы оцениваете качество LLM-выходов? Приведите примеры подходов к evaluation, которые вы применяли.
3. Опишите ситуацию с выбором между разными модельными провайдерами: какие tradeoffs вы взвешивали и почему выбрали конкретное решение?
4. Какой опыт работы с графовыми базами данных у вас есть? Насколько комфортно вы чувствуете себя в Cypher и моделировании knowledge graph?
5. Опишите случай, когда вы диагностировали и исправили серьёзную проблему в Production системе. Какую роль сыграло ваш observation и instrumentation?