Python Backend / AI Engineer

Company: WB—Tech Location: Москва Experience: От 1 года до 3 лет Key skills: Python, Linux, Django, Docker, Git

Ищем самостоятельного разработчика, способного работать на пересечении классического Python Backend и AI Engineering. Важно, чтобы кандидат не ограничивался использованием готовых AI-библиотек, а понимал архитектуру агентных систем, умел самостоятельно проектировать решения, интегрировать модели в продукты и при необходимости заниматься их развертыванием и сопровождением.

Основные обязанности

• Разработка и поддержка backend-сервисов на Python с использованием Django и FastAPI.
• Проектирование API, интеграций и архитектуры backend-приложений.
• Работа с PostgreSQL, Redis, оптимизация запросов и производительности сервисов.
• Разработка AI-агентов и агентных систем на базе LLM.
• Создание агентных решений как с использованием фреймворков (LangGraph, LangChain, OpenAI Agents SDK и аналоги), так и без них.
• Интеграция локальных и облачных LLM в существующие продукты.
• Разработка инструментов (tools), управление вызовами функций, состоянием и контекстом агентов.
• Контейнеризация, развертывание и сопровождение сервисов с использованием Docker.
• Работа с AI-инфраструктурой: запуск, настройка и поддержка LLM на собственных серверах и облачных GPU-платформах.

Обязательные требования

• Уверенное знание Python, опыт коммерческой backend-разработки.
• Опыт работы с Django и FastAPI.
• Хорошее знание PostgreSQL и Redis.
• Уверенное владение Docker и Docker Compose.
• Понимание асинхронного программирования в Python (asyncio).
• Практический опыт интеграции LLM в приложения.
• Опыт разработки AI-агентов, использования tool calling / function calling.
• Понимание принципов работы LLM, управления контекстом и построения агентных процессов.
• Опыт работы с REST API, внешними сервисами и сторонними интеграциями.
• Уверенное владение Git, Linux.

Будет большим плюсом

• Опыт работы с LangGraph, LangChain, OpenAI Agents SDK.
• Опыт самостоятельного проектирования агентных архитектур без использования готовых фреймворков.
• Опыт развертывания и обслуживания локальных LLM (Qwen, Gemma, Llama и другие).
• Опыт работы с GPU-инфраструктурой, RunPod и аналогичными платформами.
• Знание vLLM, llama.cpp, Ollama и других инструментов инференса.
• Понимание принципов квантования моделей, ограничений VRAM и оптимизации инференса.
• Опыт построения RAG-систем, работы с эмбеддингами и векторным поиском.
• Опыт настройки мониторинга, логирования и CI/CD.