Vallettasoftware - разработчик кастомного мобильного/веб-ПО в США и Европе. Наши команды реализуют ИТ-проекты различной сложности, включая разработку веб-сайтов и мобильных приложений, корпоративные системы и решения на основе искусственного интеллекта и машинного обучения (AI/ML).

Наша компания заняла место среди Чемпионов Clutch Fall 2025. Эти награды подтверждают, что мы входим в ТОП-15 компаний-разработчиков ИИ-агентов!

Мы — распределенная команда, вы можете работать из любой точки мира, кроме РФ и РБ, при условии обеспечения тишины, хорошего интернет-соединения, доступности и надлежащей рабочей обстановки.

Мы ищем Senior / Lead AI Engineer для создания готовых к эксплуатации ИИ-систем, где:

• LLM является основным уровнем решения
• Агентные рабочие процессы используются в качестве основного паттерна оркестрации
• Качество системы управляется посредством оценки
• Надежность, наблюдаемость и контроль затрат проектируются как часть архитектуры, а не добавляются позже

Это не бэкенд-инженер с функциями ИИ, и не промпт-инженер.

Это инженер, который знает, как создавать ИИ-нативные системы от начала до конца и доводить их до продакшена.

1. Жесткие требования

1.1. AI / LLM Системы

Обязательно:

• Реальный опыт разработки и внедрения LLM-систем в продакшен
• Опыт работы с API LLM: OpenAI / Anthropic / Gemini / аналогичные
• Разработка промптов (Prompt design)
• Структурированные выводы (Structured outputs)
• Инструментальное / функциональное вызывание (Tool / function calling)
• Выбор моделей и понимание компромиссов между моделями

1.2. Агентные системы

Обязательно:

• Опыт проектирования многоэтапных рабочих процессов
• Опыт разработки систем на основе агентов: одноагентные и/или многоагентные
• Оркестрация: планирование, выполнение, повторные попытки, резервное копирование, верификация
• Управление:
  • Состоянием (State)
  • Контекстом (Context)
  • Памятью (Memory)
• Понимание, когда агентный подход необходим, а когда нет
• Понимание границ доверия в агентных системах
• Принцип наименьших привилегий для разрешений инструментов
• Защита от косвенных инъекций промптов через внешние данные (извлечение, результаты инструментов, внешние API)

1.3. Оценка и контроль качества

Обязательно:

• Создание конвейеров оценки (evaluation pipelines)
• Офлайн-оценка
• Сравнение версий промптов / моделей
• Метрики качества
• Подходы к онлайн-валидации / A/B-тестированию / циклам человеческого обзора
• Способность связать оценку с реальным качеством продукта

1.4. Управление контекстом и контроль галлюцинаций

Обязательно:

• Управление контекстом:
  • Стратегии чанкинга (Chunking strategies)
  • Оптимизация контекстного окна
  • Паттерны памяти (Memory patterns)
  • Контроль области поиска (Retrieval scope control)
• Методы снижения галлюцинаций:
  • Заземление (Grounding)
  • Поиск (Retrieval)
  • Проверка с помощью инструментов (Tool-based verification)
  • Ограничения (Constraints)
  • Паттерны самопроверки / валидации (Self-check / validation patterns)

1.5. Продакшен / LLM Ops / Надежность

Обязательно:

• Повторные попытки / экспоненциальная задержка (Retries / exponential backoff)
• Обработка тайм-аутов (Timeout handling)
• Резервные варианты / маршрутизация моделей (Fallbacks / model routing)
• Деградированный режим / плавный отказ (Degraded mode / graceful failure)
• Обработка ограничений скорости (Rate-limit handling)
• Наблюдаемость (Observability):
  • Задержка (Latency)
  • Использование токенов (Token usage)
  • Стоимость (Cost)
  • Частота сбоев (Failure rate)
  • Сигналы качества вывода (Output quality signals)
• Контроль затрат (Cost control)
• Мониторинг и отладка ИИ-систем в продакшене
• Обработка PII: фильтрация перед логированием, изоляция клиентов в памяти и при поиске
• Валидация вывода и средства защиты контента (Output validation and content guardrails)
• Осведомленность о рисках конфиденциальности данных при использовании внешних API LLM

1.6. Данные / Поиск

Обязательно:

• Понимание конвейеров поиска (retrieval pipelines):
  • Эмбеддинги (Embeddings)
  • Чанкинг (Chunking)
  • Переранжирование (Reranking)
  • Настройка качества поиска (Retrieval quality tuning)
• Опыт работы с векторными хранилищами / векторными БД любого типа
• Работа со структурированными и неструктурированными данными

1.7. Инженерная основа

Обязательно:

Str