Используем cookie для работы сайта и статистики. «Хорошо» разрешит ещё и запись сессий.
LLevel Up Basketball
Остин, Соединенные Штаты1 месяц назад
Грейд
Senior
Опыт работы
от 7 лет
Формат работы
Офис
Уровень английского
B2, выше среднего
Письмо на почту или сообщение рекрутеру в Telegram
Инженер по прикладной ИИ
Внедрять продакшн-системы на основе агентов – Проектировать и создавать агентов и рабочие процессы агентов, которые решают определенную проблему от начала до конца. Вы отвечаете за промпты, инструменты, поиск, системы защиты, наблюдаемость, бюджеты затрат и задержек, а также за развертывание
Предоставлять рекомендации по управлению и безопасности, касающиеся дизайнов, стратегии и использования ИИ
Автоматизировать рабочие процессы экспертов – Определять высокоэффективные операционные задачи (конвейеры проверки, контроль качества контента, циклы маркировки и операций, сортировка обращений в службу поддержки, внутренние помощники) и сотрудничать с экспертами, управляющими этими рабочими процессами, для определения критериев успеха, проверки результатов и замены значительных частей этой работы системами ИИ, которым они доверяют. Эксперты являются совладельцами качества с начала проекта
Обеспечивать безопасность функций ИИ – Относитесь к тому, что вы поставляете, как к регулируемому продукту. Проектируйте с учетом соответствующих нормативных рамок (например, COPPA, FERPA, NIST CSF 2.0) с первого дня, проводите оценки безопасности и предвзятости перед запуском и непрерывно после него, а также создавайте элементы управления «человек в контуре» и фильтрации контента, необходимые функциям ИИ, прежде чем они достигнут конечных пользователей
Передавать то, что вы поставляете – Продакшн-функции покидают ваши руки с документацией, руководствами по эксплуатации, средством оценки и дашбордами
Сделать функции ИИ более простыми для использования командами – способствовать культуре безопасного внедрения ИИ с управляемыми экосистемами, которые интегрируют и позволяют кросс-функциональным командам создавать и улучшать свои собственные рабочие процессы и автоматизации
Более 7 лет профессионального опыта работы инженером, из которых не менее 1 года практического опыта создания систем на основе агентов с использованием как минимум одного современного стека (LangGraph, Anthropic SDK / Claude Agent SDK, OpenAI Agents SDK, Pydantic-AI, Mastra, LlamaIndex, CrewAI или собственной разработки). Нам важно, чтобы вы создавали и эксплуатировали системы на основе агентов в продакшене, а не какой конкретно фреймворк
Хорошее знание Python плюс один типизированный язык для продакшн-сервисов (TypeScript, Go или аналогичный). Опыт работы с облачными платформами (AWS или GCP) и контейнеризированное развертывание
Основы разработки программного обеспечения (формальное образование или самообучение) с многолетним опытом работы в продакшн-среде и послужным списком успешных запусков систем
Несколько запущенных в продакшн функций на основе LLM с конкретными историями о том, что сломалось, как вы это исправили и что бы вы сделали по-другому
Практические знания распространенных паттернов агентов: ReAct, использование инструментов со структурированными схемами, цепочки промптов, маршрутизация, оркестратор-исполнители, оценщик-оптимизатор / рефлексия и «человек в контуре». Вы можете определить, когда детерминированный рабочий процесс является правильным решением вместо автономного агента
Практический опыт работы в продакшн-среде с поиском: чанкинг, эмбеддинги, гибридный поиск, ре-ранжирование, фильтрация по метаданным и сбои каждого из них. Рабочие знания техник заземления, которые привязывают сгенерированные ответы к найденным доказательствам (цитирование и извлечение цитат, оценки достоверности и отказа, последующие проверки согласованности)
Сильная практика промпт-инжиниринга: паттерны zero-shot, few-shot и many-shot; выбор и порядок примеров; обучение в контексте и цепочка рассуждений
Уверенность в работе со структурированным выводом и валидацией в продакшне (нативные для поставщика структурированные выводы, Instructor, Pydantic-AI, Outlines или аналогичный подход)
Дисциплинированная практика оценки. Вы не полагаетесь на субъективное рассмотрение для принятия решения о готовности системы
Опыт развертывания локальных моделей, а также создания и тестирования закрытых локальных модельных решений
Отличные письменные и устные коммуникативные навыки. Вы можете объяснить архитектурный компромисс как руководителю, так и младшему инженеру в течение одной недели
Вы комфортно используете инструменты для написания кода на базе ИИ в своем рабочем процессе реализации, при этом вы отвечаете за постановку задачи, выбор дизайна и проверку. Мы оцениваем вашу работу по количеству работающих систем, а не по количеству написанных строк кода
Расширенный опыт поиска: GraphRAG, поиск на основе агентов, настройка поиска на основе оценки и гибридный поиск в масштабе
Прямой или передаваемый опыт работы с ограничениями безопасности, конфиденциальности и политики для ИИ, ориентированного на пользователя. Опыт работы в сфере K-12 или в других регулируемых областях является большим плюсом
Опыт работы с фреймворками оптимизации промптов (DSPy, TEXTGRAD, AdalFlow), когда они дали результаты в продакшне
Публичный репозиторий, пакет, gist или техническая статья о значительной работе в области ИИ, или репрезентативный проект, который вы можете подробно описать в рамках ваших ограничений конфиденциальности
Вклад в разработку инструментов ИИ с открытым исходным кодом (фреймворки, агенты, средства оценки, серверы MCP)
Applied AI Engineer
What You'll Do:
Ship production agentic systems- Design and build agents and agentic workflows that solve a defined problem end to end. You own prompts, tools, retrieval, guardrails, observability, cost and latency budgets, and rollout.
Provide governance and security guidance surrounding AI designs, strategy, and usage.
Automate SME workflows- Identify high-leverage operational toil (review pipelines, content QA, labeling and ops loops, support triage, internal copilots) and partner with the SMEs running those workflows to define success criteria, validate outputs, and replace meaningful chunks of that work with AI systems they trust. SMEs are co-owners of quality from the start of the project.
Make AI features safe- Treat what you deliver as a regulated product. Design for relevant compliance frameworks (e.g., COPPA, FERPA, NIST CSF 2.0) from day one, run safety and bias evals before launch and continuously after, and build the human-in-the-loop and content-filtering controls AI features need before they reach end users.
Hand off what you ship- Production features leave your hands with documentation, runbooks, an eval harness, and dashboards.
Make AI features easier for the teams to utilize- foster a culture of safe AI adoption with manageable ecosystems that integrate and enable cross-functional teams to create and enhance their own workflows and automations.
What You Need:
7+ years professional experience as an Engineer with at least 1+ years of hands-on experience building agentic systems on at least one modern stack (LangGraph, the Anthropic SDK / Claude Agent SDK, OpenAI Agents SDK, Pydantic-AI, Mastra, LlamaIndex, CrewAI, or a homegrown stack). We care that you have built and operated agentic systems in production, not which framework.
Strong Python familiarity plus one typed language for production services (TypeScript, Go, or similar). Cloud experience (AWS or GCP) and containerized deployment.
Software engineering foundation (formal or autodidact), with several years of production environment experience and a track record of leading systems to launch.
Multiple shipped LLM-powered features in a production environment, with concrete stories about what broke, how you fixed it, and what you would do differently.
Practical knowledge of common agentic patterns: ReAct, tool use with structured schemas, prompt chaining, routing, orchestrator-workers, evaluator-optimizer / reflection, and human-in-the-loop. You can decide when a deterministic workflow is the right answer instead of an autonomous agent.
Hands-on experience in a production environment with retrieval: chunking, embeddings, hybrid search, re-ranking, metadata filtering, and the failure modes of each. Working knowledge of grounding techniques that anchor generated answers in retrieved evidence (citation and quote extraction, faithfulness and refusal evals, post-hoc consistency checks).
Strong prompt-engineering practice: zero-shot, few-shot, and many-shot patterns; example selection and ordering; in-context learning and chain-of-thought.
Comfort with structured output and validation in production (provider-native structured outputs, Instructor, Pydantic-AI, Outlines, or a comparable approach).
Disciplined evaluation practice. You do not rely on subjective review to decide whether a system is ready.
Experience in standing up local models and creating and testing closed local model solutions.
Strong written and verbal communication. You can explain an architectural trade-off to an executive and to a junior engineer in the same week.
You are comfortable using AI coding tools heavily in your implementation workflow while you own problem framing, design choices, and verification. We measure your output by working systems delivered, not lines of code written.
Nice to Have:
Advanced retrieval experience: GraphRAG, agentic retrieval, evaluation-driven retrieval tuning, and hybrid retrieval at scale.
Direct or transferable experience with safety, privacy, and policy constraints in user-facing AI. K-12 or other regulated-domain experience is a strong plus.
Experience with prompt-optimization frameworks (DSPy, TEXTGRAD, AdalFlow) where they paid off in production.
A public repo, package, gist, or technical write-up of meaningful AI work, or a representative project you can describe in detail under your confidentiality constraints.
Open-source contributions to AI tooling (frameworks, agents, evals, MCP servers).
Сравним навыки, грейд, формат работы и зарплату
Чаще всего от 157 000 до 203 000
