Python/AI Engineer (GenAI)

Мы строим мультиагентную систему глубокого анализа макроэкономических и финансовых трендов.

MVP уже работает на облачной инфраструктуре с внешними моделями (Claude, Perplexity). Сейчас переводим систему на собственные инструменты, модели и источники данных, интегрируем во внутренние контуры банка с соблюдением требований безопасности, IT‑говернанса и финансовых регуляторов.

Роль Python/AI Engineer фокусируется на прикладном слое:

реализация агентов, RAG‑пайплайны, backend‑сервисы, подключение LLM к внутренним инструментам, графам знаний и данным организации.

При этом мы ищем сильного инженера Python, который понимает LLM на уровне разработки и интеграции, но имеет глубокие навыки в backend, оптимизации, CI/CD и ETL.

Backend и производительность

·         разработка и поддержка backend‑приложений на Python (FastAPI / Django / Flask).

·         оптимизация производительности сервисов (профилирование, кэширование, асинхронность).

·         интеграция с внешними API и внутренними БД банка (PostgreSQL, Redis, Kafka и др.).

·         разработка и поддержка ETL‑процессов для финансовых данных

AI‑агенты и RAG (прикладной уровень).

·         реализация специализированных агентов: системные промпты, инструменты, guardrails.

·         End‑to‑end RAG: ингестия, препроцессинг, чанкинг, эмбеддинги, гибридный поиск, реранкинг.

·         парсинг сложных финансовых документов (Table Transformers, OCR).

·         создание инструментов для агентов: API для интернет‑поиска, коннекторы к БД и RAG.

·         Tool‑calling, JSON‑схемы, обработка недетерминированного поведения LLM.

Инженерное сопровождение

·         сборка и развертывание в Docker, Kubernetes.

·         настройка CI/CD для LLM‑сервисов.

·         оценка качества: golden datasets, LLM‑as‑judge, детекция галлюцинаций, метрики ретривала.

Опыт

· 3+ лет коммерческой разработки на Python с продакшн‑деплоем.

·         опыт разработки AI/LLM решений: RAG, AI‑агенты (мультиагентные или compound‑системы) — как минимум 1 проект в продакшне.

·         желателен опыт в финансовом секторе или банковской сфере (но не обязателен).

Backend и инфраструктура

·         продвинутый Python: async, type hints, production‑grade код

· FastAPI / Django / Flask — уверенное владение хотя бы одним.

·         SQL и NoSQL (PostgreSQL, Kafka, OpenSearch, ClickHouse)

· Docker, Kubernetes, CI/CD — практический опыт.

·         обработка данных: ETL, Pandas / Polars, работа с большими объёмами

LLM и агентные фреймворки (на уровне разработки).

·         LLM API: Claude, GPT, Gemini + базовое понимание self‑hosted (LLaMA, Mistral).

· LangGraph, LangChain, LlamaIndex, CrewAI — опыт работы с любым агентным фреймворком.

·         понимание MCP (Model Context Protocol) — преимущество

RAG.

·         глубокая экспертиза в RAG: dense/sparse retrieval, hybrid search, HyDE, GraphRAG (понимание).

Будет преимуществом

·         ML‑библиотеки (PyTorch / TensorFlow) — базовое понимание.

·         опыт оптимизации REST/gRPC API (высокая нагрузка).

·         Fine‑tuning (LoRA, QLoRA) — не требуется, но плюс.

·         фреймворки оценки LLM (DeepEval, Ragas).

·         работа с финансовыми документами, регуляторной отчётностью.

• ежегодный пересмотр зарплаты, годовая премия
• корпоративный спортзал и зоны отдыха
• более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
• расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа
• ипотека выгоднее до 7% для каждого сотрудника
• прайм с возможностью совместного использования на трёх близких
• вознаграждение за рекомендацию друзей в команду Сбера.