Наша команда занимается разработкой внутренних сервисов для разработчиков. Это коллаборативная платформа для организации разработки, портал баз знаний и интерактивным ассистентом, помогающий проходить весь путь разработки продукта от идеи до внедрения. Сейчас мы активно внедряем ИИ в различные сценарии использования продуктов.
Наш стек: Python, Postgres, LangChain, OpenSearch. Код в Bitbucket, трекер JIRA, CI/CD Jenkins, закатываем в Docker, деплоим в облако.
Обязанности
- Проектирование и поддержка ETL/ELT-процессов для данных под RAG: сбор, очистка, нормализация, чанкинг, генерация эмбеддингов.
- Создание AI-агентов (в том числе мульти-агентных систем).
- Разработка и поддержка Python-сервисов.
- Работа с «сырыми» данными из внутренних систем Сбера (wiki, тикеты, логи, код) — их структурирование и подготовка для LLM.
- Исследование и подготовка данных для обучения моделей, adhoc.
- Тестирование собственного кода и ревью чужого.
Требования
- Опыт разработки AI-агентов (в том числе мульти-агентных систем) с использованием библиотек оркестрации (LangGraph, LangChain, AutoGen, CrewAI).
- Понимание и практическое применение MCP протокола (Model Context Protocol) для интеграции агентов с внешними инструментами и сервисами.
- Глубокое знание RAG (Retrieval-Augmented Generation): построение пайплайнов индексации, продвинутые техники ретрива (HyDE, self-query, reranking), работа с чанкингом и эмбеддингами.
- Опыт работы с LLM через API и локально: системные промпты, few-shot, инструменты (function/tool calling), потоковая обработка (streaming).
- Хорошее знание Python (асинхронное программирование, типизация, dataclasses/Pydantic) для разработки сервисов на базе агентов.
- Git, Docker (сборка образов, композ, работа в облачном окружении).
- Графовые базы данных.
Будет плюсом (и это важно для нас):
- Опыт подготовки неидеальных, «живых» данных — парсинг, дедупликация, обработка мусора, нормализация текста из разных источников (Markdown, Confluence, Jira, код-базы).
- Понимание метрик качества данных для RAG — полнота, связность чанков, релевантность эмбеддингов, затраты на индексацию vs качество retrieval.
- Готовность копаться в логах и трейсах агента, чтобы понять, почему он плохо находит нужный контекст (и исправить это на уровне данных или промпта).
Условия
- Официальное трудоустройство согласно ТК РФ
- Белая заработная плата (оклад + годовая премия)
- Возможность обучения за счет компании
- Страхование (от несчастных случаев, ДМС)
- График работы: 5/2 (офис или гибрид)
- Оздоровительные программы для детей сотрудников
- Дисконт-программы от компаний партнеров (фитнес, страхование, туризм)
- Льготное кредитование, ипотека
- Экспертная и талантливая команда, у которой можно многому научиться
- Культура открытости и взаимовыручки: наша команда состоит из людей, вовлеченных в процесс и не безразличных к тому, что они делают
- Высокая скорость процессов и возможность быстро увидеть свой вклад
- Возможность влиять на процесс и результат
- Адрес: БЦ Даниловский Форт., М. Тульская / Нагатинская / Верхние Котлы
