Обязанности:

Проектировать и разрабатывать RAG-пайплайны: chunking, embedding, retrieval, reranking, generation
Подбирать стратегии обработки и разбиения документов под разные типы контента (recursive, semantic, document-aware chunking)
Работать с разными форматами данных: PDF, DOCX, XLSX, изображения, документы без текстового слоя
Настраивать и оптимизировать векторный и гибридный поиск
Проектировать flow с логикой вызовов: роутинг, условные переходы, цепочки промптов
Разрабатывать агентные системы с использованием инструментов и многошаговым планированием
Интегрировать внешние модели: embedding-модели, rerankers, классификаторы, vision-модели
Оценивать качество систем: настраивать retrieval-метрики (hit rate, MRR, NDCG), проводить оценку генерации (RAGAS, faithfulness, relevancy)
Контейнеризировать и деплоить решения на on-prem инфраструктуру

Требования

Опыт работы от 3х лет
Опыт работы с AI инструментами: от года
Опыт создания RAG-систем
Понимание архитектуры LLM: принципы работы трансформеров, управление контекстным окном, ограничения по токенам, стратегии работы с длинным контекстом (chunking, map-reduce, refine), узкие места inference
Знание NLP: токенизация, эмбеддинги, работа с текстом на разных языках
LangChain, LlamaIndex
LLM-инференс: OpenAI API, GigaChat API, vLLM, Ollama
Векторные БД: FAISS, Qdrant, Milvus, Chroma, Weaviate, Elasticsearch
Hybrid search: BM25 + dense retrieval, reciprocal rank fusion
Embedding-модели: e5, bge, multilingual-e5
Python, Git, Docker, docker-compose
PostgreSQL, Redis
Методы оценки: hit rate, RAGAS, human evaluation
Способность объяснить принятые технические решения и их trade-offs

Условия

LLM/RAG/AI Engineer