Наша команда развивает LLM- и AI-agent решения для продуктов торгового финансирования и факторинга.
Наш фокус — не исследовательские прототипы, а агенты, которые работают внутри реальных бизнес-процессов: взаимодействуют с внутренними сервисами, документами и данными, принимают промежуточные решения и помогают автоматизировать сложные пользовательские сценарии.
Мы проходим полный путь от гипотезы и прототипа до промышленной эксплуатации, масштабирования и развития решения.
Обязанности
- проектировать архитектуру агентов: декомпозиция задачи на узлы и саб-агентов, управление состоянием, маршрутизация, tool calling и взаимодействие с внешними сервисами
- разрабатывать агентные workflow для сложных бизнес-процессов, в том числе связанных с документами, базами знаний и данными клиента
- развивать RAG и retrieval-механизмы: поиск, reranking, управление контекстом, работа с большими и неоднородными базами знаний
- проектировать prompts, context engineering и structured output для устойчивой работы LLM
- создавать механизмы evaluation агентных систем: offline-наборы, автоматические метрики, LLM-as-a-judge, регрессионное тестирование, анализ ошибок
- повышать качество и надёжность агентов: бороться с галлюцинациями, нестабильностью поведения, ошибками маршрутизации и tool calling
- оптимизировать latency, стоимость и количество токенов, выбирать модели под конкретные этапы сценария
- доводить решения до production и сопровождать их после запуска.
- участвовать в проработке бизнес-сценариев и переводить бизнес-задачу в архитектуру AI-решения.
Требования
- 3+ года в Data Science / ML / NLP, включая практический опыт разработки решений на базе LLM
- опыт создания LLM-систем, которые дошли до production, а не только PoC или pet-project
- практический опыт разработки RAG- или agentic-систем
- хорошее понимание принципов работы современных LLM: контекст, prompting, structured generation, ограничения и типичные failure modes
- опыт построения сложных workflow: state management, routing, retries, fallbacks, tool calling
- умение системно оценивать качество LLM-решений: формировать датасеты, метрики, eval-пайплайны и анализировать ошибки
- хороший Python и инженерная культура: тестируемый код, понятные интерфейсы, документация
- понимание production-аспектов LLM-систем: observability, logging, latency, стоимость, отказоустойчивость
- опыт интеграции ML/LLM-решений с внешними API и корпоративными сервисами.
Будет плюсом:
- опыт построения мультиагентных систем и автономных workflow
- опыт разработки переиспользуемых компонентов / платформ для создания агентов
- опыт работы с document AI: классификация документов, extraction, OCR / multimodal LLM
- опыт работы с guardrails и LLM security: prompt injection, data leakage, разграничение доступа к инструментам и данным
- опыт применения human-in-the-loop подходов в критичных бизнес-процессах
- опыт оптимизации стоимости и задержек LLM-систем: model routing, caching, batching, управление контекстом
- опыт с ML/LLMOps и системами трассировки / мониторинга LLM-приложений
- опыт с SFT / LoRA / другими подходами к адаптации моделей под прикладные сценариию.
Условия
- комфортный современный офис рядом с м. Кутузовская, ул. Кутузовский проспект 32, формат работы - гибрид
- корпоративный спортзал и зоны отдыха
- более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
- расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная програма
- бесплатная подписка Прайм
- вознаграждение за рекомендацию друзей в команду Сбера.
