Senior AI Engineer (LLM / Product AI)

DevCasi

КипрУдалённоSeniorПолная занятость

#vacancy #вакансия #job #AI #remote Вакансия: Senior AI Engineer (LLM / Product AI)

Компания: DevCasi

Локация: Кипр

Занятость: полный день, удаленный формат

Зарплатная вилка:3000-4000 USDT

Сфера: IGaming

О роли

Мы — B2B-платформа для iGaming, на которой наши клиенты запускают собственные продукты.

AI-направление охватывает внутренние инструменты и клиентскую часть: работу с аналитикой, управление продуктом через API, рекомендации, виртуальных персонажей и другие пользовательские сценарии.

Роль предполагает высокую техническую автономию и участие в принятии архитектурных решений. Детали задач и приоритеты обсудим на интервью.

Чем предстоит заниматься

Развивать LLM-агентов для работы с данными из ClickHouse и PostgreSQL.

Подключать агентов к API платформы, чтобы они могли помогать настраивать продукт и выполнять действия.

Проектировать безопасное выполнение действий: проверку прав, валидацию параметров, подтверждение критических операций, аудит и откат.

Обеспечивать строгую изоляцию данных, контекста и доступных действий между тенантами.

Развивать RAG по документации продукта.

Работать над клиентскими AI-функциями: рекомендациями, подсказками, виртуальными персонажами и диалоговыми сценариями.

Строить evals и регрессионные наборы для контроля качества ответов и действий агентов.

Принимать архитектурные решения: что использовать готовым, что разрабатывать самостоятельно и где нужен self-hosted inference.

Интегрировать AI-сервисы в существующую инфраструктуру: Kubernetes, Kafka, CI/CD и наблюдаемость.

Требования

5+ лет в разработке и практический опыт запуска LLM-систем в продакшен.

Python и опыт эксплуатации сервисов под реальной нагрузкой.

Практический опыт с RAG, tool calling и агентами, выполняющими действия через API.

Понимание ограничений LLM-систем и типичных сценариев отказа.

Опыт построения evaluation-контуров.

SQL и опыт работы с аналитическими СУБД: ClickHouse, BigQuery, Snowflake или аналогами.

Понимание безопасности LLM-приложений: prompt injection, контроль доступа и предотвращение утечек между тенантами.

Понимание принципов построения надёжных агентных систем: авторизация, подтверждение действий, идемпотентность, аудит и обработка частичных сбоев.

Самостоятельность — задачи приходят как «нужно, чтобы работало», а не как готовое ТЗ.

Английский B2+.

Будет плюсом: опыт в регулируемых доменах — iGaming или финтех; recsys/ranking; Go на уровне чтения кода; Kubernetes и Kafka; понимание экономики GPU-инференса.

Инструменты

Ждём опыта с частью этого стека

Агенты: LangGraph, OpenAI Agents SDK, DSPy, Pydantic AI.

Evals и трейсинг: Langfuse, LangSmith, Braintrust, DeepEval, Arize Phoenix.

Гейтвей и роутинг: LiteLLM, Portkey.

RAG: pgvector, Qdrant, Weaviate, реранкеры.

Инференс: vLLM, SGLang.

Интеграции: MCP.

Конкретный набор неважен — важно понимать, зачем нужен каждый слой и что произойдёт, если его убрать.

Наш стек

Python, Go, Kubernetes, Argo CD, Kafka, ClickHouse, PostgreSQL, Grafana/Loki, GitLab CI.

Условия

Реальные данные и нагрузка, зрелая инженерная инфраструктура, бюджет на модели и эксперименты.

Отклик

Пришлите резюме и 5–10 предложений об одной AI-системе, которую вы довели до продакшена: что она делала, как измеряли качество, что сломалось после запуска и как вы это исправили.

Навыки

Обновлено 10 августа