LawCopilot.ai — AI-first компания, создающая юридических AI-агентов для среднего и крупного бизнеса в России и Таиланде. Мы работаем с большими данными — более 23 млн документов российского законодательства, включая 21 кодекс, 3.8M+ судебных актов и 500K+ нормативных актов. Продукт уже стоит в топовых юридических компаниях России, в компаниях среднего и крупного бизнеса.
Мы привлекли венчурный раунд инвестиций в РФ, чтобы реализовать нашу стратегию - достижения лидерства на российском рынке, и активно расширяем команду ML-инженеров. Наш RAG-пайплайн работает с inline-цитированием, Extended Thinking и 11+ MCP-инструментами. Мы используем несколько провайдеров LLM: Anthropic, OpenAI, YandexGPT, GigaChat.
Чем предстоит заниматься - Evaluation Framework (первый приоритет) Cоздание repeatable pipeline для измерения качества retrieval: golden dataset из 200+ аннотированных юридических запросов, метрики MRR@K, NDCG@K, Recall@K, Precision@K, faithfulness
- Интеграция в CI/CD — каждый PR проходит через eval, порог деградации < 5%
- Hybrid Search Quality Доведение до production связки Dense + BM25 + Cross-Encoder Reranker
- A/B тестирование трёх режимов, калибровка RRF fusion weights, оптимизация reranker pipeline (bge-reranker-v2-m3, 568M params)
- Цель — Recall@10 ≥ 85%
- Улучшение Recall (качество извлечения) Системная работа над повышением полноты извлечения релевантных документов из базы в 23M+
- Оптимизация query expansion: автоматическое расширение запросов синонимами и смежными нормами (например, «неустойка» → «ст. 330 ГК» + «штрафные санкции»)
- Исследование multi-hop retrieval для сложных юридических вопросов, затрагивающих несколько кодексов
- Тюнинг HNSW-параметров (m, ef_construct, ef_search) под 4096-dim векторы
- Анализ и устранение failure cases: когда и почему релевантный документ не попадает в топ-K
- Цель — Recall@10 с текущего baseline до ≥85%, Recall@20 ≥93%
- Chunking Quality Оптимизация разбиения юридических текстов: semantic/agentic chunking, специализированные чанкеры для разных типов документов
- Переиндексация 23M документов за дни, а не месяцы: параллелизация, batching, resume/checkpoint, оценка local vs API embeddings
- Оптимизация разбиения юридических текстов: semantic/agentic chunking, специализированные чанкеры для разных типов документов
-
23M+ vectors в < 120GB RAM: INT8 scalar, binary quantization, HNSW tuning для 4096-dim vectors, ON_DISK payload
Что мы ожидаем
- Python — 3+ лет production (FastAPI, async/await, Pydantic)
- Векторные БД — практический опыт (Qdrant / Pinecone / Weaviate / Milvus)
- RAG-пайплайны — глубокое понимание: chunking → embedding → retrieval → reranking → generation
- Embedding-модели — sentence-transformers, FRIDA, ColBERT, OpenAI embeddings или аналоги
- Hybrid search — Dense + BM25/Sparse, fusion strategies (RRF, weighted)
- IR-метрики — практический опыт с MRR, NDCG, Recall@K, Precision@K
- Docker — уверенная работа с docker-compose, multi-service стеки
Сильный плюс
- Qdrant — named vectors, payload indexes, quantization, hybrid search
- Cross-encoder reranking — bge-reranker, ColBERT или аналоги
- NLP для русского языка — токенизация, морфология, юридическая терминология
- Anthropic Claude / MCP — tool definitions, streaming, prompt engineering
- PostgreSQL — Alembic migrations, async (asyncpg)
- Redis — session management, caching
- gRPC — опыт с Qdrant gRPC client
- Legal domain — опыт в LegalTech, работа с нормативными документами
Soft Skills
- Самостоятельность — async-формат работы, минимальный микроменеджмент
- Метрический подход — каждое изменение измеримо (before/after eval)
- Документирование — README, inline comments для неочевидных решений
- Английский — чтение документации, коммиты на английском
Формат
Гибридный (удалённо + офис)
Офис
МИК «Ломоносов», Москва, Раменский бульвар, 1
Занятость
Полная занятость
Вознаграждение
200 000 — 350 000 ₽/мес. в зависимости от уровня компетенций и продуктивности + опционная программа. Возможность роста до CTO
