Обязанности

Мы - исследовательская группа AIRI, института искусственного интеллекта и крупнейшей в России автономной некоммерческой организации, ведущей фундаментальные и прикладные исследования в области ИИ. Мы создаём платформу автоматического конструирования агентных систем, которая превращает естественно-языковую постановку задачи в готовый к исполнению пайплайн из взаимодействующих агентов, запускает его в изолированном окружении и автоматически улучшает по заданным метрикам.

Направление объединяет три взаимосвязанных контура: генератор агентных пайплайнов (синтез цепочек рассуждений из текстового описания), оркестратор многоагентных систем (исполнение типизированных шагов рассуждений как направленного ациклического графа с автоматической параллелизацией) и эволюционный движок генерации агентов (генетический поиск, который перебирает варианты пайплайнов и промптов по нескольким метрикам и продвигает сильнейшие). Это исследовательская работа на стыке LLM/NLP, многоагентных систем и эволюционных алгоритмов, результаты которой мы публикуем и выкладываем в открытый код.

Что предстоит делать?

Разрабатывать и развивать генератор агентных пайплайнов: превращать текстовую постановку задачи в исполняемую цепочку из типизированных шагов рассуждений с зависимостями и контекстом.

Проектировать и оптимизировать DAG-ориентированный движок оркестрации многошаговых рассуждений: автоматическая параллелизация независимых шагов, асинхронное исполнение, потоковая передача результатов, кэширование и условный пропуск стадий.

Развивать эволюционный движок генерации и самоулучшения агентов: генетический поиск по пространству пайплайнов и промптов, quality-diversity-алгоритмы, островные конфигурации с миграцией, мутации на базе LLM, отбор сильнейших вариантов по нескольким метрикам.

Реализовывать и исследовать agentic-паттерны: циклы «рассуждение - действие - наблюдение», самокритику и рефлексию с накоплением опыта, планирование, мультиагентную оркестрацию (супервайзер, передача управления, дебаты).

Развивать механизмы памяти агентов и RAG-подходы: извлечение релевантного контекста по шагам, векторный поиск, изоляция и версионирование состояния, перенос накопленного опыта между запусками.

Разрабатывать инструментальное взаимодействие агентов: подключение внешних инструментов, стандартизированные протоколы вызова, безопасное исполнение в изолированном окружении.

Строить систему evaluation и бенчмаркинга агентных пайплайнов: метрики качества, наборы данных, трассировка и визуализация исполнения, учёт стоимости и расхода токенов.

Создавать proof-of-concept новых возможностей, доводить исследовательские результаты до публикаций и открытого кода, участвовать в развитии распределённой микросервисной инфраструктуры экспериментов.

Технологический стек:

Python 3.12+, асинхронность и параллелизм (asyncio), строгая типизация, dataclasses, Pydantic.

Генератор агентных пайплайнов: автоматический синтез цепочек рассуждений из текстовой постановки задачи.

DAG-ориентированный движок оркестрации: типизированные шаги (вызов LLM, инструменты, преобразования, условные переходы, структурированный вывод, обращение к памяти), зависимости между шагами, автоматическая параллелизация.

Эволюционный движок генерации агентов: генетический поиск, quality-diversity (MAP-Elites), островные модели с миграцией, LLM-мутации, автоматическая оптимизация промптов

Agentic-паттерны: цикл «рассуждение - действие - наблюдение», самокритика и рефлексия, планирование, мультиагентная оркестрация (супервайзер, передача управления, дебаты, параллельный сэмплинг).

RAG-подходы, векторный поиск и извлечение релевантного контекста по шагам, память агентов (кратко- и долгосрочная).

Инструментное взаимодействие (tool use), интеграция внешних инструментов и стандартизированных протоколов вызова инструментов.

Evaluation и бенчмаркинг агентных систем: метрики, датасеты, трассировка исполнения, оценка стоимости и расхода токенов.

LLM с OpenAI-совместимым API, маршрутизация между несколькими моделями

Docker и контейнеризация, микросервисная архитектура, распределённые воркеры, очереди задач, объектное хранилище.

Требования

Уверенный опыт разработки на Python 3.12+; владение современными средствами (asyncio, typing, dataclasses, Pydantic), асинхронностью и параллелизмом.

Практический опыт построения LLM/агентных пайплайнов: оркестрация цепочек рассуждений, agentic-паттерны (цикл «рассуждение - действие - наблюдение», рефлексия и аналогичные подходы), инструментальное взаимодействие (tool use).

Понимание архитектур RAG (Retrieval-Augmented Generation) и работы с векторным поиском и извлечением контекста.

Навыки prompt engineering и работы с LLM через OpenAI-совместимые API, понимание ограничений и особенностей современных моделей.

Опыт проектирования распределённых систем и микросервисов (Docker, контейнеризация); понимание принципов разработки ПО (тестирование, CI/CD, дизайн-паттерны).

Английский язык на уровне чтения и написания технической документации и научных статей.

Будет плюсом:

Публикации на конференциях уровня A* (top-tier ML/NLP/AI - например, NeurIPS, ICML, ICLR, ACL, EMNLP, AAAI и аналогичные; уровень A* подтверждён международным рейтингом CORE) - будет существенным преимуществом.

Опыт работы с эволюционными алгоритмами и quality-diversity-подходами (генетический поиск, MAP-Elites, островные модели) применительно к генерации кода, промптов или агентов.

Опыт автоматической оптимизации промптов и подходов к самоулучшающимся агентным системам.

Опыт построения систем evaluation и бенчмаркинга агентов и LLM-пайплайнов.

Опыт работы с оркестраторами очередей задач, распределёнными воркерами и объектными хранилищами; навыки построения наблюдаемых (observable) систем (трассировка, метрики, визуализация).

Участие в профессиональных конференциях, соревнованиях, грантах по машинному обучению; вклад в open-source проекты.

AIRI

17 авг.

Инженер-исследователь

ЗП не указана, ≈ 249 033 ₽

AIRI

17 авг.

Инженер-исследователь

ЗП не указана, ≈ 249 033 ₽

Glean

16 авг.

Инженер по стратегическим решениям

ЗП не указана, ≈ 249 033 ₽

Удалённо

Glean

16 авг.

Менеджер по успеху внедрения ИИ

ЗП не указана, ≈ 249 033 ₽

Удалённо

C-level

Gitlab

16 авг.

Инженер по искусственному интеллекту

ЗП не указана, ≈ 249 033 ₽

🇺🇸 США

Удалённо

Senior

Gitlab

16 авг.

Руководитель инженерной группы (ИИ-инжиниринг: чат)

ЗП не указана, ≈ 249 033 ₽

🇬🇧 Великобритания,🇨🇦 Канада

Удалённо

Lead

Исследователь-разработчик (LLM/NLP)

Исследователь-разработчик агентных систем (LLM/NLP) Автоматическое конструирование, оркестрация и эволюция многоагентных систем

Обязанности

Требования

Отправить резюме

Наш телеграм канал с вакансиями каждый день

Оффер быстрее с Эйч

Оффер быстрее с Эйч

Похожие вакансии

Инженер-исследователь

Инженер-исследователь

Инженер по стратегическим решениям

Менеджер по успеху внедрения ИИ

Инженер по искусственному интеллекту

Руководитель инженерной группы (ИИ-инжиниринг: чат)