AI Agent Engineer

О продукте и стеке

Мы создаём B2B-платформу автономных ИИ-агентов для рынка США. Агенты ведут многошаговые рабочие процессы с несколькими участниками — со сроками, документами и перепиской — и выполняют действия во внешних системах: электронная почта, CRM, календари, документы. Ключевые действия проходят через подтверждение человеком.

Стек: Python 3.12+ (asyncio, строгая типизация, Pydantic v2), FastAPI, SQLAlchemy, PostgreSQL, Redis, Docker, CI/CD, облачная инфраструктура, MCP. Используем managed-модели Anthropic, OpenAI и Google через API и SDK.

Модель работы — ближе к Forward Deployed Engineer: значительная часть внедрений идёт в инфраструктуре клиентов, с их данными и системами. Это означает работу с секретами (Vault или аналог), доступ по принципу минимальных привилегий, аудит каждого действия агента и прямое обсуждение архитектуры с инженерной командой клиента.

Что предстоит делать

Проектировать агентные системы. Модель выполнения, декомпозиция задач, управление состоянием, контекстом и памятью, набор инструментов, оркестрация и передача задач между агентами. Участие человека, подтверждение действий, модель отказов и границы автономности — до начала реализации.
Разрабатывать ядро агентов. Циклы работы агента, вызов инструментов, структурированный вывод, навыки, хуки, планирование и многоагентные процессы на Python.
Создавать защищённый доступ к данным и действиям. MCP-серверы, A2A-взаимодействие, API и интеграционные модули. Идентификация агентов, OAuth, разграничение прав, least privilege, проверка вызовов инструментов, идемпотентность, аудит действий.
Строить серверную часть для production. Асинхронные и событийные сервисы, очереди, длительные фоновые задачи; вебхуки и потоковая передача. Контейнеризация, CI/CD, развёртывание в облачной или клиентской инфраструктуре.
Обеспечивать измеримое качество. Стратегия evals и эталонные наборы, регрессионные тесты, анализ трасс; retry, timeout, резервные сценарии, ограничения поведения и мониторинг — как часть жизненного цикла решения.
Проводить техническое обследование вместе с клиентом. Разбор фактического процесса, данных, ограничений и систем; перевод неоднозначной бизнес-задачи в архитектуру, план внедрения, критерии приёмки и измеримый эффект.
Доводить внедрение до устойчивой работы. Прототипы на реальных сценариях, архитектурные решения с командой клиента, запуск в production и ответственность за технический результат после запуска.
Возвращать опыт внедрений в платформу. Повторяемые навыки агентов, интеграционные модули, схемы развёртывания; технические выводы для масштабирования решений на других клиентов.

Первые 90 дней

Довести первое клиентское внедрение от обследования процесса до production с согласованными критериями приёмки.
Разработать MCP-серверы и интеграционные модули для двух-трёх корпоративных систем клиента.
Заложить стандарты интеграционного слоя платформы: идентификация агентов, разграничение прав, идемпотентность, аудит действий.

Обязательные требования

По каждому пункту на интервью спросим детали и артефакты.

• Лично довели LLM- или агентную систему до production: разберёте архитектуру, ограничения, собственный вклад и показатели после запуска.
• Разрабатывали MCP-серверы или эквивалентные tool-интеграции с контролем полномочий агента — жёсткое требование, спросим детали реализации.
• Python на уровне production: asyncio, типизация, Pydantic v2, SQLAlchemy, тестирование, проектирование API, обработка ошибок, конкурентное выполнение.
• Production-инфраструктура: FastAPI, PostgreSQL, Redis, очереди, Docker, CI/CD, наблюдаемость, облачные сервисы.
• Самостоятельная работа с бизнес-заказчиком: обследование процессов, уточнение требований, защита технических решений, доведение до согласованных критериев результата.
• Английский B2 или выше: общение с инженерными командами клиентов.

Будет преимуществом

• Опыт в роли Forward Deployed Engineer, AI Deployment Engineer или Applied AI Engineer с личной ответственностью за production-внедрение.
• Внедрение агентных систем в регулируемой, высоконагруженной или многопользовательской среде.
• A2A-взаимодействие и многоагентная оркестрация в production.
• Вклад в открытые агентные фреймворки, MCP-серверы, SDK или инструменты оценки качества.

Условия

• Полная занятость, удалённая работа. Синхронное окно команды: с 10:00–11:00 до 20:00–21:00 МСК.
• Сложные инженерные задачи на стыке архитектуры агентных систем, backend-разработки, интеграций и production AI.
• Высокая самостоятельность в инженерных решениях; оценка по результату.

Как откликнуться

Вместо стандартного сопроводительного письма:

• Разберите одно production-внедрение ИИ-агента, за которое отвечали лично: бизнес-процесс и критерии успеха, архитектура и стек, инструменты и внешние системы, реализованные вами компоненты, подход к evals и безопасности, результат после запуска. Приложите верифицируемые артефакты: GitHub, работающие продукты, архитектурные разборы.
• Ответьте на вопрос: спроектируйте безопасную выдачу агенту права отправлять письма от имени клиента — идентификация агента, ограничение полномочий, подтверждение человеком, идемпотентность при повторных попытках, аудит. Эскиз архитектуры на 10–15 предложений.
• Опишите, что в этом внедрении не получилось и почему.

Отклики из общих формулировок без верифицируемых артефактов не рассматриваются.