СберСпасибо — это уникальная экосистема лояльности, которая объединяет миллионы клиентов с партнерами и брендами по всей стране. Мы больше, чем программа бонусов, это сообщество людей, которые каждый день делают свою жизнь ярче благодаря возможностям, которые мы предлагаем.
Более 91 миллиона активных участников, каждый из которых находит выгоду в покупках. Мы обрабатываем более 10 000 транзакций в секунду, что демонстрирует нашу скорость и масштабы работы.
Сегодня команда СберСпасибо работает над созданием единой программы лояльности для всей экосистемы Сбера, стремясь сделать покупки еще удобнее, выгоднее и проще.
Сотрудничаем с более чем 1000 региональных и федеральных партнеров, включая ведущие бренды страны.
ЧЕМ ПРЕДСТОИТ ЗАНИМАТЬСЯ:
- Повышение качества RAG-агентов на трёх направлениях: поиск по
технической документации, по нормативной базе, по бухгалтерской
документации;
- Промпт-инжиниринг и контекст-инжиниринг для всех агентов команды;
- Подготовка эталонных наборов оценки качества;
- Реализация LLM-as-a-judge как методологии автоматических
регрессионных проверок;
- Настройка защит (guards) для production-агентов: фильтры от
инъекций в промпт, валидация структуры и контента выходов,
защита от утечек ПДн, anti-hallucination механизмы;
- A/B-тестирование промптов и моделей для подбора лучших конфигураций;
- Тюнинг качества по сигналам обратной связи пользователей и
трассировкам из Langfuse.
Требования:
- Python от 2 лет коммерческой разработки;
- Практический опыт RAG-систем в продакшене: эмбеддинги, векторные
базы (Qdrant, FAISS или pgvector), переранжирование, чанкинг.
Опыт построения и поддержки как минимум одного RAG-решения от
начала до конца, не прототип;
- Практический опыт оценки качества LLM-систем: подготовка эталонных
наборов, offline-метрики, LLM-as-judge, регрессионные проверки.
Опыт работы с фреймворками оценки (Ragas, DeepEval или аналоги);
- Практический опыт настройки защит для LLM-приложений: защита от
инъекций в промпт, валидация структуры и контента выходов,
защита от утечек персональных данных;
- Опыт промпт-инжиниринга и контекст-инжиниринга в реальных
проектах: итеративная настройка промптов, structured output,
function calling;
- Понимание архитектуры RAG: стратегии нарезки документов, метаданные,
выбор моделей эмбеддингов, переранжирование, точность ссылок на
источник;
- Практический опыт работы хотя бы с одним LLM-фреймворком:
LangChain, LangGraph, PydanticAI, OpenAI API или аналоги;
- Практический опыт A/B-тестирования промптов и моделей в продакшене;
- Опыт работы с агентскими протоколами (MCP) или собственным
tool-layer для агентов;
- SQL и работа с реляционными базами на базовом уровне.
АО «ЦЕНТР ПРОГРАММ ЛОЯЛЬНОСТИ» представляет бренд Спасибо
Будьте осторожны: если работодатель просит войти через Google, iCloud или Госуслуги, прислать код или пароль, запустить ПО или перевести деньги — это мошенники.