О компании
Мы создаём продукт нового класса: персональный AI-агент— для руководителей и команд, которым важна приватность данных и независимость от облаков. Наш агент работает локально, на устройстве клиента, умеет думать, помнить и действовать — в режиме 24/7.
Мы небольшая и быстрая команда. Нам нужен человек, который не просто умеет строить AI-системы, а понимает, как они должны работать в реальной жизни.
Кого ищем
Ведущего AI-инженера и архитектора — человека, который берёт на себя полную техническую ответственность за платформу: от архитектуры агента до инфраструктуры и деплоя на железо клиента.
Это не позиция «сделать пару LLM-запросов». Это проектирование живой системы с памятью, инструментами, оркестрацией и реальными пользователями.
Что предстоит делать
- Проектировать и развивать мультиагентную on-premise AI-платформу: оркестратор, планировщик инструментов, multi-LLM роутинг, управление контекстом.
- Строить и улучшать гибридную систему памяти: RAG (pgvector) + GraphRAG (LightRAG / ArangoDB), политики записи, дедупликация, чистота данных.
- Разрабатывать агентные воркфлоу: n8n, кастомные webhook-цепочки, триггеры, cron-задачи, интеграция с внешними сервисами.
- Обеспечивать инфраструктуру: Docker Compose, развёртывание на Mac и Linux-серверах, мониторинг, логирование, резервирование.
- Работать с локальными LLM: Qwen3 / llama.cpp / vLLM, квантизация, тюнинг производительности под Apple Silicon и x86.
- Поддерживать кросс-платформенный деплой: один и тот же стек работает на Mac и на Linux-сервере (bare metal или VPS) в dev/staging — без расхождений в поведении.
- Участвовать в формировании продуктовой архитектуры: онбординг клиентов, конфигурирование агента, первичная настройка устройства (AP Mode, визорд, Chat-UI).
- Писать технические ТЗ и документацию для подрядчиков и внутренней команды.
Что важно для нас
Обязательно:
- Опыт проектирования и реализации агентных AI-систем (LLM Agents, Tool Calling, Multi-agent Orchestration) — не теоретический, а с продакшн-результатом.
- Глубокое понимание RAG-архитектур: dense retrieval, hybrid search, GraphRAG, управление namespace и чистотой графа.
- Уверенный Python, опыт с pgvector / ArangoDB или аналогами, Docker / Docker Compose.
- Опыт работы с on-premise и private AI — развёртывание на собственном железе, без облаков.
- Опыт развёртывания и эксплуатации AI-стека на Linux (Ubuntu/Debian) и macOS (Apple Silicon) — понимание отличий в сетевом стеке, systemd, оптимизации под ARM vs x86.
- Умение делать полный цикл в одиночку или в маленькой команде: архитектура → разработка → деплой → поддержка.
Будет плюсом:
- Опыт с vLLM, llama.cpp, Ollama, работа с квантизированными моделями.
- Знание специфики Apple Silicon (Metal, MLX, llama.cpp с GPU-offload) — тюнинг производительности инференса на Mac Mini.
- Опыт сборки кросс-платформенных образов Docker (linux/arm64 + linux/amd64).
- Kubernetes, MLOps / LLMOps, Grafana / Prometheus / InfluxDB.
- Опыт построения команды с нуля или технического лидерства.
- Опыт в промышленных или enterprise-проектах — понимание, что значит «сложный заказчик».
- Scala, Kafka, Cassandra — как дополнение к основному стеку.
Что мы предлагаем
- Работу над реальным продуктом, который уже продаётся и используется — не R&D ради R&D.
- Полную техническую автономию: архитектурные решения принимаешь ты, не комитет из 15 человек.
- Формат работы: гибрид или удалённо, командировки по договорённости.
- Возможность вырасти в технического директора по мере масштабирования продукта.
- Конкурентная зарплата — обсуждается индивидуально, исходя из уровня кандидата.
Стек
Python · n8n · Docker Compose · PostgreSQL + pgvector · LightRAG · Qdrant · Ollama · Qwen3 · llama.cpp / vLLM · Mac Mini M4 Pro (Apple Silicon) · Linux (Ubuntu/Debian, bare metal и VM) · FastAPI · Telegram Bot API · OCR · systemd · Nginx
Как отозваться
Напишите нам коротко:
- Что вы уже строили из перечисленного — желательно со ссылками или описанием.
- Что из задач в этой вакансии вам близко больше всего.
- Почему AI.
- Когда готовы начать
Мы читаем каждый отклик лично и отвечаем быстро.
