О команде и задаче:

Сейчас мы строим AI-инфраструктуру для автоматизации ключевых операций: умный поиск по договорам, автоматическая обработка заявок, аналитика рисков, и интеллектуальные агенты, которые выполняют сквозные бизнес-процессы.

Чем предстоит заниматься:

Этап 1. RAG-система для работы с договорами (1–2 месяца)

Собрать пайплайн загрузки документов: парсинг PDF/Word, нарезка на чанки, сохранение в векторную БД (Qdrant или pgvector).
Настроить гибридный поиск: vector similarity + BM25/TF-IDF keyword search.
Внедрить re-ranker (cross-encoder, bge-reranker или аналог) для повышения точности топ-k результатов.
Построить систему оценки качества: метрики RAGAS (faithfulness, answer relevancy, context precision), A/B-тестирование промптов.
Интегрировать с Telegram-ботом и Bitrix24 — коллеги получают ответы на вопросы по договорам в привычных интерфейсах.
Настроить CI/CD, мониторинг (LangSmith или собственный логгер), обработку ошибок.

Этап 2. Оркестрация агентов (2–4 месяца)

Проектировать и реализовывать мульти-агентные системы на LangGraph: разбиение сложных задач на подзадачи, маршрутизация между специализированными агентами.
Строить ReAct-агентов и агентов с Tool Calling — подключение к 1С, Bitrix24, календарям, базе знаний, внешним API.
Разрабатывать state machines для управления контекстом диалога, памятью (short-term + long-term), обработкой ошибок и откатами (human-in-the-loop).
Создавать инструменты (tools) для агентов: поиск по договорам, расчёт арендных ставок, генерация уведомлений, анализ финансовых показателей.
Оптимизировать latency и стоимость: кэширование, выбор моделей, streaming-ответы.
Внедрять tracing и observability: LangSmith, LangFuse или кастомные дашборды.

С кем вы будете работать:

Технический специалист

Отвечает за инфраструктуру, сервера, 1С-конфигурации, интеграции. Помогает с доступами, развёртыванием, архитектурными вопросами.

Процессолог.

Знает все бизнес-процессы «как есть» и «как должно быть». Поставщик экспертизы, тестировщик промптов, валидатор результатов.

1С-специалист

Поддержка по интеграции с 1С: публикация web-сервисов, настройка обмена данными, консультации по структуре данных.

Руководитель проекта.

Формирует приоритеты, согласует архитектурные решения, обеспечивает ресурсы и убирает блокеры.

Технический стек:

Язык / Фреймворки

Python 3.11+, FastAPI, Pydantic, asyncio

LLM / Orchestration

LangChain, LangGraph, OpenAI API, YandexGPT, GigaChat

RAG / Поиск

Qdrant, pgvector, FAISS, sentence-transformers, bge-reranker, cross-encoders, BM25 (rank-bm25, elasticsearch)

Инфраструктура

Docker, Docker Compose, GitLab CI/CD, nginx

Интеграции

Telegram Bot API, Bitrix24 REST API, 1С Web-сервисы (SOAP/JSON), PostgreSQL

Мониторинг

LangSmith, LangFuse, Prometheus/Grafana (опционально), Sentry

Требования:

Обязательно (мы проверим на собеседовании):

Опыт построения RAG-систем в production: chunking, embedding, vector search, re-ranking. Минимум 1 завершённый проект, который используется реальными пользователями.
Уверенное владение LangChain или LangGraph: построение цепочек, агентов, работа с памятью, интеграция инструментов (tools).
Python на уровне middle+: асинхронное программирование, работа с API, тестирование (pytest).
Понимание принципов работы LLM: контекстное окно, промпт-инжиниринг, ограничения моделей, hallucination mitigation.
Опыт работы с векторными БД: Qdrant, pgvector, Pinecone, Chroma или FAISS — настройка, оптимизация, гибридный поиск.

Будет плюсом:

Опыт оркестрации мульти-агентных систем: LangGraph, CrewAI, AutoGen или собственные решения.
Знание ReAct, Tool Calling, планирования (plan-and-execute, reflection).
Опыт интеграции с 1С: web-сервисы, OData, COM-соединение.
Опыт работы с Bitrix24 API, Telegram Bot API.
Навыки MLOps: CI/CD для ML, версионирование моделей, A/B-тестирование.
Понимание метрик качества RAG: RAGAS, custom evals, human evaluation.
Опыт работы с open-source LLM: LLaMA, Mistral, Saiga — дообучение, квантизация, развёртывание.

Какой подход к работе мы ждём:

Самостоятельность: ставите задачи себе сами на основе бизнес-целей, а не ждёте ТЗ.
Прагматизм: выбираете простое решение, которое работает, а не самое модное.
Документирование: фиксируете архитектурные решения, промпты, известные ограничения.
Коммуникация: регулярно показываете результат, обсуждаете проблемы до того, как они станут кризисом.
Владение полным циклом: от проектирования до production, включая тестирование и мониторинг.

Что это НЕ такое:

Мы ценим ваше время и хотим, чтобы вы приняли осознанное решение. Эта позиция НЕ подойдёт, если:

Вы хотите заниматься только исследованиями и публикациями — у нас production, нужен рабочий код, который не падает под нагрузкой.
Вам нужен большой IT-департамент с развитой инфраструктурой — у нас стартап внутри стабильной компании, многое придётся делать с нуля.
Вы ищете удалённую работу — позиция предполагает присутствие в офисе в Петербурге.
Вы не готовы разбираться в предметной области (аренда недвижимости, договоры, 1С) — без этого невозможно строить качественные AI-системы.
Вас пугает отладка промптов и ручной анализ ошибок — это 30–40% работы в любом RAG-проекте.

Что мы предлагаем:

Офис в Санкт-Петербурге, полный день. Гибкий старт рабочего дня (8:00–11:00).
Реальная автономия: вы принимаете архитектурные решения, выбираете инструменты, строите процессы разработки.
Прямой доступ к бизнес-экспертам: процессолог и руководители направлений отвечают на вопросы в течение часа.
Быстрая обратная связь: ваш код в production через недели, а не месяцы.
Видимый результат: каждая фича сразу используется сотрудниками компании.
Рост вместе с проектом: по мере развития AI-инфраструктуры — расширение команды, новые направления (компьютерное зрение, предиктивная аналитика).

Как откликнуться:

Напишите в сопроводительном письме короткие ответы на эти вопросы (достаточно 3–5 предложений на каждый):

1. Опишите ваш самый сложный RAG-проект: какая была задача, какой пайплайн вы построили, какие метрики качества достигли? Как вы измеряли точность retrieval и качество генерации?

2. Приходилось ли вам строить системы с несколькими взаимодействующими агентами? Как вы управляли состоянием (state), маршрутизацией и обработкой ошибок? Использовали ли LangGraph, CrewAI или другие фреймворки?

3. Как вы подходите к оптимизации latency и стоимости в LLM-проектах? Приведите пример: какое решение вы заменили и какой результат получили?

4. Опыт работы с 1С, Bitrix24 или другими корпоративными системами — есть ли? Если нет — готовы ли разбираться?

5. Ссылка на GitHub / портфолио / примеры кода (не обязательно, но сильно повышает шансы на быстрый скрининг).

Вакансии в УК Балтис

Вакансии

AI-инженер

Вакансии в УК Балтис

Вакансии

AI-инженер