Python AI Engineer

Обязанности - Приём RD-решений от Data Science команды (агенты на AutoGen, RAG-пайплайны на LangChain) и их трансформация в production-ready микросервисы на FastAPI. - Проектирование и реализация Agent Gateway — оркестрационного слоя между приложением и агентной средой. - Интеграция векторных баз данных и embedding-пайплайнов в сервисную архитектуру. - Настройка и оптимизация Redis как брокера очередей между сервисами. - Проектирование контрактов API (OpenAPI-спецификации) для взаимодействия микросервисов. - Контейнеризация сервисов, поддержка единого Docker Compose окружения. - Оптимизация производительности inference-пайплайнов (батчинг, кэширование, управление памятью). - Участие в код-ревью и соблюдение стандартов разработки. - Подготовка и актуализация технической документации на сервисы агентной среды. - Участие в процессах CI/CD и сопровождение приложений в промышленной среде. Требования - Опыт коммерческой разработки на Python от 3 лет. - Уверенное знание Python 3 и основных принципов разработки ПО (ООП, SOLID, паттерны проектирования). - Опыт разработки backend-приложений с использованием: FastAPI, Django/DRF. - Опыт проектирования и разработки REST API. - Понимание кода и архитектуры ML-пайплайнов на базе LangChain, AutoGen или аналогичных фреймворков (умение читать, рефакторить и оборачивать RD-решения в production-ready сервисы). - Опыт работы с векторными базами данных (FAISS, Chroma, Milvus или аналогичные). - Опыт работы с брокерами сообщений и очередями задач (Redis, RabbitMQ, Celery, ARQ или аналогичные). - Понимание принципов микросервисной архитектуры. - Опыт работы с Docker и Docker Compose, оркестрация многосервисных окружений. - Опыт работы с асинхронным Python (asyncio, aiohttp, uvicorn). - Опыт работы с Git. - Понимание принципов CI/CD. - Уверенные знания SQL и опыт работы с реляционными базами данных (PostgreSQL). - Опыт работы с объектными хранилищами (MinIO / S3). Будет плюсом - Опыт работы с Kubernetes. - Опыт работы с ML-фреймворками (PyTorch, HuggingFace Transformers) на уровне понимания inference-пайплайнов. - Опыт развертывания и обслуживания LLM-сервисов (vLLM, TGI, Ollama или аналогичные). - Опыт работы с Apache Airflow или аналогичными оркестраторами пайплайнов. - Опыт работы с системами мониторинга и observability (Prometheus, Grafana, ELK). - Понимание RAG-архитектур: chunking-стратегии, embedding-модели, retrieval-подходы.