Міндеттері

LLM негізіндегі AI агенттерін жобалау және әзірлеу:

• Көп агенттік жүйелердің архитектурасы: оркестр, делегация, агенттер арасындағы байланыс
• Ойлау тізбегін жобалау (Chain-of-Thought, ReAct, Tree-Of-Thought)
• Күрделі тапсырмаларды ыдырату: ішкі тапсырмаларға бөлу, жоспарлау, аралық нәтижелерді тексеру
• Құрылымдық өндірістерді жазу: system/user / assistant рөлдері, few-shot мысалдары, контекстік инъекциялар
• Өндірістегі шартты логика: сценарийлердің тармақталуы, guard rails, fallback-нұсқаулар
• Функцияға қоңырау шалу: схема сипаттамасы, қоңырауларды маршрутизациялау, жауаптарды өңдеу, Құралдар тізбегі
• Мәтінмәндік тереземен жұмыс: ұзындықты басқару, ақпаратқа басымдық беру, тарихты қысу
• Өнеркәсіптік оңтайландыру: A / B тестілеу, сапа көрсеткіштері (accuracy, latency, cost), итеративті жақсарту
• Edge-cases өңдеу: галлюцинациялар, сәтсіздіктер, күтпеген жауап форматтары
• Prompt injection кірістерді қорғау және тексеру
• Retry-exponential backoff және jitter бар логика
• Rate limits-пен жұмыс: троттлинг, сұрау кезектері, жүктемені бөлу
• Пагинация (cursor-based, offset-based), іріктеу лимиттерін айналып өту
• Қателерді өңдеу: circuit breaker, graceful degradation, fallback сценарийлері
• Сұраныстардың идемпотенттілігі, қайталануы
• API қоңырауларын тіркеу, бақылау және бақылау

  Қосымша:

  • RAG құбырларын құру және теңшеу: индекстеу, chunking, retrieval, reranking
  • Fine-tuning LLM-бизнес-міндеттердің ерекшелігі бойынша модельдер
  • Токен шығынын бақылау және оңтайландыру, API қоңырауларының құнын бақылау
  • Таза кодта сызықтық емес диалогтық сценарийлер мен ai көмекшілерін әзірлеу
  • Production-да шешімдерді тестілеу, жөндеу және шығару

Талаптар

Міндетті:

• Түйінді сенімді иелену.js (async / await, кезекпен жұмыс, қателерді өңдеу)
• LLM жұмыс принциптерін түсіну және олардың негізінде практикалық даму тәжірибесі
• RAG жүйелерімен жұмыс тәжірибесі: LlamaIndex, LangChain немесе аналогтар
• RAG архитектурасын түсіну: эмбеддингтер, векторлық мәліметтер базасы (Pinecone, Weaviate, Qdrant, Chroma)
• Токен шығынын бақылау және оңтайландыру дағдылары, LLM провайдерлерінің бағасын түсіну
• Деректер базасының тәжірибесі (PostgreSQL, MongoDB немесе аналогтар)
• Git-пен сенімді жұмыс (тармақталу, Code review, CI / CD)
• Шешімдерді прототиптен состояния жағдайына дейін жеткізу мүмкіндігі

Плюс болады:

• Fine-tuning модельдерінің тәжірибесі (OpenAI fine-tuning API, LoRA/QLoRA open-source модельдері үшін)
• N8n-де AI-workflow құру тәжірибесі
• LLM бақылау құралдарымен танысу (LangSmith, Helicone, өз шешімдері)
• Telegram/WhatsApp боттарын әзірлеу тәжірибесі
• Open-source LLM (Llama, Mistral) және олардың депласымен жұмыс

  Шарттар

  • Қашықтан жұмыс немесе Астана қ. кеңсесінде
  • Икемді кесте
  • Нөлден бастап өнімді дамытуға қатысу
  • Өзекті AI-стекпен және нақты бизнес-кейстермен жұмыс істеу
  • Командада кәсіби өсу мүмкіндігі