Мы — R&D-команда, которая решает исследовательские и инженерные задачи в области многоагентных систем (MAS, Multi-Agent Systems). Мы разрабатываем многоагентные пайплайны и систему оркестрации на графах: задаём роли и правила взаимодействия агентов и настраиваем процесс так, чтобы финальный ответ продукта был точнее, быстрее и дешевле. В работе важны воспроизводимость, тестируемость и аккуратная инженерия: чистый код, понятные изменения, метрики качества и контроль регрессий.
Обязанности
Разработка многоагентных систем на графах (Graph-based MAS)
• Реализация отдельных агентов под прикладные подзадачи (tool-use, researcher, verifier, coder и т. д.)
• Проектирование графа взаимодействий: маршрутизация, переходы состояний, обработка ошибок, политики ретраев
• Интеграция агентов с инструментами и данными (в т. ч. retrieval/RAG-компоненты при необходимости).
Оптимизационные алгоритмы на графе (Graph Optimization)
• Написание чистого кода для алгоритмов оптимизации графа: упрощение, pruning, переупорядочивание шагов, эвристики выбора ветки
• Оптимизация стоимости/времени ответа: кеширование, переиспользование результатов, сокращение лишних вызовов
• Поддержка метрик и профилирования: где теряем качество, где тратим токены/время, где можно ускорить.
Качество и тестирование (Quality & Testing)
• Тестирование функционала: unit/integration тесты для компонентов графа и логики агентов
• Регрессионные проверки качества ответов (автоматические проверки формата, стабильности и корректности)
• Поддержка воспроизводимости: фиксирование конфигураций, датасетов, версий, базовые эксперименты.
Prompt engineering и контроль качества ответа (Prompting & Evaluation):
• Разработка системных/роль-инструкций и шаблонов промптов для повышения точности и стабильности.
• Улучшение структуры ответа (формат, проверяемость, минимизация галлюцинаций, self-check/verification шаги).
Требования
- Хорошее знание Python 3.12 и уверенное написание кода самостоятельно (понимание того, что и почему работает).
- Базовые знания в области машинного обучения и больших языковых моделей (ML/LLM)
- Понимание, что такое агент, и как его можно реализовать (состояние, инструменты, шаги, проверки результата)
- Опыт работы с LangGraph/LangChain (или аналогичными фреймворками оркестрации)
- Понимание терминов и подходов: RAG, inference, embeddings, semantic search, retrieval
- Понимание основ векторной алгебры, эмбеддингов и семантического поиска
- Уверенная работа с GitHub/GitLab: PR/MR, review, pre-commit, аккуратные коммиты, ведение issues
- Готовность писать тесты и поддерживать качество кода (читаемость, структура, регрессии)
Технологический стек:
- Языки: Python 3.12, Bash
- Фреймворки и библиотеки: PyTorch, NumPy, Pandas, Pydantic
- LLM/MAS: LangChain, LangGraph (или аналоги)
- Графы: rustworkx (дополнительно — знакомство с NetworkX)
- Процессы: Git (GitHub/GitLab), code review, pre-commit, понятные коммиты, ведение issues
Условия
- Комфортный современный офис рядом с м. Кутузовская
- Гибридный формат работы
- Корпоративный спортзал и зоны отдыха
- Более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
- Программа адаптации и помощь руководителя на старте
- Вознаграждение за рекомендацию друзей в команду Сбера.
