Fullstack-разработчик / GenAI engineer

Python
Ищем Fullstack-разработчика, осваивающего GenAI ( RAG, LLM-оркестрация, интеграции и пр.)
/ Ai engineer с бэкграундом в fullstack-разработке.

Фарма-Перископ — это продуктовая AI-/data-компания, которая создаёт платформы для анализа коммуникаций фармкомпаний с врачами и автоматизации контент-процессов. Мы работаем с крупными международными и российскими производителями, развиваем собственные модули конкурентной аналитики, мониторинга, прогнозирования и AI-инструменты вокруг больших массивов медицинского и маркетингового контента. Команда небольшая, гибкая, инженерная, с быстрыми циклами разработки, высоким уровнем автономии и фокусом на реальную пользу: прозрачные данные, автоматизация рутины и умные сервисы для рынка здравоохранения. 5 лет на рынке. Растем.

Требования к опыту и стеку / что понадобится
1. LLM-инженерия и обработка естественного языка
Опыт решения задач:

построение многоступенчатых LLM-воркфлоу;

- классификация запросов, маршрутизация, определение интента;

- генерация структурированных ответов под строгими правилами;

- построение guardrails, проверок политик и комплайнса;

- работа с prompt-архитектурами, системными ролями, инструкционными пайплайнами.

Знание LLM-API:

OpenAI / Claude / Llama-локальные модели;

- умение работать с токен-лимитами, rate limits, логированием.

2. Retrieval-Augmented Generation (RAG)
Нужен уверенный опыт в создании RAG-систем:

построение ETL-цепочек: загрузка → парсинг → нормализация → нарезка → эмбеддинги;

- работа с PDF/HTML/docx-документами, включая сложные структуры;

- генерация эмбеддингов (OpenAI, local, bge, Instructor и т.п.);

- построение поискового слоя: dense vectors, hybrid search, reranking;

- опыт оптимизации качества поиска: chunking strategy, context windows, indexing policies.

Хранилища:

Qdrant / Elastic / Weaviate / Pinecone (любой векторный движок);

- Postgres + S3-подобные стораджи.

3. API-интеграции и работа с внешними источниками данных
Опыт интеграции крупного внешнего контента:

загрузка больших массивов документов из API;

- соблюдение разных типов лицензий и правил доступа;

- кэширование, версионирование, периодическая репликация данных;

- парсинг сложных страниц и документов;

- работа с XML/JSON API (Entrez, REST, SOAP, custom endpoints).

4. Backend-разработка
Нужен уверенный инженерный подход:

Python (FastAPI или аналогичный фреймворк);

- построение модульной архитектуры с отдельным Core API;

- асинхронные пайплайны и очереди (Celery, Redis streams, asyncio);

- авторизация/аутентификация, логирование, rate-limiting.

5. Автоматизация процессов и интеграционные оркестраторы
Опыт работы хотя бы с одним низко-кодовым/оркестрационным инструментом:

n8n / Airflow / Make / Zapier self-hosted / Node-RED;

- создание кастомных нод или HTTP-коннекторов;

- обработка писем через IMAP/SMTP;

- вызовы к REST API сторонних систем;

- построение цепочек автоматизаций с учётом SLA, ошибок, ретраев.

6. Работа с базами данных и инфраструктурой

уверенный SQL (Postgres);

- нормализация схем, индексы, миграции;

- Docker, docker-compose;

- базовый DevOps: деплой, логирование, мониторинг.

Плюсом будет:

опыт self-hosted развёртывания сервисов (n8n, Qdrant, внутренние APIs);

- понимание distributed systems и масштабирования воркфлоу.

7. Опыт работы в среде Cursor (или аналогичных AI-IDE)

умение вести разработку в AI-ориентированной среде: структурирование задач, работа с ветками, управление изменениями через AI-ассистентов;

- опыт построения длинных технических цепочек (ETL, RAG, интеграции) внутри Cursor с корректным разбиением на файлы и модули;

- понимание, как использовать Cursor для ускорения разработки: рефакторинг, автогенерация кода, создание тестов, поддержка документации;

- способность выстраивать чистую архитектуру, чтобы AI-IDE не “ломала” проект и не вносила ошибки.

8. Безопасность и комплайнс
Необходимо понимать базовые принципы:

ограничения на вывод моделей (guardrails, policy enforcement);

- фильтрация опасных запросов;

- режимы ограниченного доступа к данным;

- строгий учёт источников в выводе;

- запрет на персональные данные и защита пользовательских входов.

В идеале еще:

Опыт разработки Telegram-ботов

Базовые frontend-компетенции

Обязанности

1. Архитектура и системный дизайн

разработка архитектуры AI-модулей, RAG-поиска, ETL-конвейеров и backend-сервисов;

- проектирование структур данных, индексов, хранилищ и API-слоёв;

- выбор и обоснование технического стека, библиотек, моделей, инфраструктурных решений;

- постановка технических стандартов, схемы версионирования контента и принципов комплайнса.

2. Проектирование компонентной схемы и ключевых модулей

декомпозиция проектов на подсистемы: Core API, оркестратор LLM, индексы, интеграции, Telegram-фронт;

- проектирование потоков данных: загрузка → обработка → индексация → inference;

- создание архитектуры автоматизации процессов (CMS ↔ n8n ↔ внешние сервисы);

- определение SLA, точек отказа, механизмов ретрая и мониторинга.

3. Полный цикл разработки и реализация

разработка backend-логики (Python/FastAPI), ETL-пайплайнов, модулей RAG и векторных индексов;

- реализация Telegram-бота как фронтенда: меню, состояния, онбординг, ограничения доступа;

- интеграция с API внешних источников, почтовых серверов, CMS, n8n-воркфлоу;

- создание минимальных фронтенд-панелей для внутренних инструментов и админки.

4. Инфраструктура, развёртывание и поддержка

подготовка Docker-окружения, self-hosted сервисов (n8n, векторные БД, API-сервисы);

- настройка логирования, мониторинга и стабильной работы пайплайнов;

- регулярное обновление индексов, обработка ошибок, оптимизация скорости и качества поиска;

- контроль соответствия проектных решений требованиям безопасности и лицензирования.

5. Контроль качества, валидация и улучшение моделей

внедрение guardrails, проверок политик и корректной маршрутизации запросов;

- отладка и оптимизация RAG (chunking, embeddings, ranking, prompt-flows);

- тестирование модулей, аудит данных, корректность цитирования и ссылок;

- инициирование улучшений архитектуры и постоянная оптимизация всей системы.

Что важно в подходе

системное мышление в архитектуре AI-проектов;

- умение работать с большим количеством документов и форматов;

- аккуратность в данных и соблюдение лицензионных ограничений;

- гибкость между высокоуровневым ML и практическим backend-кодом;

- готовность писать чистый, предсказуемый, читаемый Python.

Условия

удаленка (без совмещений)

- з/п в рынке, бонусы и премии

- мы - трудоголики и достигаторы (ищем таких же)

- тестовое задание

Откликнуться

EditPublish

Fullstack-разработчик / GenAI Engineer