Agent Knowledge Engineer (AI Agents) / Инженер по знаниям и поведению агентов (Middle/Senior)

Локация: Астана; удалённая работа. Синхронное окно команды: 10:00–11:00 до 20:00–21:00 по Москве.

Зарплата: от 100 000 RUB в месяц до вычета налогов.

Компания

Создаётся B2B-платформа автономных ИИ-агентов для рынка США, работающих с многошаговыми процессами, документами, перепиской и внешними системами.

Что делать

• Формализовать профессиональные роли вместе с предметными экспертами: задачи, критерии решений, исключения, полномочия и условия эскалации.
• Настраивать навыки, структуру знаний, инструкции, примеры и правила использования инструментов в рамках готовой агентской архитектуры.
• Формировать обучающие и оценочные наборы из реальных кейсов, экспертных исправлений и граничных сценариев.
• Анализировать трассы выполнения, классифицировать причины ошибок и корректировать материалы обучения или конфигурацию агента.
• Определять критерии готовности роли, проводить evals и регрессионные проверки, версионировать изменения.
• За первые 90 дней формализовать первую роль, довести агента до устойчивого прохождения evals и задокументировать переиспользуемую методику.

Требования

• Python на уровне Middle/Senior: чтение и доработка существующего кода, работа с API и данными.
• Production-опыт с LLM-приложениями или агентами; понимание взаимодействия модели, контекста, памяти, знаний и инструментов.
• Практический опыт улучшения поведения агента на основе реальных задач, трасс выполнения и обратной связи экспертов с измерением результата.
• Умение отличать пробелы в обучении от проблем данных, инструментов, модели или архитектурных ограничений.
• Опыт проектирования evals на основе ground truth, работы с экспертной оценкой и регрессионного покрытия недетерминированного поведения.
• Английский B1 или выше.

Хорошо, если есть

• Опыт с нестандартными агентными архитектурами, синтетическими данными, автоматическими graders или обучающими средами.
• Опыт fine-tuning или post-training моделей.
• Опыт обучения агентов для сложных предметных областей, long-horizon- или многоагентных систем.

Культура и преимущества

• Полная занятость и удалённый формат работы.
• Возможность определять подходы к обучению и развитию поведения агентов на уровне всей платформы.
• Прямая связь между экспериментами и качеством продукта; оценка по результату.
• Ключевые действия агентов проходят через подтверждение человеком.

Процесс найма

• Вместо стандартного сопроводительного письма требуется разобрать кейс обучения ИИ-агента и приложить верифицируемые артефакты.
• Нужно показать, как неформализованное правило эксперта превращается в проверяемый критерий решения и eval-сценарий.
• Требуется описать неудачный опыт и причины проблемы; отклики без конкретных артефактов не рассматриваются.