Product Engineer

Удалённо, фултайм. Команда AI-native. Основные инструменты: Claude Code, Codex.
О роли
Мы ищем AI-инженера, который строит продукт «end-to-end» с помощью AI: от формулировки спецификации до работающей фичи в проде и её поддержки. Кодинговый агент для вас основной рабочий инструмент. Вы понимаете, где он сильнее человека, где ошибается и как выстроить процесс, чтобы результат был предсказуемым.
Что предстоит
Разрабатывать решения полного цикла в связке с кодинговыми агентами (Claude Code, Codex)
Выстраивать и развивать практики AI-assisted SDLC: спецификации, планирование, ревью, тестирование, релиз
Проектировать и внедрять LLM-функциональность в решения: RAG, агентные сценарии, tool use
Строить оценку качества агентов и LLM-фич: evals, метрики, регрессионные наборы
Отвечать за качество и поддержку того, что выпущено: мониторинг, инциденты, техдолг
Взаимодействовать с клиентом в рамках реализуемых проектов и представлять продукт на языке, понятном бизнесу
Что важно
Уверенная работа с кодинговым агентом. Вы умеете декомпозировать задачу, давать агенту контекст, контролировать результат и не терять владение кодом
Строгие инженерные практики: code review, тестирование, CI/CD, наблюдаемость, работа с инцидентами, поддерживаемая архитектура. Скорость не за счёт качества
Spec-driven development или аналогичная практика. Спецификация, план и критерии приёмки у вас появляются до кода, а не после. Первична спека, код — её следствие
Понимание принципов LLM: контекст и его ограничения, промптинг, галлюцинации, стоимость и латентность
RAG: чанкинг, эмбеддинги, ретривал, реранкинг, оценка качества поиска
Агенты и harness: как устроены агентный цикл, инструменты, управление контекстом и память, как агента построить и как измерить, что он работает
Стек
Бэкенд: Python (FastAPI), Node.js, TypeScript
Фронтенд: React / Vue
Данные: PostgreSQL, Qdrant (векторный поиск), Redis, Kafka / RabbitMQ
LLM: API Anthropic и OpenAI, локальные модели (vLLM, SGLang, Ollama), Agent SDK, MCP, LangChain / LlamaIndex
Инфраструктура: Docker, Kubernetes, Terraform
Наблюдаемость и evals: Langfuse / LangSmith, Prometheus + Grafana
Будет плюсом
Опыт построения eval-пайплайнов и LLM-as-judge
Собственные инструменты или workflow поверх агентов: skills, MCP-серверы, кастомные команды
Продуктовое мышление: умение самому сформулировать проблему пользователя, а не только реализовать задачу. У нас первична бизнес-задача, затем спека, а код — производная от неё

Work arrangement
Yes