Java-разработчик (ИИ/GenAI)

Java-разработчик уровня Middle/Senior (ИИ/GenAI) в СберСпасибо. Полная занятость, офис в Москве. Разработка бэкенда для платформы GenAI: RAG-пайплайны, векторная БД Qdrant, мультиагентные системы на LangChain/LangGraph.

Разработка платформы с возможностями генеративного ИИ, интегрированными в ее ядро. Обязанности: - Проектировать и разрабатывать микросервисную архитектуру на Java 17+ с использованием Spring Boot (MVC, Data JPA, Security). - Создавать RAG-пайплайны (Retrieval-Augmented Generation): от парсинга необработанных данных до индексации эмбеддингов. - Разрабатывать и поддерживать векторные базы данных Qdrant: проектирование схем шардирования, настройка гибридного поиска (BM25 + Dense Vectors) и оптимизация запросов. - Создавать мультиагентные системы на основе LangChain/LangGraph для автоматизации бизнес-процессов. - Глубокий промпт-инжиниринг: написание промптов для разных сценариев одного агента, техники Few-shot, Chain-of-Thought, структурированный вывод (режим JSON). - Отлаживать семантику модели: снижение энтропии ответов, управление вариативностью через параметры инференса, механизмы самовосстановления при деградации внешних LLM-провайдеров. - Оптимизировать производительность PostgreSQL: тюнинг сложных SQL-запросов, работа с индексами (B-tree, GIN/GIST, триграммы), проектирование транзакционной изоляции. - Переносить вычисления в контейнерную среду: Docker, Kubernetes (Helm), построение отказоустойчивых CI/CD-пайплайнов в GitLab CI/Jenkins.

Требования: - Уверенное владение Java 17+, понимание многопоточности (CompletableFuture, виртуальные потоки Project Loom — плюс). - Экспертный уровень в стеке Spring: жизненный цикл бинов, аспектно-ориентированное программирование, тонкая настройка пулов соединений с БД и параметров безопасности. - Опыт проектирования реляционных моделей в PostgreSQL, умение читать EXPLAIN ANALYZE, эффективные миграции (Liquibase/Flyway). - Практический опыт работы с векторными СУБД (Qdrant) или Weaviate/Pinecone/Milvus, понимание метрик близости (Cosine Similarity, Dot Product, Euclidean Distance). - Опыт разработки с библиотеками LangChain и/или LangGraph, построение графов состояний, интеграция внешних инструментов (tool calling). - Навык написания эффективных промптов (Prompt Engineering) и управления поведением LLM без изменения весов модели. - Опыт работы с Docker и Kubernetes (манифесты, Helm charts), уверенное владение командной оболочкой Linux. - Настроенные процессы CI/CD (GitLab CI или Jenkins): сборка Maven/Gradle, покрытие тестами (JUnit 5, Testcontainers), статический анализ кода.

Полная занятость Формат работы: Москва (офис)