AI, данные и инженерия
AI / LLM Engineer
AI / LLM Engineer — это инженер, который строит продукт на готовых LLM: подключает модели и RAG, измеряет качество и стоимость ответов, выводит всё в продакшен.
Также называют: AI Engineer, LLM Engineer, Applied AI Engineer, GenAI Engineer, Generative AI Engineer, LLM Developer.
Кто такой AI / LLM Engineer и чем он занимается?
AI / LLM Engineer — это инженер, который собирает продукт на готовых моделях и отвечает за то, как они ведут себя у пользователей. Сейчас это самое массовое название AI-роли: большинство компаний не обучают модели с нуля, а встраивают готовые в продукт. Типичные задачи:
- подключает LLM через API или разворачивает open-source модели;
- строит retrieval (RAG): поиск по документам и данным компании, которые модель использует в ответах;
- пишет и версионирует промпты и цепочки вызовов;
- измеряет качество и стоимость ответов и следит за ними после запуска;
- выводит LLM-функции в продакшен и разбирает, что ломается у реальных пользователей.
Когда компании нужен AI / LLM Engineer?
AI / LLM Engineer нужен, когда компания встраивает LLM в продукт или во внутренние инструменты: ассистент, поиск по базе знаний, обработку документов, генерацию текстов. Часто это первый AI-найм в продуктовой компании, потому что большинство таких задач решается готовыми моделями. Роль не подойдёт, если задача требует обучать собственные модели на своих данных (скоринг, рекомендации, компьютерное зрение): тогда нужен ML Engineer.
Чем AI / LLM Engineer отличается от ML Engineer?
AI / LLM Engineer отличается от ML Engineer тем, что работает с готовыми моделями и отвечает за их поведение в продукте, а ML Engineer обучает и дообучает модели и строит ML-пайплайны. Agentic AI Engineer — частный случай AI / LLM Engineer, который строит агентов для многошаговых задач. Работу бывших prompt engineers сейчас тоже чаще всего делает AI / LLM Engineer.
AI / LLM Engineer и смежные роли: сравнение
| AI / LLM Engineer | ML Engineer | Agentic AI Engineer | |
|---|---|---|---|
| Отвечает за | Поведение готовых моделей в продукте | Обучение моделей и ML-пайплайны | Агентов, которые сами выполняют задачи |
| Главный результат | LLM-функция в продакшене | Модель с нужным качеством | Надёжно выполненная многошаговая задача |
| С кем работает | Product Manager, бэкенд-команда | Data Engineers, Data Scientists | AI-команда, владельцы внутренних систем |
Почему AI / LLM Engineer сложно нанять?
AI / LLM Engineer сложно нанять, потому что титул новый и массовый, а реальный опыт LLM в продакшене есть у немногих.
- Название используют очень широко: так себя называют и инженеры с годами работы с LLM, и разработчики после одного курса, поэтому поиск по титулу даёт много шума.
- Нужна сильная бэкенд-инженерия вместе с умением измерять качество ответов модели; чаще встречается что-то одно.
- Опыт с оценкой качества и стоимостью запросов почти не виден в резюме.
- Инженеры с LLM-функциями в продакшене нужны многим компаниям одновременно и редко ищут работу активно.
Что выяснить до найма AI / LLM Engineer?
- Какие задачи решает модель в продукте и как вы поймёте, что ответ хороший? Без критерия качества инженер будет улучшать функцию наугад.
- Готовые модели через API или собственные open-source модели? Разворачивать модели на своих GPU — другой опыт и часто другой кандидат.
- Есть ли у команды система оценки качества? Если evals нет, их придётся строить этому человеку, и это стоит учесть в профиле.
- Что важнее для роли: бэкенд-инженерия или опыт в ML? От ответа зависит, из каких команд искать кандидатов.
Где искать AI / LLM Engineer?
AI / LLM Engineers чаще всего приходят из Backend и Fullstack Engineers, которые уже выпустили LLM-функции в продакшен, из ML Engineers, ушедших в прикладные LLM-продукты, и из AI-стартапов и продуктовых команд с AI-ассистентами. Сигнал в профиле — LLM-функция у реальных пользователей с понятной метрикой качества, а также open-source проекты вокруг RAG или оценки моделей. NEWHR ищет таких кандидатов по результатам работы, а не по откликам на вакансию.
Как проверить AI / LLM Engineer на интервью?
AI / LLM Engineer проверяют разбором LLM-функции, которую кандидат выпустил (архитектура, как измеряли качество, сколько стоил запрос, что ломалось у пользователей), и тестовым заданием — небольшой RAG- или LLM-функцией на ваших данных. Со стороны компании участвуют Head of AI или CTO и ведущий инженер команды.
Сильные сигналы:
- рассказывает, как измерял качество и на скольких примерах;
- знает стоимость запроса и что делал, чтобы её снизить;
- объясняет, в каких случаях LLM не нужна и хватит обычного кода.
Красные флаги:
- проверял качество «на глаз» на нескольких примерах;
- весь опыт — демо и туториалы;
- не может объяснить, почему модель ошибалась в конкретных случаях.
Сколько длится поиск AI / LLM Engineer?
Первых кандидатов на роль AI / LLM Engineer показываем через 5–7 дней после брифа. Срок всего поиска зависит от редкости профиля: сеньорную ML-команду из 6 человек мы собрали за 5 месяцев.
Смежные роли
- ML Engineer — обучает и дообучает модели, а не встраивает готовые.
- Agentic AI Engineer — строит агентов, которые сами выполняют многошаговые задачи.
- Evals Engineer — отвечает за систему оценки качества, на которую опирается AI / LLM Engineer.
- AI Infrastructure / Inference Engineer — делает так, чтобы модели работали быстро и недорого на своих GPU.
- MLOps / LLMOps Engineer — отвечает за деплой, версии и мониторинг моделей.