AI Context & Data Infrastructure Engineer

Автоматический пересказ вакансии на русском. Полный текст на языке оригинала и форма отклика — на сайте работодателя.

Первый инженер, который построит слой поиска и извлечения контекста для персонального AI-ассистента Town: единый retrieval-слой, пайплайны и модель данных, на которых работает весь продукт.

Задачи

• Построить слой поиска и извлечения контекста, единый для всего продукта
• Совмещать лексический и семантический поиск и управлять компромиссами между ними: vector vs lexical, precompute vs fetch, hybrid retrieval, ранжирование
• Проектировать долговременную модель данных, на которой строится работа ассистента
• Строить и эксплуатировать пайплайны realtime/streaming и batch, поддерживающие актуальность и корректность индекса
• Разворачивать слой индексации и хранения и обеспечивать его скорость и надёжность на масштабе: latency, cost, freshness, completeness
• Заложить основу для связывания контента по смыслу — начало knowledge graph людей, компаний, проектов и их связей

Требования

• Значительный практический опыт работы с компонентами и подходами лексического и семантического поиска (BM25, embeddings, ANN/vector indexes, hybrid retrieval, ranking)
• Опыт эксплуатации крупномасштабной data-инфраструктуры, желательно и realtime/streaming, и batch — пайплайны, индексация, хранение
• Умение делать retrieval быстрым и дешёвым на масштабе и холодно рассуждать о компромиссах latency, cost и freshness
• Системное мышление и комфорт в greenfield, где фундамента ещё нет
• Готовность доводить системы от быстрого прототипа до продакшн-масштаба
• Плюс: опыт в ranking/relevance, knowledge graphs или retrieval для LLM и агентных систем

Условия

• Офис в Financial District, Сан-Франциско, пять дней в неделю вживую
• Greenfield-проект с высокой ответственностью: вы первый, кто строит этот слой
• Небольшая команда с сильными специалистами, поддержка Andreessen Horowitz, Forerunner Ventures, First Round Capital и Conviction, привлечено более $73M

Навыки

• BM25
• embeddings
• ANN
• vector indexes
• hybrid retrieval
• ranking
• streaming pipelines
• batch pipelines
• indexing
• storage
• knowledge graphs
• LLM