Quantitative Developer – Agentic Research Lab

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

Технический лид агентной research-лаборатории в Flowdesk: проектирование архитектуры, запуск первых production-агентов и построение guardrails для автоматизированного исследовательского цикла квант-стратегий.

Задачи

• Сделать research-платформу production-grade: версионирование, сборка, тестирование и деплой стратегий, сигналов, снапшотов данных и промптов агентов через CI/CD (GitHub Actions, GitOps с Flux / Argo CD)
• Владеть жизненным циклом моделей end-to-end: трекинг экспериментов, реестр моделей, воспроизводимые сборки, автоматические validation gates, staged deployment и rollback
• Подключить агентов к живым потокам данных: потреблять рыночные данные и execution traces из Kafka / Redpanda и запрашивать их в ClickHouse
• Проектировать топики, схемы и materialized views для мониторинга с backpressure, replay и exactly-once семантикой
• Спроектировать multi-agent workflow: генератор гипотез, writer экспериментов, executor на simulation-кластере и critic, проверяющий результат
• Экспонировать платформу агентам как типизированные инструменты — MCP-сервер над research SDK, campaign engine и experiment registry
• Запускать запланированные research-раунды (Dagster) на свежих данных и фиксировать результаты в experiment registry (MLflow-style)
• Построить непрерывный мониторинг с агентной триажной алертов: сбор контекста, проверка известных причин, черновик инцидента с рекомендацией
• Проводить контролируемые эксперименты в продакшене: shadow mode → paper trading → малые live-аллокации с kill-switches и rollback drills
• Спроектировать фреймворк экспериментов (A/B и interleaved parameter tests) и статистику принятия решений
• Защищать цикл от автоматического оверфиттинга: бюджет испытаний, multiple-testing corrections, holdouts и независимый перезапуск результатов
• Строить eval-сьюты для агентов с known-answer задачами и отслеживать качество и стоимость
• Развернуть безопасный on-prem GPU-инференс open-weight моделей и определить, какие задачи могут использовать внешние API
• Работать через code review и CI, документировать архитектурные решения, критерии промоушена и условия kill-switch

Требования

• 10+ лет разработки production-софта или ML-систем, включая несколько лет технического лидерства и проектирования архитектуры
• Production-опыт с агентами: multi-agent orchestration, tool calling, evaluation и red-teaming, cost и model routing, staged rollouts с human in the loop
• Практический количественный опыт: бэктесты, факторные, сигнальные или риск-модели, понимание look-ahead bias, data snooping, regime change и транзакционных издержек
• MLOps и CI/CD на уровне платформы: построение реестров моделей, трекинга экспериментов, автоматической валидации и деплой-пайплайнов
• Production-опыт со стримингом и аналитическими системами: Kafka (или Redpanda) и ClickHouse, включая дизайн схем, партиционирование, consumer lag и производительность запросов
• Уверенные Python и SQL
• Уверенная работа в Linux: отладка процессов, памяти, сети, I/O, perf/strace; запуск нагрузок в Kubernetes с infrastructure-as-code
• Опыт автоматизированных систем принятия решений в регулируемых средах или среде с капиталом под риском: kill-switches, audit trails, compliance review
• Суждение о том, какие части исследования автоматизировать, а какие оставить человеку

Условия

• Международная среда, основной язык — английский
• Командные мероприятия и офсайты
• Бюджет на обучение и развитие
• Медицинская страховка для сотрудника и законных иждивенцев
• Процесс найма: скрининг с TA, технический скрин, квант-интервью, финальные интервью

Навыки

• Python
• SQL
• Kafka
• Redpanda
• ClickHouse
• Delta Lake
• Kubernetes
• GitHub Actions
• GitOps
• Flux
• Argo CD
• Dagster
• MLflow
• MCP
• vLLM
• SGLang
• Terraform
• Rust
• C++
• Go
• Linux