Prompt-инженер
Описание
Медийные Технологии - молодая и амбициозная компания, команда единомышленников, которая создает программные продукты на базе искусственного интеллекта для автоматизации и повышения эффективности бизнес-процессов. На текущий момент мы усиливаем нашу команду и ищем Prompt-инженера. Предстоит отвечать за поведение языковых моделей: переводить редакционные и продуктовые требования в точные инструкции, находить причины нестабильных ответов, улучшать промпты и добиваться предсказуемого результата на типовых, сложных и пограничных сценариях. Важно о роли: В команде есть отдельные вакансии LLM-инженера и инженера по оценке качества LLM. Основной результат работы промпт-инженера — не backend, инфраструктура прогонов или деплой моделей, а качественные системные инструкции, контекст, примеры, правила поведения модели и понятный разбор ошибок. Просьба к отклику: В сопроводительном письме кратко ответьте на четыре вопроса: Какую конкретную ошибку допускала языковая модель? Какие строки, правила или примеры в промпте вы изменили? Как вы проверили новую версию на прежних и новых примерах? Что в этом кейсе решалось промптом, а что кодовой проверкой, Evals-процессом или человеком? Обязанности: Проектирование поведения модели: создавать и улучшать системные инструкции и многошаговые промпты для классификации, суммаризации, генерации, верификации, сравнения результатов и LLM-судей. Правила и приоритеты: переводить редакционные и бизнес-требования в однозначные правила, задавать приоритет конфликтующих инструкций и безопасное поведение при неоднозначности. Few-shot и контрпримеры: подбирать демонстрационные примеры, негативные примеры и пограничные кейсы, которые стабилизируют поведение модели. Контекст: проектировать правила работы с длинным контекстом, историей диалога, памятью, служебными данными и недоверенным пользовательским входом. Grounded generation: настраивать генерацию только по предоставленным материалам, требовать подтверждение фактов источниками и корректно обрабатывать недостаток данных. Structured output: проектировать JSON-структуры, обязательные поля, допустимые значения, статусы неопределённости и правила повторного запроса. Разбор ошибок: определять, связана ли ошибка с формулировкой промпта, контекстом, моделью, входными данными, разметкой или неполным правилом. Итерации: сравнивать версии промптов на одинаковых примерах, анализировать ложные срабатывания, пропуски и регрессии, использовать результаты Evals-проверок для улучшения промптов. Документирование: вести библиотеку промптов, версий, примеров, решений и известных ограничений; понятно передавать выводы редакторам, аналитикам, Evals- и LLM-инженерам. Примеры задач: Переписать системную инструкцию классификатора «шум / полезный сигнал», чтобы модель не путала реальное событие с рекламой. Подобрать примеры и контрпримеры, которые помогают отличать одинаковую тему от одного и того же события. Спроектировать промпт для саммаризации, сохраняющий действующее лицо, действие, объект, место, дату и числа. Настроить поведение «недостаточно данных», чтобы модель не заполняла отсутствующие факты правдоподобной выдумкой. Разработать инструкцию для модели-проверяющего, которая сравнивает два результата и отправляет спорные случаи человеку. Устранить выполнение вредоносной инструкции, помещённой внутрь исходного документа. Адаптировать один и тот же сценарий под две модели, которые по-разному понимают длинные инструкции и формат ответа. Требования: Практический опыт создания и итерационного улучшения промптов для рабочих или пользовательских LLM-сценариев. Возможность разобрать хотя бы один кейс по цепочке: входные данные → неверный ответ → ожидаемое поведение → конкретное изменение промпта → повторная проверка. Умение писать системные инструкции с ясным порядком правил, границами доверия и поведением на случай неопределённости. Практику few-shot-промптинга и понимание того, как выбирать примеры и контрпримеры. Понимание управления контекстом, историей и недоверенными входными данными. Опыт со структурированным выводом: JSON, обязательные поля, допустимые значения и смысловая корректность. Понимание grounded generation: модель не добавляет неподтверждённые факты и умеет показать источник утверждения. Базовое понимание LLM QA и Evals: тест-кейсы, эталонные примеры, регрессия, ложные срабатывания и пропуски. Владеть инфраструктурой Evals не требуется. Умение сравнивать модели и версии промптов на одинаковых задачах, а не только по общему впечатлению. Отличную письменную грамотность и внимательность к фактам, датам, числам, формулировкам и источникам. Английский не ниже Intermediate для работы с документацией моделей и API. Технический минимум: JSON и понимание структурированного ответа. Понимание REST API и способов вызова модели. Базовый Python либо уверенная работа с таблицами для пакетных проверок. Базовый SQL для просмотра логов и промежуточных результатов. (Акцент: Python, SQL и API — вспомогательные инструменты. Сильная разработка не компенсирует отсутствие практики проектирования промптов). Будет плюсом: Опыт с энциклопедическими, новостными, редакционными, юридическими или другими фактологически строгими материалами. Опыт редактуры, фактчекинга, разметки данных или контроля качества контента. Практика нескольких семейств моделей и понимание их поведенческих различий. Работа с длинным контекстом, многошаговыми инструкциями и памятью диалога. Опыт проверки prompt injection и других недоверенных входов. Понимание RAG, цитирования, кластеризации и дедупликации на уровне поведения модели. Опыт совместной работы с Evals-инженерами и анализа регрессионных отчётов. Знакомство с Git, Docker и инструментами наблюдаемости. Чем роль НЕ является: Это не вакансия backend-, ML- или LLM-инженера: разработка сервисов, настройка GPU, обучение и деплой моделей не являются основной задачей. Это не вакансия инженера по Evals: методология измерений, инфраструктура прогонов и релизные барьеры принадлежат отдельной роли. Использование Cursor, Codex, Claude Code и других AI-помощников для написания кода само по себе не считается опытом промпт-инженерии. Перечень знакомых моделей и фреймворков без примера промпта «до / после» не считается подтверждением опыта. Условия: Уровень дохода обсуждается с финальным кандидатом по итогам собеседования. Интересные задачи, крутые кейсы, возможность выйти на новый профессиональный уровень. 100% «белая» заработная плата, официальное трудоустройство по ТК РФ с первого дня. Полная занятость, удаленный формат работы в рамках РФ. Пятидневная рабочая неделя, с пн-пт. Дружный и неравнодушный коллектив профессионалов. Программа ДМС после успешного прохождения испытательного срока.