Что не так с вакансиями LLM Engineer

В 2026 году вакансий, связанных с ИИ, большими языковыми моделями и агентами, стало заметно больше и в России, и за ее пределами. Технологические компании, банки и даже обычный enterprise поняли, куда движется индустрия, и начали срочно внедрять ИИ в продукты и внутренние процессы.

Если открыть hh.ru, LinkedIn или Telegram-каналы с вакансиями, легко увидеть набор ролей, которые постоянно пересекаются по описанию и требованиям:

• LLM Engineer

• ML Engineer

• AI Engineer

• AI Architect

• иногда еще что-то вроде «AI Automation Engineer»

Особенно часто встречается вакансия LLM Engineer. И вот тут начинается путаница.

Например, в одной вакансии Senior LLM Engineer требуют:

• 2+ года коммерческой разработки на Python

• практический опыт с LangChain, LlamaIndex, prompt engineering, RAG

• подтвержденный опыт разработки и внедрения AI-решений

Смотришь другую вакансию — уже Team Lead LLM Engineer. А там:

• создание и развитие RAG-систем, включая Agentic RAG

• observability для агентов

• сервисы обработки документов

• организация разметки данных

• дообучение мультимодальных моделей

• LLM-as-a-Judge и quality pipelines

• вывод моделей и сервисов в production

Проблема в том, что под одним и тем же названием компании часто описывают совершенно разные роли.

Где-то под LLM Engineer реально подразумевается человек, который работает с моделями как с объектом исследования и улучшения: оценка (evals), промптинг, fine-tuning, data curation, quality loops, иногда даже инференс и serving.

А где-то под тем же названием ищут обычного сильного прикладного инженера, который должен собирать AI-функции в продукте: RAG, агенты, интеграции, пайплайны, наблюдаемость (observability), безопасность, продакшен-уровень.

А иногда компания просто ищет единорога, который одновременно умеет:

• тренировать и дообучать модели

• строить RAG и агентные системы

• делать evals

• поднимать production-инфраструктуру

• выстраивать MLOps

• а в идеале еще и оптимизировать инференс

Естественно, когда бэкенд- или фуллстэк-разработчик, который хочет перейти в прикладной ИИ (applied AI), читает такую вакансию, у него быстро появляется мысль: «я вообще не подхожу».

И это часто ложное ощущение.

Где проходит граница

Проблема рынка в том, что названия ролей пока не устоялись. Но на практике полезно различать хотя бы два типа задач.

LLM Engineer

Это роль ближе к работе с самими моделями и качеством их поведения.

Обычно сюда попадает:

• выбор и сравнение моделей

• построение evals (оценки)

• prompt engineering как системная дисциплина, а не просто подбор промптов

• эксперименты с quality loops

• работа с fine-tuning или post-training

• участие в проектировании AI-архитектуры на уровне поведения модели и ее качества

Для такой роли действительно полезны:

• хороший кругозор в NLP и LLM

• понимание того, как устроены современные модели

• умение читать статьи, документацию и разбирать бенчмарки

• привычка много экспериментировать и валидировать гипотезы

AI Engineer / Applied AI Engineer

Это прикладная разработка: создание ценности для продукта с помощью уже существующих моделей и инструментов.

Обычно сюда относится:

• AI-функции внутри продукта

• tool calling

• RAG

• агенты и их оркестрация

• интеграции с внешними системами

• оценка (eval) и наблюдаемость (observability) на уровне приложения

• надежный продакшен-код вокруг моделей

Здесь важнее другое:

• умение строить сервисы

• понимать ограничения LLM и не ломать продукт об эти ограничения

• уметь отлаживать качество: проблема в данных, retrieval, prompt, tool use или модели

• уметь доводить систему до продакшена, а не просто собирать демо

И вот здесь важный тезис: во многих вакансиях под названием LLM Engineer на самом деле ищут именно AI Engineer. То есть разработчика с сильной бэкенд- или фуллстэк-базой, который умеет применять LLM в реальных системах.

Как могут выглядеть вменяемые требования к AI Engineer

Например, так:

• уверенное владение Python или TypeScript

• умение писать чистый код, тесты и поддерживаемые сервисы

• базовое понимание LLM: токены, контекст, temperature, top-p, ограничения по длине контекста

• опыт промптинга моделей: шаблоны, few-shot, structured output, tool/function calling

• опыт разработки RAG-систем и работы с векторными хранилищами

• опыт интеграции LLM в сервисы

• понимание Docker и контейнеризации

• навыки диагностики качества и производительности AI-сервисов

• базовое понимание безопасности и ограничений при работе с LLM

Как видно, тут нет обязательного требования знать Transformer на уровне LLM-инженера/исследователя, заниматься fine-tuning, строить MLOps-платформу или разбираться в CUDA.

И это нормально.

Что с этим делать

У меня здесь два простых совета.

Рекрутерам и нанимающим менеджерам

Если вам нужен прикладной инженер, который будет встраивать ИИ в продукт, так и пишите.

Не называйте вакансию LLM Engineer только потому, что это звучит модно. Чем точнее вы обозначите границы роли, тем лучше будет воронка:

• меньше нерелевантных откликов

• меньше самоотсечения хороших кандидатов

• выше шанс быстрее закрыть позицию

Не стоит искать единорога там, где на самом деле нужен сильный инженер-разработчик с хорошим продуктовым и системным мышлением.

Разработчикам, которые хотят перейти в Applied AI

Не отбрасывайте вакансию только потому, что в ней в одну кучу свалены RAG, агенты, evals, дообучение, observability и MLOps.

Очень часто это просто плохо написанное описание, а не реальный список того, чем вы будете заниматься каждый день.

Поэтому:

• уточняйте на первом же созвоне, что реально входит в зону ответственности

• показывайте пет-проекты и рабочие кейсы

• рассказывайте не только про «я пробовал ChatGPT», а про реальные инженерные задачи

• не думайте, что без опыта в ML/LLM вам закрыт путь в ИИ разработку

Для входа в прикладной ИИ (applied AI) не обязательно быть исследователем. Во многих случаях достаточно хорошей инженерной базы и нормального понимания того, как LLM ведут себя в реальных системах.

Рынок еще долго будет путаться в названиях. Но это не значит, что в него нельзя зайти.

---

P.S. Про разработку в эпоху ИИ, агентов и LLM 👉🏻 тут