Карта компетенций AI-инженера и пошаговый план входа в специальность
Разбираем реальные требования рынка к AI-инженеру на основе десятка собеседований: разделение ролей, карта ключевых технических навыков и пошаговый план перехода из классической разработки.
За последний месяц автору довелось пройти больше десяти технических собеседований на позицию AI-инженера. Главный вывод: рынок труда до сих пор смутно представляет границы этой роли. Одни компании ищут обычного бэкендера с подпиской на Claude Code, другие ждут специалиста, способного быстро собрать простого чат-бота или примитивный RAG. Между тем в зарубежной практике AI Engineering стал самостоятельной инженерной дисциплиной на стыке классической разработки, дата-инженерии и прикладного машинного обучения.
Различия ролей
Разделение зон ответственности помогает оценить архитектурные риски и требования к квалификации инженера.
Сравнение задач разработчика, специалиста по машинному обучению и AI-инженера:
| Роль | Основной фокус | Ключевые задачи | Стек и инструменты |
|---|---|---|---|
| Software Engineer | Бизнес-логика и инфраструктура | Микросервисы, базы данных, API-шлюзы, веб-интерфейсы | Python, TypeScript, Go, PostgreSQL, Docker, CI/CD |
| ML Engineer | Обучение и дообучение моделей | Подготовка датасетов, обучение сетей с нуля, файнтюнинг под скоринг, антифрод и рекомендации | PyTorch, CUDA, Ray, MLflow, Triton Inference Server |
| AI Engineer | Надежные системы поверх готовых моделей | Детерминированные агентские обвязки (harness), RAG, валидация схем данных, интеграция внешних API | Python, TypeScript, Model Context Protocol (MCP), pgvector, Qdrant, Pydantic, Evals |
Требования к production-grade системам
Собрать работающий прототип за вечер под силу многим. Настоящие вызовы начинаются, когда пет-проект нужно превратить в надежный продакшен-сервис: фокус разработки смещается с поиска удачного промпта на проектирование устойчивой архитектуры.
Различия между простым прототипом и продакшен-решением:
| Критерий | Прототип (Pet-project) | Продакшен-система |
|---|---|---|
| Валидация вывода | Неконтролируемый текст из генерации чата | Строгий структурированный вывод (JSON) по схемам Pydantic |
| Управление памятью | Наивный подход (весь контекст просто копится в окне) | Контроль наполнения, сжатие и защита от деградации контекста (context rot) |
| Безопасность | Прямая передача пользовательского текста в модель | Превентивная санитаризация, защита от prompt-инъекций и утечки системного промпта |
| Поиск данных | Простой векторный поиск по косинусной близости | Гибридный поиск (векторы + полнотекстовый индекс), чанкинг и реранкинг |
| Оценка качества | Ручной просмотр отдельных ответов «на глаз» | Детерминированные тесты качества (Evals), бенчмарки и подход LLM-as-a-judge |
| Автономия агента | Бесконечный цикл без контроля шагов | Детерминированная оркестрация, обработка сбоев внешних API и лимиты итераций |
Продакшен-система отличается от прототипа предсказуемостью: модель не должна нарушать контракт интерфейса и бизнес-логику приложения при получении нестандартного промпта.
База в разработке ПО
Классическая программная инженерия – это фундамент. Без глубокой инженерной базы построить надежную AI-систему невозможно.
Ключевые языки направления – Python и TypeScript. Python открывает доступ ко всей экосистеме машинного обучения и работы с данными, а на TypeScript сегодня проектируют большинство агентских обвязок (harness), интерфейсов и консольных агентов.
Инженерные стандарты для надежной разработки:
- Архитектурная база: объектно-ориентированное проектирование, асинхронный код, строгая обработка исключений и грамотная интеграция внешних библиотек.
- Культура: понятная структура проекта, управление ветками, Git worktree и оформление pull request.
- Изоляция окружения: сборка виртуальных сред через uv, venv или Poetry, конфигурирование строго через переменные окружения и полный отказ от секретов в кодовой базе.
- Базы данных: реляционные СУБД (PostgreSQL, MySQL) с глубоким пониманием транзакций и оптимизации запросов; документоориентированные хранилища (MongoDB); векторные базы под задачи RAG (Qdrant, pgvector).
- Качество кода: обязательное покрытие логики автоматическими тестами и уверенное владение командной строкой Linux.
- Управление кодинг-агентами: создание кастомных навыков (skills), распределение задач между специализированными субагентами, построение долговременной памяти между сессиями и внедрение детерминированных проверок вместо слепого доверия сгенерированному коду.
Базовый ML
Обучать большие нейросети с нуля прикладному инженеру не требуется – это зона ответственности ML-специалистов. При этом разработчику необходимо ясное понимание работы алгоритмов:
- Архитектура трансформеров: устройство механизма внутреннего внимания (self-attention), принципы токенизации текста и физическая структура контекстного окна.
- Метрики валидации: понимание метрик Precision, Recall и F1-score для объективной оценки систем классификации, поиска и извлечения сущностей.
Работа с LLM
Подбор модели диктуется строгим расчетом бюджета и техническими ограничениями задачи.
Инженер непрерывно балансирует между ключевыми параметрами:
- Стоимость токенов: расчет расходов на миллион входных и выходных токенов.
- Задержка инференса: контроль времени до генерации первого токена (TTFT) и общей скорости вывода.
- Размер контекстного окна: глубина удержания фактов без потери информации в середине переписки.
- Тип лицензии: выбор между закрытыми премиум-моделями и моделями с открытыми весами для безопасного селф-хостинга.
Методы управления поведением модели:
- Продвинутый prompt engineering: передача примеров (few-shot), построение цепочек рассуждений (chain-of-thought), фиксация системных ограничений, защита от jailbreak-атак и генерация структурированных ответов в JSON.
- Context engineering: динамическое наполнение контекстного окна на каждом шаге взаимодействия, фильтрация устаревших сообщений и защита от деградации контекста (context rot).
RAG-системы
Точная выдача данных из корпоративной базы знаний требует многоуровневого конвейера поиска.
Элементы эффективного конвейера поиска:
- Стратегии чанкинга: выбор подходящего алгоритма нарезки исходных документов – рекурсивного по разделителям, смыслового семантического или с привязкой к иерархии заголовков Markdown.
- Гибридный поиск: объединение векторного поиска по семантическим эмбеддингам и классического полнотекстового поиска по ключевым словам (BM25) для надежного нахождения точных терминов, названий и числовых артикулов.
- Реранкинг: применение легковесных кросс-энкодеров для переоценки релевантности найденных документов перед передачей фрагментов в контекстное окно модели.
- Векторные хранилища: промышленная эксплуатация специализированных баз (Qdrant) или расширений для реляционных СУБД (pgvector).
Агенты и инструменты
Автономные агентские системы опираются на открытые протоколы взаимодействия с внешним окружением.
Ключевые механизмы автономных сред:
- Использование инструментов (tool use): вызовы функций (function calling) с передачей строго типизированных аргументов.
- Model Context Protocol (MCP): открытый протокол интеграции внешних источников данных, инструментов и контекста в единый рабочий процесс агента.
- Архитектура агентских циклов: этапы декомпозиции и планирования шагов, детерминированная верификация промежуточных результатов, обработка сбоев внешних API и защита от зацикливания.
Наблюдаемость и безопасность
Контроль задержек и стоимости защищает сервис от непредвиденных сбоев и перерасхода бюджета под нагрузкой.
Инструменты для обеспечения надежности:
- Системы оценки (Evals): отказ от субъективных оценок «на глаз» в пользу детерминированных проверочных наборов, воспроизводимых бенчмарков и проверок через модель-валидатор (LLM-as-a-judge).
- Трейсинг и логирование: фиксация каждого шага рассуждений агента, замер задержек инференса и учет расхода токенов на уровне каждого пользователя и эндпоинта.
- Информационная безопасность: превентивная санитаризация пользовательского ввода для блокировки вредоносных инструкций и защита от утечки системного промпта.
В нагруженных ассистентах непрерывный мониторинг задержек и расходов токенов сохраняет бюджет компании и удерживает сервис в рамках целевого SLA.
Математическая интуиция
Глубокое понимание геометрии векторных пространств отличает инженера от сборщика типовых скриптов. На технических собеседованиях для позиций уровня Senior и Lead концептуальную математическую базу проверяют обязательно:
- Векторные пространства и эмбеддинги: геометрический смысл многомерных векторов, расчет косинусной близости и принципы распределения семантических смыслов.
- Вероятности токенов: распределение вероятностей при генерации следующего токена и влияние температуры на вариативность ответа.
- Градиентный спуск: базовые принципы работы градиентного спуска и функций потерь при обучении и дообучении моделей.
План входа
- Шаг 1. Python и основы разработки ПО: научитесь писать чистый код, использовать виртуальные среды (uv, Poetry), работать с Git (ветки, worktree, pull request) и терминалом Linux. Освойте консольных агентов (Claude Code, Cursor) с кастомными навыками для автоматизации рутины.
- Шаг 2. Концепции ML: разберите принципы работы эмбеддингов, векторного пространства, архитектуры трансформеров (механизм внимания, устройство контекстного окна) и метрик валидации (Precision, Recall, F1-score), а также математический аппарат, лежащий в основе этих концепций.
- Шаг 3. Context engineering и RAG: соберите надежный RAG-конвейер с гибридным поиском, чанкингом документов, реранкингом и структурированной валидацией данных через схемы Pydantic.
- Шаг 4. Агентная обвязка и инструменты: изучите вызовы функций, открытый протокол интеграции инструментов Model Context Protocol (MCP) и построение детерминированных циклов выполнения с защитой от зацикливания.
- Шаг 5. Системы оценки (Evals): внедрите автоматические тесты качества ответов модели (Evals, бенчмарки, подход LLM-as-a-judge), настройте трейсинг цепочек рассуждений, мониторинг расходов на токены и развертывание сервиса в облаке.
- Шаг 6. Публичный Proof of Work: опубликуйте проект с открытой кодовой базой, подробной документацией, архитектурными схемами и обоснованием метрик для демонстрации работодателю.
