Habr Career · собрана 3 дня назад

Python Backend Developer (FastAPI / AI Platform)

Джетлин

УдалёнкаЛокация не определенаSenior
PythonFastAPISQLRedisDockerCI/CD

Описание вакансии

Python Backend Developer (FastAPI / AI Platform) Employment type: Полный рабочий день Grade: Senior Skills: Python, FastAPI, Asyncio, NoSQL, CI/CD, Docker, Apache Kafka Description: Проект: Внедрение интеллектуальных модулей на базе ИИ в платформу для автоматизации рутинных операций и повышения скорости процессов. Чем предстоит заниматься: Разрабатывать backend-сервисы на Python 3.10+ / FastAPI в рамках ИИ-платформы. Проектировать и поддерживать микросервисную и event-driven архитектуру. Интегрировать ИИ-компоненты платформы (работа с LLM, эмбеддерами, векторными БД). Работать с данными и брокерами: SQL/NoSQL, OpenSearch, Redis, S3, Kafka. Настраивать и поддерживать инфраструктуру: CI/CD, Docker, мониторинг и логирование. Обеспечивать безопасность: выстраивать процессы аутентификации и авторизации (Keycloak, OAuth2). Работать с существующим кодом в крупных репозиториях: читать, понимать, модифицировать и оптимизировать. Наши требования (Must Have): Опыт: От 3 лет коммерческой разработки на Python. Стек: Отличное знание Python 3.10+ и FastAPI (глубокое понимание async, middleware, DI). Архитектура: Понимание микросервисной архитектуры, требований к журналированию, аудиту и мониторингу. Базы данных: Уверенная работа с SQL и NoSQL (написание сложных запросов, работа с индексами, оптимизация, ORM/ODM). Инфраструктура и брокеры: Опыт работы с Kafka (producer/consumer), Redis, S3. DevOps & Monitoring: Docker / Docker Compose, настройка CI/CD, Prometheus + Grafana, ELK-стек. Безопасность: Понимание принципов работы JWT, OAuth2/OIDC, опыт интеграции с Keycloak. Код: Умение читать и модифицировать чужой код в крупных репозиториях. Образование: Высшее (ИТ, технические науки или математика). Будет большим плюсом (Nice to Have): Опыт реализации event-driven архитектуры. Опыт работы с векторными базами данных (OpenSearch) и векторизацией данных с помощью эмбеддеров. Опыт интеграции с vLLM для LLM-инференса. Активное и эффективное использование AI-ассистентов (Cursor и аналоги) для ускорения процесса написания и рефакторинга кода.