Architect

#vacancy #Architect #Qdrant #VectorDB #RAG #LLM #LangChain #LlamaIndex #Middle #Senior Middle+/Senior Архитектор (Qdrant / Векторные БД / RAG / LLM-интеграции) 🧠 🔍 ID вакансии: 88580_SS Ставка: обсуждается. Грейд: Middle+ / Senior. Загрузка: Full-time (полная занятость). Формат: Удалённо. Часовой пояс: UTC+3 (МСК). Локация/Гражданство: РФ / РФ. ⏳ Срок актуальности вакансии: до 30.09.2026. 📌 Важно: рассматриваются кандидаты с релевантностью опыта от 85% (аутстаффинговая позиция). 🏢 О проекте: горнодобывающая компания. Ищем Middle+/Senior архитектора с глубокой экспертизой в Qdrant и векторных базах данных для консультационной роли. Предстоит консультировать по механизмам векторного и гибридного поиска, работе с эмбеддингами, модели данных Qdrant, интеграции с AI/LLM-инструментами и формировать технические рекомендации по дальнейшему применению Qdrant. 🚀 Ключевые задачи: Консультации по векторному поиску: Работа с эмбеддингами, приближённым поиском (ANN), HNSW, метриками расстояния. Рекомендации по выбору модели для русского языка. Модель данных Qdrant: Консультации по работе с коллекциями и точками, upsert, чтению и обновлению данных, payload и проектированию схемы. Механизмы поиска: Применение query_points, limit, score и hnsw_ef, влияние параметров на скорость и точность. Батч-запросы, группировка результатов, Recommend и Discovery API. Фильтрация: Синтаксис фильтров, типы условий, payload-индексы. Задачи фильтрации при приближённом поиске с использованием ACORN. Гибридный поиск: Sparse-векторы, объединение результатов с использованием RRF, определение сценариев применения. Квантование: Сжатие векторов для оптимизации памяти, выбор видов квантования, баланс точности и скорости. Multitenancy: Изоляция данных разных пользователей в одной коллекции, тюнинг решений для множества тенантов. Мультивекторы: Представление документа несколькими векторами, использование ColBERT и повторное ранжирование результатов. Интеграция Qdrant: Подключение через LangChain, LlamaIndex и no-code-инструменты, включая n8n . Технические рекомендации: Обобщение рассмотренных подходов и выработка рекомендаций по дальнейшему применению Qdrant. 🎯 Обязательные требования: Qdrant и векторные БД (КРИТИЧНО!): Практический опыт работы с Qdrant . Опыт проектирования и разработки решений на базе векторных БД . Знание ANN/HNSW , векторного и гибридного поиска, фильтрации, квантования, multitenancy и мультивекторного поиска. API: Опыт работы с REST / gRPC API . AI/LLM-интеграции: Опыт интеграции с AI/LLM-инструментами ( LangChain и/или LlamaIndex ). 💡 Будет плюсом: Опыт работы с n8n и другими no-code/low-code инструментами. Опыт применения ColBERT и техник повторного ранжирования. Опыт работы с sparse-векторами и RRF (Reciprocal Rank Fusion). Опыт подбора и fine-tuning эмбеддинг-моделей для русского языка. Понимание принципов построения RAG-пайплайнов. 📲 Контакт для отклика: @hrwomenpro (При отклике, пожалуйста, сразу присылайте актуальное резюме с акцентом на опыт работы с Qdrant, векторными БД и AI/LLM-интеграциями, пишите ID вакансии: 88580_SS )