↗️ Рынок LLM-разработки сейчас на переходном этапе. Да, компании уже вовсю внедряют ИИ в поддержку, разработку, продажи, документооборот, аналитику и внутренние процессы. Но далеко не всегда понимают, какой специалист им нужен и что именно он должен уметь. Поэтому под названиями AI-инженер, LLM-разработчик, AI-архитектор могут скрываться совершенно разные задачи. О пуле навыков мы говорили на вебинаре LLM разработка в 2026 году.

А в этом посте рассказываем про базовый набор компетенций, который уже можно заметить в требованиях компаний и описании вакансий.

Так какие навыки хотят видеть у инженеров со знанием ИИ?

✔️ Разработка приложений. LLM-разработчик — это прежде всего разработчик. А значит, должен уметь писать и читать код, знать хотя бы один язык программирования, понимать, как устроены API, работать с базами данных, понимать, как взаимодействуют сервисы.

✔️ Работа с большими и малыми языковыми моделями. Не ChatGPT единым. В работе могут использоваться большие универсальные модели через API, развернутые в контуре компании открытые модели, небольшие специализированные модели и даже несколько моделей одновременно для разных задач. Важно понимать разницу и уметь с ними обращаться. Один из ключевых навыков — выбирать правильную модель под конкретную задачу.

✔️ RAG и работа с корпоративными знаниями. RAG позволяет искать информацию по смыслу запроса в базе. С помощью RAG к модели обычно подключают корпоративные базы знаний, всевозможные инструкции и регламенты, договоры, документацию, клиентскую информацию, материалы службы поддержки и так далее. Но нельзя просто взять и загрузить документы в векторную базу в первозданном виде. Придется разделить информацию на фрагменты нужного размера, научиться правильно обращаться и с текстовым, и с семантическим поиском, а затем оценивать релевантность результатов, не забывая про контекст. 

✔️ Разработка агентов и инструментов. Именно агент позволяет системе совершить то или иное действие. Даже элементарный чат-бот может не просто рассказать клиенту о правилах возврата, но и создавать заявки в CRM, отправлять сообщения сотрудникам, размещать задачи в трекерах… 

Но чтобы он все это умел, разработчик агента должен четко прописать эти функции и параметры (не позабыв про ограничения). В агентных системах все обстоит довольно просто: чем универсальнее и абстрактнее инструмент, тем выше риск, что модель воспользуется им неправильно. Поэтому хороший агент должен выполнять одну понятную задачу и иметь предсказуемый интерфейс.

✔️ MCP и стандартизация интеграций. По мере роста системы появляются десятки, а затем и сотни инструментов. Если каждый из них подключен собственным особым способом, систему становится сложно поддерживать. Поэтому так важно весь этот зоопарк стандартизировать и привести к единому формату.

✔️ Оркестрация мультиагентных систем. Пятью агентами еще можно управлять вручную (хоть и со скрипом). Но если у вас их двадцать пять, то придется все-таки продумать логику управления. Тут и пригодятся архитектурные навыки и системное мышление.

Инженеру предстоит связать в единую систему намерение пользователей с нужным агентом. А еще продумать, как будет передаваться контекст между компонентами и как они вообще будут взаимодействовать друг с другом. Не забыть каких-то агентов ограничить и понять, что именно им не разрешать. Тут тоже важен принцип минимальных прав и доступов, иначе последствия могут быть непредсказуемыми.

✔️ Безопасность и защита данных. Тоже одна из базовых компетенций LLM-разработчика, хотя появляются запросы на отдельных специалистов в сфере безопасности ИИ. Просто есть регуляторные требования — например, к обращению с персональными данными или коммерческими тайнами. А при использовании ИИ всегда есть риски, что корпоративная информация утечет вовне (прямо к конкурентам). Да и в сгенерированных доках или коде может спрятаться уязвимость из-за незаметно закравшейся промпт-инъекции. В общем, в корпоративном контуре с ИИ нужно уметь обращаться безопасно, а для этого придется узнать о рисках и о том, как их избежать.

✔️ Оценка качества и эффективности. Запустив чат-бота или агентную систему, спустя время важно оценить, а хорошо ли он работает, выполняет ли свои функции и приносит ли пользу. Если нет, то доработать, настроить или даже заменить. Всегда есть вероятность, что эксперимент прошел неудачно. Ну и помним, что негативный результат — тоже результат.

✔️ Понимание бизнес-процессов. Предыдущий пункт приводит нас к пониманию языка бизнеса — и умению на нем говорить. Понадобятся знания о процессах и экономических метриках. Бизнес не мыслит категориями технологий, ему нужно доказать, что автоматизация увеличила эффективность или сэкономила денег.

❓Список звучит внушительно? Не пугайтесь! Для входа в профессию необязательно глубоко разбираться в математике или обучении нейросетей. Достаточно уровня junior или junior+ в разработке, а дальше можно углубляться в ИИ-премудрости и развлекаться вайб-кодингом. А если все сделать правильно, получить новую востребованную специальность.

Если кодить вы уже умеете, а вот навыки по обращению с ИИ предстоит еще прокачать, то у нас классная новость. 25 августа в 19 00 у нас как раз пройдет бесплатный вебинар — поговорим о том, как ускорить разработку с помощью ИИ:

https://special.hexlet.io/ai-developer_llm_webinar?utm_source=telegram&utm_medium=social&utm_campaign=hexlet-blog&utm_content=promo&utm_term=post_200826