Мы используем технические cookie и обезличенный журнал посещений Zorky. Яндекс Метрику (данные хранятся на серверах в РФ) включаем только с вашего согласия. Данные не продаём. Подробнее о cookie и статистике.
Zorky в тестовом режиме — всё бесплатно. Вакансии и страницы компаний открыты всем; ссылки на объявления и личная подборка — после регистрации. Зарегистрироваться →

AI / LLM Engineer: рынок

Данные на 19 ноября 2026: открытых вакансий AI / LLM Engineer — 4 167, удалённых — 30% среди вакансий с указанным форматом работы; медианная зарплата в объявлениях — $10 833/мес (по 541 вакансиям с указанной зарплатой). Источник — Zorky, обновляется ежедневно.

AI / LLM Engineer — самая молодая, но самая громкая роль внутри AI/ML/DS направления, выделившаяся в 2023 на волне ChatGPT / GPT-4 / Claude / Llama 2. Focus: integration больших языковых моделей (LLM) в продукт — НЕ обучение foundation-моделей с нуля (это Research), НЕ classical ML pipelines (это ML Engineer / Data Scientist), а прикладной LLM engineering: prompt engineering + RAG (Retrieval-Augmented Generation) + fine-tuning через LoRA / QLoRA + agent architectures + tool use + evaluation. Семейство ролей: AI Engineer (general — LLM integration в одну продуктовую feature: chatbot / summarization / classification / Q&A), LLM Engineer (LLM-deep — оптимизация серверной части: vLLM / TGI / SGLang serving, KV cache tuning, quantization, speculative decoding), Generative AI Engineer (broader — включает image / video / audio: Stable Diffusion / Flux / Suno / ElevenLabs), AI Agent Engineer (rising 2025–2026 — autonomous agents с tool calling, multi-step reasoning, LangGraph / AutoGen / CrewAI / Microsoft Semantic Kernel), Senior AI Engineer (multi-product LLM architecture + cost optimization). Стек 2026: Python (монопольно). Vector databases: Pinecone (managed leader — premium), Weaviate (open-source — modular), Qdrant (Rust — fast self-hosted), Milvus (enterprise scale), Chroma (lightweight dev), pgvector (Postgres extension — production-friendly), Elasticsearch dense_vector + Redis Stack (hybrid). Fine-tuning: LoRA + QLoRA (PEFT библиотека Hugging Face), full fine-tuning rare (cost prohibitive). RLHF / DPO: TRL library (Hugging Face). Serving: vLLM (PagedAttention — рекорд throughput), TGI (Text Generation Inference — Hugging Face), SGLang (programming model для serving + caching), Ollama (local), llama.cpp (CPU + edge). Evaluation: RAGAS, DeepEval, lm-evaluation-harness, Inspect AI (UK AISI), Promptfoo, LangSmith (LangChain trace + eval — best UX). Observability: Helicone, LangSmith, Langfuse (open-source), Arize Phoenix, Datadog LLM Observability. Cost: per-token tracking + prompt caching. Топ-стек: python, llm, cloud, aws, agile. Среди вакансий с указанным форматом работы 30% — удалённые.

Данные на:

Главные цифры рынка AI / LLM Engineer: открытые вакансии, медианная зарплата, наблюдаемый пул специалистов и доля удалёнки.

4 167
открытых вакансий — по заголовку вакансии, без перепубликаций
$10 833
медиана $/мес
30%
удалённых

На рынке AI / LLM Engineer сейчас 4 167 открытых вакансий, из них 3 594 со свежим наблюдением. Медианная зарплата $10 833/мес.

Среди вакансий с указанным форматом работы 30% — удалённые. AI work fully cloud-based (LLM APIs + vector DBs + cloud GPUs). Аутсорсеры — почти всегда remote. Международные frontier-AI labs — full-remote standard для exceptional candidates. Big Tech AI — гибрид-standard. Y Combinator AI-startups — premium full-remote.

⚠ зарплата известна у 541 из 4167 вакансий; доля удалёнки — от 3515 с указанным форматом; свежими наблюдениями считаются 3594; тренд и сложность найма не показываются

Динамика: вакансии и источники

Сколько вакансий AI / LLM Engineer появлялось каждую неделю с 1 июн. и из скольких источников они пришли. Нижний график нужен, чтобы отличать рост рынка от роста нашего охвата: скачок вакансий в неделю, когда подключились новые источники, — это мы стали видеть больше, а не рынок вырос.

Новые вакансии за неделю

Данные графика
Новые вакансии за неделю. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодНовые вакансии за неделю
2026-06-01190
2026-06-08141
2026-06-15113
2026-06-22326
2026-06-29306
2026-07-06351
2026-07-13463
2026-07-20436
2026-07-27254
2026-08-03354
2026-08-10219
2026-08-17262
2026-08-24235
2026-08-31272
2026-09-07278
2026-09-14307
2026-09-211 096
2026-09-28666
2026-10-05752
2026-10-121 640
2026-10-19888
2026-10-26967
2026-11-02928
2026-11-091 041

Активных источников за неделю

Источников всего за период: 278. ▲ — неделя, когда подключилось много новых источников.

Данные графика
Активных источников за неделю. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодАктивных источников
2026-06-0125
2026-06-0824
2026-06-1521
2026-06-2249
2026-06-2968
2026-07-0658
2026-07-1385
2026-07-2075
2026-07-2766
2026-08-0366
2026-08-1040
2026-08-1744
2026-08-2447
2026-08-3149
2026-09-0749
2026-09-1450
2026-09-2175
2026-09-2871
2026-10-0582
2026-10-1273
2026-10-1983
2026-10-2685
2026-11-0282
2026-11-09107
Подключение новых источников: 22 июн. +28 · 29 июн. +36 · 6 июл. +22 · 13 июл. +26 · 20 июл. +19 · все недели (23) — в таблице
НеделяНовых источниковНовых вакансий
8 июн.+7141
15 июн.+5113
22 июн.+28326
29 июн.+36306
6 июл.+22351
13 июл.+26463
20 июл.+19436
27 июл.+5254
3 авг.+6354
10 авг.+2219
17 авг.+4262
24 авг.+5235
31 авг.+5272
7 сент.+7278
14 сент.+8307
21 сент.+101 096
28 сент.+6666
5 окт.+8752
12 окт.+81 640
19 окт.+14888
26 окт.+3967
2 нояб.+9928
9 нояб.+101 041

Текущая неделя ещё не закончилась и не показана: неполная неделя выглядела бы как спад.

Неделя — по дате появления вакансии, все статусы; отбор вакансий — то же правило, что у счётчика этой страницы. Источники — различные каналы сбора, их имена не публикуются.

Данные графика
Динамика: вакансии и источники — AI / LLM Engineer. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
НеделяНовые вакансии за неделюАктивных источников
2026-06-0119025
2026-06-0814124
2026-06-1511321
2026-06-2232649
2026-06-2930668
2026-07-0635158
2026-07-1346385
2026-07-2043675
2026-07-2725466
2026-08-0335466
2026-08-1021940
2026-08-1726244
2026-08-2423547
2026-08-3127249
2026-09-0727849
2026-09-1430750
2026-09-211 09675
2026-09-2866671
2026-10-0575282
2026-10-121 64073
2026-10-1988883
2026-10-2696785
2026-11-0292882
2026-11-091 041107

Зарплаты во времени

Медиана зарплат в вакансиях AI / LLM Engineer по неделям, в долларах США в месяц.

Медиана зарплаты, $ в месяц

Данные графика
Медиана зарплаты, $ в месяц. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодМедианаСколько вакансий с зарплатой за неделю (n)
2026-08-317 35511
2026-09-07—5
2026-09-14—5
2026-09-218 40625
2026-09-289 03649
2026-10-058 33379
2026-10-128 57884
2026-10-199 457156
2026-10-2610 833165
2026-11-0210 625161
2026-11-0911 417167

Ряд начинается с 31 авг.: раньше данных нет.

Сколько вакансий с зарплатой за неделю (n)

Только вакансии с зарплатой в долларах и известным периодом (месяц или год), от $500 до $50 000 в месяц. Недели, где таких вакансий меньше 10, пропущены — это «нет данных», а не ноль.

Данные графика
Зарплаты во времени — AI / LLM Engineer. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
НеделяМедиана
2026-06-01—
2026-06-08—
2026-06-15—
2026-06-22—
2026-06-29—
2026-07-06—
2026-07-13—
2026-07-20—
2026-07-27—
2026-08-03—
2026-08-10—
2026-08-17—
2026-08-24—
2026-08-317 355
2026-09-07—
2026-09-14—
2026-09-218 406
2026-09-289 036
2026-10-058 333
2026-10-128 578
2026-10-199 457
2026-10-2610 833
2026-11-0210 625
2026-11-0911 417

Удалённая работа во времени

Какая доля вакансий AI / LLM Engineer предлагала полностью удалённую работу — по неделям.

Доля удалённых вакансий, %

Данные графика
Доля удалённых вакансий, %. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодУдалённо
2026-06-0130,3
2026-06-0826,1
2026-06-1521,1
2026-06-2227,6
2026-06-2940,9
2026-07-0639,5
2026-07-1340,8
2026-07-2043,1
2026-07-2746,7
2026-08-0327,7
2026-08-1036,2
2026-08-1730,8
2026-08-2431,3
2026-08-3122,9
2026-09-0720,3
2026-09-1417,6
2026-09-2129,6
2026-09-2833,5
2026-10-0536,5
2026-10-1234,5
2026-10-1935,1
2026-10-2634
2026-11-0230,5
2026-11-0930,5

Доля считается среди вакансий, где формат указан (удалённо, гибрид, офис). Недели, где таких меньше 10, пропущены.

Данные графика
Удалённая работа во времени — AI / LLM Engineer. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
НеделяУдалённо
2026-06-0130,3
2026-06-0826,1
2026-06-1521,1
2026-06-2227,6
2026-06-2940,9
2026-07-0639,5
2026-07-1340,8
2026-07-2043,1
2026-07-2746,7
2026-08-0327,7
2026-08-1036,2
2026-08-1730,8
2026-08-2431,3
2026-08-3122,9
2026-09-0720,3
2026-09-1417,6
2026-09-2129,6
2026-09-2833,5
2026-10-0536,5
2026-10-1234,5
2026-10-1935,1
2026-10-2634
2026-11-0230,5
2026-11-0930,5

Технологии во времени

Как менялась доля вакансий AI / LLM Engineer, где упоминается каждая из главных технологий.

Доля вакансий с технологией, %

Данные графика
Доля вакансий с технологией, %. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодPythonllmcloud
2026-08-1023,436,921,6
2026-08-1739,346,217,9
2026-08-2429,534,117,8
2026-08-3135,746,210,5
2026-09-0734,748,424,2
2026-09-1432,84026,4
2026-09-2138,244,435
2026-09-2856,955,741,8
2026-10-0559,254,340,6
2026-10-1250,350,741
2026-10-1959,860,243,6
2026-10-2659,556,350,6
2026-11-0263,357,940,7
2026-11-0961,45544,9
На графике до 5:

Доля — среди вакансий с размеченным стеком; ряд начинается с 10 авг.: раньше метки стека ставились по-другому. Недели, где размеченных вакансий меньше 20, пропущены.

Данные графика
Технологии во времени — AI / LLM Engineer. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
НеделяPythonllmcloudAWSAzure
2026-08-1023,436,921,616,27,2
2026-08-1739,346,217,91212
2026-08-2429,534,117,88,511,6
2026-08-3135,746,210,510,58,4
2026-09-0734,748,424,26,512,9
2026-09-1432,84026,45,68,8
2026-09-2138,244,43517,813,5
2026-09-2856,955,741,829,433,6
2026-10-0559,254,340,62627,5
2026-10-1250,350,74123,922,2
2026-10-1959,860,243,628,225,4
2026-10-2659,556,350,631,928,6
2026-11-0263,357,940,726,724,5
2026-11-0961,45544,926,328,6

Страны во времени

Как менялась доля вакансий AI / LLM Engineer в каждой из главных стран — по неделям.

Доля вакансий в стране, %

Данные графика
Доля вакансий в стране, %. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодСШАВеликобританияПольша
2026-06-0150,82,217,3
2026-06-0851,97,810,9
2026-06-1558,8213,7
2026-06-2229,70,734,7
2026-06-2927,7416,6
2026-07-0631,45,210,8
2026-07-1333,3511,8
2026-07-2034,11718,7
2026-07-2729,611,318,8
2026-08-0335,318,54,8
2026-08-1028,227,63,1
2026-08-1737,320,11,4
2026-08-2432,122,34,3
2026-08-3137,624,51,7
2026-09-0740,917,53,2
2026-09-1437,7201,1
2026-09-2135,912,24,1
2026-09-2837,511,911,9
2026-10-0531,711,715
2026-10-1222,29,210,9
2026-10-192611,213,3
2026-10-2627,8127
2026-11-0228,612,67,4
2026-11-0928,411,47,5
На графике до 5:

Доля — среди вакансий, где страна известна; на графике пять стран с наибольшим числом вакансий за полгода. Недели, где вакансий с известной страной меньше 20, пропущены. Рост доли страны может означать подключение нового источника в этой стране, а не рост рынка.

Данные графика
Страны во времени — AI / LLM Engineer. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
НеделяСШАВеликобританияПольшаИндияГермания
2026-06-0150,82,217,312,31,1
2026-06-0851,97,810,913,27,8
2026-06-1558,8213,76,94,9
2026-06-2229,70,734,773,7
2026-06-2927,7416,67,53,2
2026-07-0631,45,210,813,64,9
2026-07-1333,3511,812,13,7
2026-07-2034,11718,74,72,5
2026-07-2729,611,318,83,85,9
2026-08-0335,318,54,86,81,7
2026-08-1028,227,63,16,13,7
2026-08-1737,320,11,47,71,9
2026-08-2432,122,34,38,22,2
2026-08-3137,624,51,78,32,2
2026-09-0740,917,53,27,91,2
2026-09-1437,7201,112,10,4
2026-09-2135,912,24,174,1
2026-09-2837,511,911,97,45,2
2026-10-0531,711,7155,77,5
2026-10-1222,29,210,99,210
2026-10-192611,213,36,67,8
2026-10-2627,81278,65,3
2026-11-0228,612,67,47,26,1
2026-11-0928,411,47,58,66,4

Чистый рынок: индекс найма

Одни и те же 7 505 досок вакансий работодателей; число вакансий берётся с самой доски. Подключение новых источников этот индекс не двигает — он показывает рынок, а не наш охват. Это весь рынок по панели, а не только AI / LLM Engineer.

Индекс найма, 16 окт. = 100

Данные графика
Индекс найма, 16 окт. = 100. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодИндекс найма
2026-10-16100
2026-10-17100,03
2026-10-1899,76
2026-10-1999,68
2026-10-2099,27
2026-10-2198,6
2026-10-2299,07
2026-10-2397,4
2026-10-2497,41
2026-10-2697,33
2026-10-2796,76
2026-10-2896,21
2026-10-2995,17
2026-10-3095,13
2026-10-3193,65
2026-11-0193,33
2026-11-0292,67
2026-11-0392,65
2026-11-0492,41
2026-11-0592,13
2026-11-0690,44
2026-11-0790,48
2026-11-0890,45
2026-11-1090,29
2026-11-1190,22
2026-11-1390,12
2026-11-1489,7
2026-11-1589,68
2026-11-1689,62
2026-11-1888,91
2026-11-1988,02

Цепной индекс: каждый день сравниваются только доски, опрошенные и в этот, и в предыдущий день; выбросы и сбои опроса целой платформы исключаются. Дни без сопоставимых пар пропущены.

Данные графика
Чистый рынок: индекс найма — AI / LLM Engineer. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ДеньИндекс найма
2026-10-16100
2026-10-17100,03
2026-10-1899,76
2026-10-1999,68
2026-10-2099,27
2026-10-2198,6
2026-10-2299,07
2026-10-2397,4
2026-10-2497,41
2026-10-2697,33
2026-10-2796,76
2026-10-2896,21
2026-10-2995,17
2026-10-3095,13
2026-10-3193,65
2026-11-0193,33
2026-11-0292,67
2026-11-0392,65
2026-11-0492,41
2026-11-0592,13
2026-11-0690,44
2026-11-0790,48
2026-11-0890,45
2026-11-1090,29
2026-11-1190,22
2026-11-1390,12
2026-11-1489,7
2026-11-1589,68
2026-11-1689,62
2026-11-1888,91
2026-11-1988,02

Сколько открытых вакансий AI / LLM Engineer и сколько подходящих специалистов видит Zorky.

Спрос и наблюдаемый пул

Данные графика
Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПоказательЗначение
Открытый спрос4 167
Открытый спрос4 167
Наблюдаемый пул— не публикуется

AI Engineer — fastest-growing AI/ML sub-niche (выделилась в 2023 после ChatGPT boom). Реальный рынок шире виден pool — many AI roles classified как general ML Engineer / Backend в нашем matcher'е (titles типа «Senior Backend Engineer with AI focus»). Драйверы 2026: LLM adoption в всех продуктах (chatbots / summarization / Q&A / code-assist), RAG-applications для enterprise knowledge bases, agentic workflows (rising 2025–2026), Foundation Model startups race. International remote через frontier-AI labs + Y Combinator AI-startups — премиум сегмент.

⚠ подходящих под вакансию кандидатов пока не считаем: показаны спрос и наблюдаемый пул

Как распределены зарплаты в вакансиях AI / LLM Engineer, в долларах США в месяц.

Распределение зарплат

P25 $7 699 · P50 $10 833 · P75 $15 625
Данные графика
Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПоказательЗначение
<$1k4
$1–2k10
$2–3k11
$3–4k11
$4–5k11
$5–6k30
$6–7k32
$7–8k37
$8–9k45
$9–10k34
$10–12k80
$12–15k81
$15–20k113
$20k+42
Зарплата в вакансиях: база 4 167
  • пригодна для расчёта: 541 (13%)
  • указана, но не приведена к $/мес: 543 (13%)
  • не указана: 3 083 (74%)

В каждой десятой вакансии вилка ниже $5 411, в каждой десятой — выше $19 166. Половина вакансий предлагает от $7 699 до $15 625. Выборка: 541.

Данные графика
Распределение зарплат — AI / LLM Engineer. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПоказательНижняя границаВерхняя границаКоличество
<$1k01 0004
$1–2k1 0002 00010
$2–3k2 0003 00011
$3–4k3 0004 00011
$4–5k4 0005 00011
$5–6k5 0006 00030
$6–7k6 0007 00032
$7–8k7 0008 00037
$8–9k8 0009 00045
$9–10k9 00010 00034
$10–12k10 00012 00080
$12–15k12 00015 00081
$15–20k15 00020 000113
$20k+20 000—42

В каких странах больше всего открытых вакансий AI / LLM Engineer.

География спроса

странавакансийдоля
Соединенные Штаты1 05030,3%
Великобритания3299,5%
Польша3088,9%
Индия2848,2%
Германия2146,2%
Канада1243,6%
Франция1103,2%
Сингапур1073,1%
Испания651,9%
Россия601,7%
Остальные страны81923,6%

Лидер по числу AI Engineer-вакансий — США (1050 позиций) — но pool молодой нишы небольшой, не репрезентативен в полную меру. Польша — AI-friendly EU-хаб (Варшава / Краков). Германия — Berlin AI-cluster (Aleph Alpha + Black Forest Labs). Франция — Paris (Mistral + Hugging Face HQ). UK — London. США — Bay Area (крупнейший AI hub).

⚠ только число вакансий: зарплата по странам не публикуется

Данные графика
География спроса — AI / LLM Engineer. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
СтранаВакансии
US1 050
GB329
PL308
IN284
DE214
CA124
FR110
SG107
ES65
RU60

Какие технологии чаще всего требуют в одной вакансии с AI / LLM Engineer.

С чем используется вместе

python
1 56237,5%
llm
1 53536,8%
cloud
1 33131,9%
aws
84720,3%
azure
79019%
docker
47711,4%
langchain
44110,6%
langgraph
42510,2%
gcp
4019,6%
mlops
3568,5%

Доля — сколько из 4 167 вакансий рынка «AI / LLM Engineer» упоминают эту технологию. Порядок — по числу вакансий, не по «силе связи». Обобщения вроде cloud не равны конкретному облаку (AWS, Azure).

Данные графика
С чем используется вместе — AI / LLM Engineer. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
НазваниеКоличество
python1 562
llm1 535
cloud1 331
aws847
azure790
docker477
langchain441
langgraph425
gcp401
mlops356
embeddings355
fine-tuning333

Сколько вакансий AI / LLM Engineer на каждом уровне — от junior до principal.

Спрос по уровням

уровеньвакансий
senior1 284
principal316
lead312
junior201
middle184

Junior — typical entry Backend Senior / ML Engineer Middle + LLM portfolio (RAG + LangChain experience demonstrable). Career-flow: Backend Senior / ML Middle (2-3 года) + LLM interest → AI Engineer Junior (1-2 года) → Middle (2-3 года) → Senior → либо Staff / Principal AI Engineer, либо AI Tech Lead / Engineering Manager, либо переход в frontier-AI lab, либо AI startup founder. Если данных мало по grade'ам — обращайтесь к страницам ml-engineer + research для broader benchmarks.

⚠ только сторона спроса: грейд наблюдаемого пула неизвестен у большинства

Данные графика
Спрос по уровням — AI / LLM Engineer. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
УровеньКоличество
senior1 284
principal316
lead312
junior201
middle184

Кто больше всех нанимает по AI / LLM Engineer и насколько спрос сосредоточен у крупных компаний.

Работодатели

Спрос распределён между 2 497 работодателями. На крупнейшего приходится 1.1%, на десятку — 5.0%; остальные 95.0% — длинный хвост.

крупнейший 1,1%2–3-й 1,3%4–10-й 2,6%остальные 95%
долязначение
крупнейший1.1%
топ-32.3%
топ-105.0%
длинный хвост95.0%

⚠ имена не показываются: кадровые агентства и конечные работодатели пока не различаются классификацией

С каких сайтов компаний и досок Zorky собирает вакансии AI / LLM Engineer.

Откуда Zorky видит этот рынок

Наблюдение идёт из 128 источников; на крупнейший приходится 11.5% — рынок не держится на одном канале.

Данные графика
Откуда Zorky видит этот рынок — AI / LLM Engineer. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
КлассНазваниеНазвание на английскомКоличествоДоля
atsATS и карьерные сайтыATS & career sites2 5300,6072
boardджоб-борды и агрегаторыjob boards & aggregators1 3920,3341
telegramTelegramTelegram2220,0533
communityсообщества и публичные профилиcommunity & public profiles230,0055

Самые новые вакансии AI / LLM Engineer с сайтов компаний.

Свежие вакансии

Все вакансии →

Свежие открытые AI Engineer-вакансии — последние позиции в выборке (молодая ниша, sample небольшой). Полный список — в нашем CRM или по ссылке «смотреть все» ниже. Для broader view посмотрите ml-engineer + research страницы.

Как это посчитано
Вакансия
открытая вакансия, прошедшая гейт качества и содержащая не менее двух технологий
Наблюдаемый кандидат
кандидат, чей стек содержит эту технологию; агрегат, без единой записи наружу
Подходящий кандидат
пока не считается
Окно
открытые вакансии на момент сборки снимка

О данных

  • Некоторые разрезы скрыты: по ним пока недостаточно полноты данных.
  • Статистика строится только там, где выборка проходит порог качества.
  • Отсутствие блока не означает нулевое значение.

Сейчас скрыто разрезов: 8.

Направление: AI / ML / DS

Соседние специализации

Внутри AI / LLM Engineer: AI Engineer (general — LLM integration в одну продуктовую feature), LLM Engineer (LLM-deep — vLLM / TGI serving + KV cache + quantization + speculative decoding), Generative AI Engineer (broader — image / video / audio: Stable Diffusion / Flux / Suno / ElevenLabs), AI Agent Engineer (rising 2025–2026 — autonomous agents с tool use + multi-step reasoning), Senior AI Engineer (multi-product LLM architecture + cost optimization). Сравнение с ml-engineer/data-scientist/research/mlops — в баре ниже.

Computer VisionData ScientistML EngineerMLOps EngineerNLP EngineerResearch Engineer / Scientist

Частые вопросы

Самые частые вопросы про AI / LLM Engineer: зарплаты (премиум-сегмент за rare-skill), AI Engineer vs ML Engineer vs Data Scientist (3-way comparison), RAG vs Fine-tuning vs Prompt Engineering (decision tree + cost reality), AI Agent Engineer (rising 2025–2026 sub-specialization), удалёнка, как стать (2-4 месяца из Backend Senior — fastest entry в ML world), Senior skills (LangChain + RAG advanced + agent architectures + cost optimization + open-source contributions). Ответы пересчитываются автоматически.

Какой стек чаще всего требуют от AI Engineer?

Топ-5: python, llm, cloud, aws, agile. Python deep (монопольно — async / typing / FastAPI). Каждый provider имеет свои quirks (rate limits + retry strategies + cost per token + features support). LLM Frameworks: LangChain mastery — самый ёмкий job market (LCEL — LangChain Expression Language, callbacks, agents, retrievers), LlamaIndex (RAG-focused — data ingestion + indexing strategies), Haystack (deepset), Semantic Kernel (Microsoft for .NET shops), LangGraph (DAG-style agent orchestration — LangChain), AutoGen + CrewAI (multi-agent — rising), DSPy (Stanford — declarative LLM programming, growing). Vector databases mastery: Pinecone (managed leader), Weaviate (open-source modular), Qdrant (Rust-based — fast self-hosted), Milvus (enterprise scale), Chroma (lightweight dev / prototyping), pgvector (Postgres extension — production-friendly для existing Postgres shops), Elasticsearch dense_vector + Redis Stack (hybrid full-text + vector). Fine-tuning: LoRA + QLoRA через PEFT library (Hugging Face — standard 2026), Unsloth (faster LoRA training), Axolotl (config-driven fine-tuning). Full fine-tuning rare (cost prohibitive). RLHF / DPO / KTO: TRL library (Hugging Face — Direct Preference Optimization рост 2024+). Evaluation: RAGAS (RAG-specific — faithfulness + answer relevancy + context precision), DeepEval, lm-evaluation-harness (academic benchmarks), Inspect AI (UK AISI safety-focused), Promptfoo (regression testing для prompts), LangSmith (LangChain trace + eval — best UX). Observability + tracing: Helicone (LLM-specific APM), LangSmith, Langfuse (open-source), Arize Phoenix, Datadog LLM Observability (2024+ feature). Cost optimization: prompt caching, prompt compression (LLMLingua), model routing (small model for easy queries, large для complex — through providers like Martian / OpenRouter).

AI Engineer vs ML Engineer vs Data Scientist — в чём разница?

Data Scientist — focus statistical modeling + A/B testing + business problem framing. Стек: pandas + sklearn + XGBoost + Jupyter + SQL + Tableau. См. Data Scientist. ML Engineer — focus на production ML pipelines + deployment + scaling. Стек: PyTorch + sklearn + Kubernetes + MLflow + cloud-managed ML. Универсал — работает с recsys / fraud / ranking / classical ML. См. ML Engineer. AI Engineer (эта страница) — focus на LLM integration в продукт. НЕ обучает foundation модели (это Research), НЕ строит classical ML pipelines (это ML Engineer). Стек: Python + LLM providers + LangChain / LlamaIndex + vector DBs + vLLM serving + RAG patterns + LoRA fine-tuning + LLM evaluation tools. Key distinction 2026: AI Engineer reuses pre-trained LLM, ML Engineer часто trains models из scratch. AI Engineer работает с API/prompts/RAG; ML Engineer — с training loops + feature engineering. Career-pivots: Backend Senior → AI Engineer Junior — 2-4 месяца (быстрая ramp за счёт API-based work + LangChain learnable). ML Engineer Senior → AI Engineer Senior — 1-3 месяца (already знает stack basics, нужно deepen LLM-specific). DS Senior → AI Engineer Middle — 3-6 месяцев. AI Engineer Senior → Research — требует deeper math + paper-writing experience + 6-12 месяцев preparation.

RAG vs Fine-tuning vs Prompt Engineering — что выбрать?

Decision tree для LLM customization 2026: 1) Prompt Engineering — first try. Use case: zero-shot или few-shot ENOUGH для task. Pros: zero-cost (no training), instant iteration, model-agnostic. Cons: limited control, prompt fragility, context window pressure. 2) RAG (Retrieval-Augmented Generation) — best для knowledge-grounded tasks. Use case: chatbot, Q&A, document search, customer support, code documentation, internal knowledge bases. Architecture: query → embed → vector search → top-k documents → augment prompt с retrieved context → LLM generates answer. Pros: factual grounding (anti-hallucination), up-to-date (just update index, no retraining), source citation possible, cheaper чем fine-tuning. Cons: retrieval quality bottleneck, prompt size grows. RAG stack 2026: ingestion (LlamaIndex / LangChain document loaders) → chunking strategy (semantic vs fixed-size vs recursive) → embeddings → vector DB (Pinecone / Qdrant / Weaviate / pgvector) → retrieval (similarity + reranking via Cohere Rerank / BGE Reranker) → prompt augmentation → LLM generation. Advanced RAG: hybrid search (vector + BM25), HyDE (Hypothetical Document Embeddings), query rewriting, multi-hop retrieval, self-reflection (CRAG / Self-RAG). 3) Fine-tuning — use when prompt engineering + RAG не достаточно. Use case: a) domain-specific style / format (medical / legal — specific phrasing patterns), b) reduce token cost (smaller fine-tuned model заменяет larger general model), c) tasks requiring deep specialized knowledge (где RAG context window не помогает). LoRA обучает адаптеры при замороженных базовых весах. Доля обучаемых параметров зависит от модели, ранга адаптеров и выбранных модулей. LoRA. Stack: Hugging Face Transformers + PEFT + TRL + Unsloth (faster) + Axolotl (config-driven). Hardware: 24GB GPU (RTX 4090 / A6000) для 7-13B models, 80GB+ (A100/H100) для 70B+. Cost reality 2026: prompt engineering — minutes, $0. RAG setup — 1-2 weeks engineering, $100–1000/month API costs. 4) Combination: real production AI features typically use ALL three. Prompt engineering первое (system prompts + few-shot examples) → RAG для grounding → optional LoRA fine-tuning для style/format. 5) Agentic patterns (rising 2025–2026) — LLM + tool use + multi-step reasoning. Use LangGraph / AutoGen / CrewAI / DSPy.

Какая доля вакансий предполагает удалённую работу?

Среди вакансий с указанным форматом работы 30% — удалённые. Вакансии без указанного формата не входят в знаменатель; гибридная работа не считается удалённой.

С чего начинать в AI Engineering в 2026?

Roadmap: 1) Python deep + Backend basics — async / typing / FastAPI / pytest. Без Backend skill — не AI Engineer (just prompt-jockey). Книга: «Fluent Python» Ramalho. 2) LLM fundamentals understanding — transformer architecture basics (attention + tokenization + decoding strategies + context windows), но НЕ нужно implement from scratch. Курс: «Building LLMs from scratch» Karpathy YouTube (free — best для intuition). Книга: «Hands-On Large Language Models» Jay Alammar / Maarten Grootendorst (2024 — must-read). 3) OpenAI API mastery — chat completions + function calling + structured outputs + streaming + assistants. Build minimum 3 real apps. Free credits + cheap experimentation. 4) Anthropic Claude API mastery — лучший для coding + long-context use cases. Tool use + prompt caching + computer use (если AI Agent track интересен). 5) LangChain mastery — самый ёмкий job market требование. LCEL (LangChain Expression Language), chains, agents, retrievers, callbacks. Курс: «LangChain & Vector Databases in Production» DeepLearning.AI (free). 6) RAG architecture deep — document loaders + chunking strategies (semantic / fixed / recursive) + embeddings choice + vector DB selection + retrieval algorithms + reranking. Build production RAG app с advanced patterns (hybrid search + reranking + HyDE). 7) Vector DB mastery — minimum один deeply (Qdrant — best для self-hosted learning) + один managed (Pinecone). Understanding HNSW / IVF / PQ algorithms basics. 8) Fine-tuning hands-on — LoRA / QLoRA через PEFT library + Unsloth (faster). Fine-tune Llama 3.x 8B на own dataset. Hardware: Google Colab Pro+ ($50/month) или RunPod / Vast.ai (cheap GPU rental). 9) vLLM serving — deploy open model with vLLM + benchmark throughput + compare with OpenAI API. 10) Evaluation mastery — RAGAS + DeepEval + custom evaluation suite. Build regression test для prompts. 11) LangSmith / Langfuse observability — instrument production app + analyze traces + identify bottlenecks. 12) Agent frameworks — LangGraph + AutoGen + CrewAI + DSPy basics. Build multi-agent demo (research agent + writing agent + critic agent). 13) Pet-проект portfolio: production-grade AI feature (e.g. document Q&A для open dataset) с RAG + evaluation + observability + cost tracking. Document как portfolio (GitHub + blog post + demo video). Курсы РФ: Karpov.Courses «AI Engineer» track, Otus «LLM Engineering», Школа высшая ВШЭ ИИ, School21 (Сбер) AI Engineer track. Books-must: «AI Engineering» Chip Huyen (2024), «Hands-On Large Language Models» Alammar / Grootendorst, «Building LLMs for Production» Bouchard / Peng. Backend Senior + LLM interest → AI Engineer Junior — 2-4 месяца (fastest entry в ML world). ML Engineer Senior → AI Engineer Senior — 1-3 месяца. Data Scientist → AI Engineer Middle — 3-6 месяцев.

Сколько открытых вакансий в этой выборке?

В опубликованной выборке — 4167 открытых вакансий без перепубликаций. Это тот же показатель, что в верхнем блоке страницы. География выборки представлена в разделе географии; это не оценка всего рынка.

Какие навыки нужны Senior AI Engineer?

Senior AI Engineer владеет полным циклом LLM-product engineering + cost optimization + technical leadership. Python deep + Backend Senior level: async / typing / FastAPI / pytest mastery. Open LLM knowledge: Llama 3.x / Mistral / Qwen 2.5 / DeepSeek V3 + R1 / Phi 3 / Gemma 2 — performance / cost trade-offs, когда какую использовать. LangChain mastery: LCEL deep, callbacks, agents, retrievers, custom chain authoring, debugging through LangSmith. Or equivalent в LlamaIndex / Haystack / Semantic Kernel. RAG architecture mastery: advanced patterns (hybrid search BM25 + vector, reranking, HyDE, query rewriting, multi-hop retrieval, self-reflection patterns CRAG / Self-RAG), chunking strategies (semantic + recursive + hierarchical), embedding model selection. Vector DB mastery deep: один из Pinecone / Qdrant / Weaviate / Milvus / pgvector deeply — index tuning, sharding, replication, hybrid search implementation. Fine-tuning mastery: LoRA / QLoRA via PEFT + Unsloth + Axolotl, dataset preparation (instruction tuning + DPO data), hyperparameter selection, evaluation methodology. RLHF / DPO / KTO basics: TRL library для preference optimization. Serving mastery: vLLM advanced (PagedAttention + continuous batching + speculative decoding + KV cache optimization), TGI, SGLang. Agent architectures: LangGraph + AutoGen + CrewAI + DSPy mastery, MCP (Model Context Protocol) implementation, tool use design patterns, multi-agent orchestration. Evaluation mastery: RAGAS + DeepEval + custom evaluation suite design, LLM-as-judge methodology, regression testing для prompts, A/B testing для LLM features. Observability + tracing: LangSmith + Langfuse + Helicone + Arize Phoenix + Datadog LLM Observability mastery. Cost optimization mastery: prompt caching strategies (native + custom Redis), prompt compression (LLMLingua), model routing (small for easy / large для complex via OpenRouter / Martian), batch API for non-real-time. Safety / guardrails: NeMo Guardrails, Llama Guard, OpenAI Moderation API integration, prompt injection defense, output filtering. System design для LLM products: design RAG-based product на whiteboard под scale 100M+ queries/day, multi-region considerations, latency budgets (target P95 < 2s for chat). Soft: ADRs writing для LLM architecture decisions, technical writing (LLM feature design docs), cross-team collaboration (Product / Backend / DS / Research teams), mentoring Middle AI Engineers, paper-reading discipline (NeurIPS / ICLR / EMNLP — must follow). Английский для Senior+ MUST — AI community / docs / papers / conferences полностью англоязычные. Optional bonus: open-source contributions в LangChain / LlamaIndex / vLLM / Hugging Face — резко повышают market value для frontier-AI labs hiring. Twitter AI presence (regular posting about LLM experiments) — important для hiring through community connections.

Оставить заявку

Опишите задачу и оставьте контакт — заявка попадёт в CRM, ответим на указанный контакт.

Отправляя заявку, вы соглашаетесь с политикой обработки данных.