Что не так с вакансиями LLM Engineer

В сфере искусственного интеллекта произошло заметное событие. Coder89 3 минуты назад Что не так с вакансиями LLM Engineer Уровень сложности Простой Время на прочтение 4 мин Охват и читатели 27 Искусственный интеллект Карьера в IT-индустрии Мнение В 2026 году вакансий, связанных с ИИ, большими языковыми моделями и агентами, стало заметно больше и в России, и за ее пределами. Технологические компании, банки и даже обычный enterprise поняли, куда движется индустрия, и начали срочно внедрять ИИ в продукты и внутренние процессы. ru, LinkedIn или Telegram-каналы с вакансиями, легко увидеть набор ролей, которые постоянно пересекаются по описанию и требованиям: LLM Engineer ML Engineer AI Engineer AI Architect иногда еще что-то вроде «AI Automation Engineer» Особенно часто встречается вакансия LLM Engineer.

И вот тут начинается путаница. Например, в одной вакансии Senior LLM Engineer требуют: 2+ года коммерческой разработки на Python практический опыт с LangChain, LlamaIndex, prompt engineering, RAG подтвержденный опыт разработки и внедрения AI-решений Смотришь другую вакансию — уже Team Lead LLM Engineer. А там: создание и развитие RAG-систем, включая Agentic RAG observability для агентов сервисы обработки документов организация разметки данных дообучение мультимодальных моделей LLM-as-a-Judge и quality pipelines вывод моделей и сервисов в production Проблема в том, что под одним и тем же названием компании часто описывают совершенно разные роли .

Технические детали

Где-то под LLM Engineer реально подразумевается человек, который работает с моделями как с объектом исследования и улучшения: оценка (evals), промптинг, fine-tuning, data curation, quality loops, иногда даже инференс и serving. А где-то под тем же названием ищут обычного сильного прикладного инженера, который должен собирать AI-функции в продукте: RAG, агенты, интеграции, пайплайны, наблюдаемость (observability), безопасность, продакшен-уровень. А иногда компания просто ищет единорога, который одновременно умеет: тренировать и дообучать модели строить RAG и агентные системы делать evals поднимать production-инфраструктуру выстраивать MLOps а в идеале еще и оптимизировать инференс Естественно, когда бэкенд- или фуллстэк-разработчик, который хочет перейти в прикладной ИИ (applied AI), читает такую вакансию, у него быстро появляется мысль: «я вообще не подхожу».

И это часто ложное ощущение. Где проходит граница Проблема рынка в том, что названия ролей пока не устоялись. Но на практике полезно различать хотя бы два типа задач.

LLM Engineer Это роль ближе к работе с самими моделями и качеством их поведения.

Этот прогресс даёт важные сигналы о будущем отрасли, и технологический мир внимательно наблюдает.