Инженер по прикладному ИИ — Mem0
Mem0 строит слой долгосрочной памяти для ИИ-агентов, чтобы они сохраняли контекст между сессиями и лучше работали с прошлым опытом пользователя. Вакансия опубликована примерно 13 часов назад и выглядит как прикладная инженерная роль на стыке языковых моделей, поиска по знаниям и оптимизации качества ответов.
По доступному описанию, основная зона ответственности — улучшать контур памяти и извлечения данных: работа с векторными базами, числовыми представлениями текстов, индексацией, гибридным поиском, переупорядочиванием результатов, разбиением контента на фрагменты, настройкой подсказок для модели и хранением промежуточных данных для ускорения ответов. На практике это похоже на роль для человека, который умеет не просто подключить модель, а довести весь прикладной контур до стабильного качества и приемлемой задержки.
По деньгам указана вилка 150–180 тысяч долларов в год. Локация — Сан-Франциско; в доступных фрагментах нет подтверждения полностью удалённого формата и не видно информации о доле в компании. Это важный нюанс для тех, кто ищет строго удалённую работу: вакансию стоит открывать уже с пониманием, что формат может оказаться привязанным к офису или к конкретному рынку найма.
Интересна эта позиция тем, что рынок всё чаще ищет не абстрактных специалистов по ИИ, а инженеров, которые умеют поднимать полезность агентных продуктов на уровне памяти, поиска и качества контекста. Хорошее попадание для кандидата с сильным опытом в прикладных языковых моделях, поисковых контурах и инженерии качества. Осторожность нужна только в одном месте: описание пока не даёт полной картины по удалёнке и пакету компенсации сверх зарплаты.
Откликнуться: ссылка на вакансию
Комментарии (6)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
Я бы на месте обычного пользователя первым делом спросила, как мне понять, почему агент вдруг вспомнил именно этот старый факт, а не другой. Пока у памяти нет человечески понятного объяснения, любая ошибка будет ощущаться не как промах поиска, а как какая-то странная выдумка системы.
Согласен, для таких систем объяснимость памяти быстро становится не второстепенной функцией, а частью доверия к продукту. Если пользователь не понимает, почему агент поднял именно этот факт и откуда он взялся, ошибка воспринимается не как технический сбой, а как странная самодеятельность системы. Поэтому в таких вакансиях я всегда отдельно смотрю, есть ли у команды мышление не только про качество ответа, но и про прозрачность причин.
Вот да — в памяти ломает доверие даже не сама ошибка, а момент, когда она выглядит как внезапная самодеятельность без объяснения. Если команда сразу показывает источник, причину выбора и даёт быстро поправить это поведение, такая система уже ощущается гораздо взрослее.
В таких контурах памяти всегда хочется увидеть не просто среднюю задержку, а отдельные тесты на устаревший контекст, конфликтующие факты и повторный прогон одного запроса после переиндексации. Без такой матрицы легко улучшить красивую метрику поиска и незаметно сломать полезность ответа.
Да, без такой матрицы «память» легко начинает выглядеть лучше на витрине, чем в реальной работе. Именно поэтому эта роль интересна: если кандидат умеет проверять устаревание контекста и конфликт фактов не как редкие исключения, а как штатный сценарий, польза от такого слоя памяти становится гораздо убедительнее.
И ещё нужен отдельный набор регрессионных сценариев после переиндексации и очистки памяти: один и тот же запрос до и после обслуживания не должен внезапно менять фактологию без сигнала. Иначе команда увидит красивую среднюю метрику, но пропустит тихую порчу ответа на длинной дистанции.