AI-инженер — это разработчик, который проектирует и собирает продукты, использующие большие языковые модели (LLM) и другие AI-компоненты. Не «учёный с дипломом по нейросетям», а инженер: он знает, как заставить LLM работать в реальном продукте — с памятью, инструментами, безопасностью, мониторингом и юзкейсом, который окупает счёт за токены.

AI-инженер vs ML-инженер vs Data Scientist

Три похожих, но разных роли:

  • Data Scientist — работает с данными: анализ, бизнес-метрики, эксперименты, ad-hoc исследования. Стек: Python, SQL, Jupyter, Pandas, статистика, иногда классический ML.
  • ML-инженер — обучает и деплоит модели. Стек: Python, PyTorch/TF, MLOps (MLflow, Kubeflow), оптимизация GPU, классическая ML-математика. Часто работает с собственными моделями.
  • AI-инженер — собирает продукты на базе готовых LLM (Claude, GPT, открытые модели). Стек: Python/TypeScript, API LLM, RAG, агентные фреймворки, MCP, оценка качества, prompt engineering. Реже обучает модели — чаще файнтюнит существующие.

Это поколение ролей, появившееся в 2023–2024 годах вокруг ChatGPT и Claude. К 2026 году AI-инженер — отдельная и зрелая позиция, с собственными собеседованиями, грейдами и зарплатной вилкой. Подробное сравнение трёх ролей по задачам, стеку и требованиям — в разборе AI-инженер vs ML-инженер vs Data Scientist.

Что входит в работу AI-инженера

  • Проектирование LLM-фич: чат-боты с RAG, ассистенты в продукте, агенты для автоматизации внутренних процессов.
  • RAG-системы: ингест документации/базы знаний, векторные хранилища (pgvector, Qdrant), retrieval-стратегии, реранкинг.
  • Агентные системы: агенты с инструментами (function calling, MCP), мультиагентные пайплайны, оркестрация.
  • Evaluation: метрики качества LLM-выхода, A/B-тесты промптов, регрессионные тесты на «золотых» примерах.
  • Безопасность: prompt injection, фильтры, sandbox для агентов, утечки данных.
  • Стоимость и латентность: кэширование (prompt caching), выбор моделей (Opus для сложного, Sonnet/Haiku для рутины), стриминг, батчинг.
  • Файнтюнинг и адаптация: LoRA, тонкая настройка инструкций. Реже — обучение с нуля.
  • Мониторинг и observability: логирование промптов, отслеживание ошибок, аналитика поведения пользователей.

Стек AI-инженера в 2026

Минимальный технический набор, который ждут на собеседовании уровня middle/senior:

  • Языки: Python (обязательно) и/или TypeScript. В продуктовых командах — оба.
  • API LLM: Anthropic, OpenAI, открытые провайдеры (Together, Groq, vLLM). Понимание различий моделей — Claude vs GPT vs open-source.
  • Фреймворки: LangChain ушёл в нишу, в проде чаще — собственный код или лёгкие библиотеки (Anthropic SDK, OpenAI SDK, llamaindex для RAG, mcp-* для агентов).
  • Векторные БД: pgvector (если у вас уже Postgres — обычно достаточно), Qdrant, Weaviate.
  • Эмбеддинги: модели OpenAI, Voyage, BGE; понимание dimensionality, реранкинга.
  • Агентные протоколы: MCP — стандарт 2025–2026 годов для подключения инструментов к LLM. Знать обязательно.
  • Эвал-стек: Braintrust, LangSmith, кастомные пайплайны на pytest. Умение придумать метрику под задачу.
  • Базовый MLOps: Docker, очереди (RabbitMQ/SQS), мониторинг (Sentry/Grafana), API-слои (FastAPI, Express).

Глубокая ML-математика на 80% позиций не нужна. Полезно понимать, что такое attention и embeddings — на уровне «как объясняю на собеседовании», но не «как реализую с нуля».

Зарплаты в России и за рубежом

Срез на весну 2026 года (по данным внутренних опросов, hh, glassdoor):

  • Россия (продуктовые компании): middle — 300–450 тыс. ₽/мес, senior — 450–700 тыс. ₽/мес, lead — 700–1200 тыс. ₽/мес. На 15–25% выше, чем у backend того же уровня.
  • Россия (стартапы): разброс шире — от 200 до 1000+ тыс. ₽/мес. Часто с долей в компании.
  • Зарубежные удалённые: middle — $4–7к/мес, senior — $7–14к/мес, lead/staff — $14–25к/мес.
  • FAANG / big tech (релокация): total comp $180–400к/год на L4–L6.

Вилки шире, чем у классических разработчиков: AI-инженеров на рынке мало, спрос высокий, и грейды у разных компаний устоялись неодинаково. Подробный разбор по грейдам, типам компаний и тому, как поднять свой ценник, — в отдельной статье про зарплату AI-инженера.

Roadmap входа из обычной разработки

Если у вас уже есть 2+ года в любой разработке (backend, frontend, fullstack), реалистичный план на 4–6 месяцев:

Месяц 1–2: основа

  • Освоить Anthropic SDK и OpenAI SDK на базовом уровне: chat completions, streaming, tool calling.
  • Сделать 2–3 пет-проекта: чат-бот с памятью, RAG над собственной документацией, агент, который что-то полезное автоматизирует.
  • Прочитать минимум про attention и embeddings — на уровне «могу объяснить за 5 минут».
  • Освоить prompt engineering: системные промпты, few-shot, chain-of-thought, structured output (JSON schema).

Месяц 3: RAG и агенты

  • Собрать рабочий RAG-пайплайн: ингест → эмбеддинги → векторный поиск → реранк → ответ.
  • Прокачать MCP: написать собственный MCP-сервер для нетривиального инструмента (например, под вашу СУБД).
  • Изучить мультиагентные паттерны: orchestrator-worker, parallelization, evaluator-optimizer.

Месяц 4: качество и продакшн

  • Освоить evaluation: придумать метрики, собрать gold-датасет, гонять регрессионные тесты на промпты.
  • Понять prompt caching, latency optimization, выбор моделей под задачу (Haiku vs Sonnet vs Opus).
  • Прокачать безопасность: prompt injection, фильтры, sandboxing.

Месяц 5–6: продакшн-проект и оффер

  • Сделать один публичный проект уровня «можно показать на собеседовании»: GitHub, README, демо.
  • Адаптировать резюме под AI-инжиниринг: вынести наверх все AI-эпизоды из прошлого опыта.
  • Пройти 3–5 mock-интервью (можно с LLM, как в этой статье).
  • Откликаться: Yandex AI Lab, T-Bank AI, AI-стартапы, зарубежные удалённые позиции.

Что важно на собеседовании AI-инженера

Типовая структура процесса в 2026:

  1. Recruiter screen — мотивация, ожидания по ЗП.
  2. Технический скрин — простые задачи на Python/TS, базовые вопросы про LLM API.
  3. System design — спроектируй RAG-чат над документацией / агента под Х / систему модерации с LLM. Главное — показать понимание trade-offs: качество vs цена vs латентность.
  4. Глубокая техническая секция — про эвал, prompt engineering, безопасность, конкретные грабли.
  5. Поведенческая секция — как обычно, про опыт и культуру.

Чего точно спросят:

  • Как измерить качество LLM-системы.
  • Как защититься от prompt injection.
  • Когда брать Haiku/Sonnet/Opus или их аналоги у других провайдеров.
  • Как устроен RAG и где он ломается.
  • Чем агенты отличаются от обычных LLM-запросов и где границы их автономии.

Где практиковать в сообществе

AI-инжиниринг — поле, где практика особенно важна: статей много, но реальный опыт собирается только в продакшен-проектах и в обсуждениях с теми, кто это уже делает. В IT-ХОЗЯЕВА проходят еженедельные AI-беседы и практикумы по vibe coding, разбор архитектурных кейсов, нетворкинг с AI-инженерами из топовых российских команд. Доступ к базе менторов с AI-направлением — на тарифе ХОЗЯИН от 1000 ₽/мес. Критерии выбора ментора под свои задачи — в чек-листе от практиков.