Профиль навыка

Embeddings и векторные БД

Этот навык определяет ожидания по ролям и уровням.

Machine Learning и AI LLM и генеративный AI

Ролей

где встречается этот навык

Грейдов

сформированная дорожка роста

Обязательных требований

ещё 5 — необязательные

Machine Learning и AI

LLM и генеративный AI

22.02.2026

Выберите текущий грейд и сравните ожидания. Карточки ниже покажут, что нужно закрыть для следующего уровня.

Чего ждут на каждом уровне

Таблица показывает, как меняется глубина владения навыком от Junior до Principal.

Роль	Обязательность	Описание
LLM Engineer		Знает основы text embeddings и vector databases. Генерирует embedding через sentence-transformers, сохраняет и ищет в ChromaDB. Понимает cosine similarity и базовый semantic search.

Роль	Обязательность	Описание
LLM Engineer		Самостоятельно проектирует embedding pipeline: выбор модели (OpenAI, Cohere, BGE), chunking стратегии, metadata filtering. Настраивает Pinecone/Weaviate для production-нагрузок с оптимизацией recall.

Роль	Обязательность	Описание
LLM Engineer		Проектирует масштабируемую embedding-инфраструктуру: hybrid search (dense + sparse), re-ranking, multi-vector retrieval. Оптимизирует latency и recall через fine-tuning embedding модели и index tuning.

Роль	Обязательность	Описание
LLM Engineer		Определяет embedding и vector DB стратегию для LLM-платформы. Формирует guidelines по выбору embedding моделей, vector DB, шардированию индексов и мониторингу качества retrieval.

Роль	Обязательность	Описание
LLM Engineer		Формирует enterprise-стратегию embedding infrastructure. Определяет подходы к централизованному embedding-сервису, управлению миллиардами vectors, cost optimization и качеству retrieval на масштабе.

Junior 1 требований

LLM Engineer

Знает основы text embeddings и vector databases. Генерирует embedding через sentence-transformers, сохраняет и ищет в ChromaDB. Понимает cosine similarity и базовый semantic search.

Middle 1 требований

LLM Engineer

Самостоятельно проектирует embedding pipeline: выбор модели (OpenAI, Cohere, BGE), chunking стратегии, metadata filtering. Настраивает Pinecone/Weaviate для production-нагрузок с оптимизацией recall.

Senior 1 требований

LLM Engineer

Проектирует масштабируемую embedding-инфраструктуру: hybrid search (dense + sparse), re-ranking, multi-vector retrieval. Оптимизирует latency и recall через fine-tuning embedding модели и index tuning.

Lead / Staff 1 требований

LLM Engineer

Определяет embedding и vector DB стратегию для LLM-платформы. Формирует guidelines по выбору embedding моделей, vector DB, шардированию индексов и мониторингу качества retrieval.

Principal 1 требований

LLM Engineer

Формирует enterprise-стратегию embedding infrastructure. Определяет подходы к централизованному embedding-сервису, управлению миллиардами vectors, cost optimization и качеству retrieval на масштабе.

Загрузка комментариев...