Профиль навыка

RAG (Retrieval-Augmented Generation)

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 RAG: retrieval + generation, базовый pipeline с embedding и vector search. Собирает простой RAG-pipeline на LangChain с ChromaDB для QA-задачи под руководством наставника.

Роль	Обязательность	Описание
LLM Engineer		Самостоятельно проектирует production RAG: advanced chunking, hybrid retrieval, re-ranking. Настраивает metadata filtering, conversation history, source attribution. Оценивает quality через RAGAS.

Роль	Обязательность	Описание
LLM Engineer		Проектирует enterprise RAG-системы: multi-source retrieval, agentic RAG, query routing. Оптимизирует retrieval quality через fine-tuning retriever, custom re-rankers и adaptive chunking стратегии.

Роль	Обязательность	Описание
LLM Engineer		Определяет RAG-стратегию для LLM-команды. Формирует best practices по RAG architecture, data ingestion, quality monitoring. Координирует RAG-систему как платформу для нескольких продуктов.

Роль	Обязательность	Описание
LLM Engineer		Формирует enterprise RAG-платформу для организации. Определяет подходы к unified knowledge base, multi-tenant RAG, governance. Обеспечивает scalability и quality на масштабе миллионов документов.

Junior 1 требований

LLM Engineer

Знает основы RAG: retrieval + generation, базовый pipeline с embedding и vector search. Собирает простой RAG-pipeline на LangChain с ChromaDB для QA-задачи под руководством наставника.

Middle 1 требований

LLM Engineer

Самостоятельно проектирует production RAG: advanced chunking, hybrid retrieval, re-ranking. Настраивает metadata filtering, conversation history, source attribution. Оценивает quality через RAGAS.

Senior 1 требований

LLM Engineer

Проектирует enterprise RAG-системы: multi-source retrieval, agentic RAG, query routing. Оптимизирует retrieval quality через fine-tuning retriever, custom re-rankers и adaptive chunking стратегии.

Lead / Staff 1 требований

LLM Engineer

Определяет RAG-стратегию для LLM-команды. Формирует best practices по RAG architecture, data ingestion, quality monitoring. Координирует RAG-систему как платформу для нескольких продуктов.

Principal 1 требований

LLM Engineer

Формирует enterprise RAG-платформу для организации. Определяет подходы к unified knowledge base, multi-tenant RAG, governance. Обеспечивает scalability и quality на масштабе миллионов документов.

Загрузка комментариев...