Из стажера в тимлиды: путь через «Зерокодер»

Прошлую статью можно посмотреть здесь.

Что изменилось

С момента прошлой статьи прошел почти год, и за это время моя жизнь сильно изменилась. После курса по Python я решила продолжить обучение и прошла еще один — по промпт-инжинирингу. Именно он стал для меня отправной точкой в практике.

Я начала работать стажером-промпт-инженером в компании SMAIPL, а затем получила предложение остаться в команде. Сейчас я веду техническую поддержку платформы и руковожу группой стажеров-Python-разработчиков.

Параллельно мне удалось выиграть конкурсную стажировку в red_mad_robot по направлению NLP — туда отобрали всего 24 человека из более чем 400 заявок.

За это время я серьезно углубила свои навыки: от архитектуры автоматизаций и работы с API до взаимодействия с локальными LLM. Сейчас я участвую в проекте крупной компании, где мы создаем «контент-завод» для клиентов: система автоматически генерирует посты, изображения и Reels, а пайплайны устойчиво работают в продакшене.

За этот год я выросла из инженера-исполнителя в инженера-архитектора и тимлида, научилась выстраивать процессы и руководить командой.

ОНЛАЙН-ПРАКТИКУМ

ЗАПУСК нейросети DEEPSEEK R1 ЛОКАЛЬНО НА СВОЕМ КОМПЬЮТЕРЕ

ЧТО БУДЕТ НА ОБУЧЕНИИ?

• ПОКАЖЕМ, КАК РАЗВЕРНУТЬ МОДЕЛЬ нейросети DEEPSEEK R1 ПРЯМО НА СВОЁМ КОМПЬЮТЕРЕ
• Где и как применять? Потестируем модель после установки на разных задачах
• Как дообучить модель под себя?

Участвовать бесплатно

Новые возможности

О стажировке в SMAIPL я узнала именно через «Зерокодер» — нам предложили подать заявки на участие. А в red_mad_robot я попала благодаря открытому конкурсу: нужно было пройти тестовые задания, показать качество решений и скорость работы.

Стажировки были очень разными, но обе дали колоссальный опыт.

В SMAIPL я занималась промпт-инжинирингом для ассистентов и ботов, собирала сценарии, проводила A/B-тесты подсказок, работала над защитой от «галлюцинаций» моделей и интеграциями с внешними API. Позже к этому добавились задачи по технической поддержке платформы — триаж инцидентов, ведение базы знаний, приоритезация задач. Кроме того, я взяла на себя лидерство команды стажеров-Python: проводила код-ревью, составляла чек-листы качества и занималась менторингом.

В red_mad_robot (NLP) я работала с локальной моделью LLaMA: устанавливала и настраивала ее, занималась обучением и дообучением, готовила датасеты и контролировала качество с помощью метрик, таких как перплексия (показатель уверенности модели) и точность по задачам. Отдельно решала задачи оптимизации инференса: квантизация, работа с контекстом, кеширование. Еще я упаковала решение в приложение (эндпоинты/CLI), подготовила документацию и систему метрик.

Какие знания оказались особенно полезны

Работа с реальными проектами показала, насколько важны навыки, которые я получила на курсе.

• API-мышление — умение работать с HTTP, OAuth2/Bearer, вебхуками, лимитами, ретраями и пагинацией — стало базовым инструментом в повседневной работе.
• Архитектура автоматизаций — идемпотентность, очереди, дедупликация, алерты и мониторинг — помогла выстраивать надежные процессы.
• Системный промпт-дизайн — умение задавать роль, контекст и ограничения, создавать тест-матрицы и guardrails — оказался ключевым для эффективной работы с LLM.
• Инженерная дисциплина — документация, код-стайл и процессы ревью — экономит и время, и нервы.

Эти навыки стали для меня не просто полезными, а базовыми — без них работать на таком уровне было бы невозможно.

Поиск решений

С локальными LLM пришлось столкнуться с классическими трудностями — ограничением VRAM и нестабильностью обучения. Решала это по-разному: пробовала квантизацию, настраивала grad-accumulation, дотошно проверяла версии CUDA и библиотек.

С качеством ответов тоже не все было гладко: попадались шумные датасеты. Здесь помогала чистка, стратификация и удержание ключевых доменных примеров — так удавалось выровнять результаты.

Пайплайны контента требовали защиты от нестабильности внешних сервисов: приходилось хранить состояния задач, подключать «умные» ретраи, использовать вебхуки и продумывать фолбэки. В поддержке платформы мы внедрили шаблоны диагностики, SLA и базу знаний, что позволило сократить время решения тикетов и снизить количество повторяющихся инцидентов.

Приглашение в команду

В SMAIPL я пришла сначала стажером. После того как показала боевые сценарии и подготовила регламент поддержки, мне сделали оффер. В нынешнюю компанию я попала похожим образом — предложение пришло после демонстрации прототипов «контент-завода» и проверки архитектуры пайплайнов: как обрабатываются ошибки, выстраиваются очереди и работает мониторинг.

Текущие задачи

Сейчас у меня несколько направлений работы. Я развиваю «контент-заводы» для разных сфер: от груминг-салонов и интернет-магазина косметики до Академии груминга и новостного портала. Параллельно продолжаю работать над платформенными сценариями для SMAIPL — поддержка, зрелые процессы, онбординг стажеров-Python.

Кроме того, развиваю проект «личного API» — единого приложения, которое объединяет API разных ИИ-моделей под одним ключом для использования в автоматизациях. ТЗ уже готово, и следующим шагом станет MVP и бета-тест.

Вдохновение в работе

Меня мотивирует то, как инженерия превращает хаос в предсказуемый поток ценности. Когда модели отвечают по делу, пайплайны работают без сбоев, а команда растет на глазах — это невероятно вдохновляет.

И есть ощущение магии в том, как правильно спроектированный промпт делает искусственный интеллект понятным для бизнеса и приносит реальные результаты.

Цели на ближайший год

В ближайший год я планирую довести «контент-завод» до полноценного продуктового уровня с шаблонами, SLA и SLO, трейсингом, алертами и контролем затрат.

Также работаю над MVP «личного API» — приложения, которое объединяет разные ИИ-модели под одним ключом с возможностью биллинга, квотирования, логирования и SDK-документации.

Хочу укрепить направление локальных LLM: дообучение моделей, оценка качества и формирование наборов доменных датасетов.

Помимо этого, я планирую развивать тимлид-практики: чек-листы качества, внутренние воркшопы и онбординг новых сотрудников. И, конечно, продолжаю образовательную линию, создавая материалы по промпт-инжинирингу и практическим автоматизациям.

Связаться с Еленой

Telegram — @Elena_PromptLab