Мы ищем Feature Leader — владельца фич работы с требованиями и проектной документацией. Успешный кандидат будет отвечать за фичи ИИ-платформы GINA, которые превращают замысел и/или существующий код в требования, сценарии тестирования и проектную документацию, и доводить недетерминированный ИИ до предсказуемого качества через бенчмарки и реальные задачи. Предметное ядро вакансии — системный анализ и техническое письмо. Над чем предстоит работать: Работа с замыслом — продукт-овнер или бизнес-аналитик через чат-бот описывает замысел (какую фичу он хочет видеть в системе); ИИ-платформа GINA анализирует замысел и существующие функции, в режиме интервью уточняет детали и запрашивает подтверждения, выдаёт новую версию требований и сценариев тестирования, которые уже идут в реализацию. Формирование требований по кодовой базе — восстановление требований из существующего кода для онбординга ИИ-платформы GINA на проекты без требований. Разработка документов РА и РП — генерация эксплуатационной документации (руководство администратора и руководство пользователя). Создание ПМИ — генерация программы и методики испытаний: понятный сценарий, аккуратные демо-данные, генерация демо-роликов.
Обязанности
владеть фичами «Работа с замыслом», «Формирование требований», «Формирование РА / РП», «Формирование ПМИ и демо-роликов»;
снимать требования с визионеров и команды внедрения, додумывать детали, формировать видение «что такое хорошо» для своих фич;
проектировать поведение ИИ: что считается корректными требованиями, сценариями, документацией и ПМИ, граничные случаи и критерии приёмки — опираясь на практику системного анализа и стандарты документации;
проектировать интервью-сценарии для «работы с замыслом»: логику уточнений и подтверждений;
эталонировать артефакты: задавать образцы «правильных» требований / РА / РП / ПМИ, по которым меряется качество генерации;
строить бенчмарки и наборы реальных задач, мерить качество (pass-rate, регрессии), находить, где и почему ИИ ошибается;
итеративно улучшать фичи: править требования к ИИ, промпты и инструкции; проверять гипотезы на макете рядом с системой и переносить подтверждённое в GINA;
проводить приёмку по статистическому критерию — не «получилось один раз», а стабильно на наборе задач;
формировать инкрементальный roadmap по своим фичам — цепочку небольших шагов, каждый с проверяемым результатом; проводить roadmap через РП и команду, синхронизировать приоритеты;
вести фичи до стабилизации и сдачи и далее следить за регрессиями.
Обязательные требования
Практическая грамотность в LLM: понимать, что умеют и где ошибаются ИИ-агенты, личный опыт работы с ИИ-ассистентами (ChatGPT / Claude / Copilot и т.п.).
Промпт-инжиниринг: формулировать инструкции и требования к агенту так, чтобы он стабильно выдавал нужный артефакт; итеративно дорабатывать формулировки.
Проектирование диалоговых (интервью) сценариев: как ИИ уточняет детали и запрашивает подтверждение (для «работы с замыслом»).
Эвал-мышление: формулировать измеримые критерии «хорошего» требования / документа, проверять качество не на одном примере, а на наборе задач и метриках; понимать недетерминизм и подход «мерить и улучшать».
Критическая проверка вывода ИИ: находить галлюцинации, пропуски, несоответствия требованиям и стандартам.
Коммуникация и интервьюирование: снимать требования с продукт-овнеров, аналитиков и заказчиков, докапываться до сути, разрешать противоречия.
Структурное мышление и внимание к деталям: требования и документация не прощают неточностей.
Ясное письмо: излагать сложное коротко и понятно.
Исследовательский драйв + продуктовая страсть: «загореться» фичей и довести её до результата.
Спокойствие к недетерминизму и итеративности: не «сделал и забыл», а «мерю и улучшаю».
Самостоятельность и проактивность: додумывать детали, а не ждать готового ТЗ.
Стейкхолдер-менеджмент: визионеры, команда внедрения, РП, команда разработки.
Будет плюсом
Опыт построения агентных систем / автономных пайплайнов на LLM (loop-based агенты, оркестрация, tool use).
Опыт ML / LLM-эвалов.
Опыт product owner или tech lead.
Статистика / data-science бэкграунд.
Опыт построения бенчмарков или CI для контроля качества.
JavaScript-разработка (движок агентных сценариев).
Личный опыт в разных ролях и методологиях разработки — чем шире, тем точнее моделирует процесс, который автоматизирует фича.
