Мы строим AI-first продуктовую разработку: AI-агенты пишут код и проводят ревью, а инженеры проектируют среду (harness), правила и проверки, внутри которых агенты безопасно доставляют изменения в прод. Нам нужен человек, который сделает это безопасным и измеримым. Это не классический QA. Вы не будете прогонять тест-кейсы руками и заводить тикеты после разработки. Ваша задача — спроектировать систему качества, внутри которой автономный пайплайн (AI Flow) физически не сможет выпустить в прод изменение ниже заданной планки. Ваш продукт — это quality gates, автотесты как guardrails, eval-харнесс для проверки выхода агентов и метрики, по которым качество agentic delivery становится измеримым. Вы — последний рубеж качества в команде, где код пишут агенты, а не люди.
Чем предстоит заниматься Quality Harness. Развивать тестовый и проверочный слой AI Harness: автотесты, линтеры, проверки типов, контрактные и интеграционные тесты, security- и регрессионные проверки — всё, что стоит между «агент написал код» и «merge». Эти проверки и есть основной механизм борьбы с галлюцинациями. Валидация выхода агентов. Проектировать проверки поведения и контрактов, а не конкретной реализации (агент при каждом прогоне может сгенерировать другой код). Golden datasets, регрессионные наборы, оценка качества AI-ревью. Quality Gates в AI Flow. Владеть «human gate»: что автоматизируется, что остаётся за человеком, какие критерии блокируют merge. Цель — максимально сузить участие человека без потери надёжности. Метрики качества. Сделать качество измеримым: change failure rate, escaped defects, доля изменений без эскалации на человека, стабильность регрессий, false-positive rate AI-ревью. Свести их в общий дашборд рядом с Time-to-Market и Uptime. Качество на legacy. Установить базовое покрытие тестами на унаследованном коде, чтобы агенты могли его рефакторить и вносить изменения. Управление командой. Растить и развивать команду QA: найм, онбординг, постановка целей, развитие компетенций в сторону AI-first. Выстраивать процессы и культуру качества, при которой контроль встроен в пайплайн, а не держится на героизме отдельных людей.
Что мы ждём от вас Технический бэкграунд в QA-автоматизации: умение читать код и работать с автотестами, понимать пайплайн на уровне инженера (Python / JS / TS — приветствуется, но writing-heavy роль не предполагается). People management: опыт руководства командой QA — найм, развитие, постановка целей, выстраивание процессов. Глубокое понимание тестовой пирамиды, контрактного и интеграционного тестирования, регрессионных стратегий. Практический опыт работы с AI-ассистентами/агентами в разработке (Claude / Codex) и понимание их типовых отказов: галлюцинации, «уверенно неправильный» код, дрейф реализации, only happy path tests. Eval-driven mindset: умение формализовать «что значит хорошо» в проверяемые критерии и датасеты. T-shape: способность разбираться в архитектуре и границах модулей, а не только в тестах. Будет плюсом Опыт SDET / quality-инженера в продуктовой команде с быстрым релиз-циклом. Перформанс- и security-тестирование. Опыт в marketplace / classifieds-домене. Опыт миграций и работы с unowned legacy. Опыт работы с ML-командами
Что мы предлагаем: Участие в развитии проекта со старта. Прямое влияние на конечный продукт. Перспективы профессионального и карьерного роста. Развитие в команде опытных коллег. Минимум бюрократии и быстрое принятие решений. Индивидуальное обсуждение графика и формата работы с каждым сотрудником.
Показать как в источнике
QA Lead (AI-First)
Мы строим AI-first продуктовую разработку: AI-агенты пишут код и проводят ревью, а инженеры проектируют среду (harness), правила и проверки, внутри которых агенты безопасно доставляют изменения в прод. Нам нужен человек, который сделает это безопасным и измеримым. Это не классический QA. Вы не будете прогонять тест-кейсы руками и заводить тикеты после разработки. Ваша задача — спроектировать систему качества, внутри которой автономный пайплайн (AI Flow) физически не сможет выпустить в прод изменение ниже заданной планки. Ваш продукт — это quality gates, автотесты как guardrails, eval-харнесс для проверки выхода агентов и метрики, по которым качество agentic delivery становится измеримым. Вы — последний рубеж качества в команде, где код пишут агенты, а не люди.
Чем предстоит заниматься Quality Harness. Развивать тестовый и проверочный слой AI Harness: автотесты, линтеры, проверки типов, контрактные и интеграционные тесты, security- и регрессионные проверки — всё, что стоит между «агент написал код» и «merge». Эти проверки и есть основной механизм борьбы с галлюцинациями. Валидация выхода агентов. Проектировать проверки поведения и контрактов, а не конкретной реализации (агент при каждом прогоне может сгенерировать другой код). Golden datasets, регрессионные наборы, оценка качества AI-ревью. Quality Gates в AI Flow. Владеть «human gate»: что автоматизируется, что остаётся за человеком, какие критерии блокируют merge. Цель — максимально сузить участие человека без потери надёжности. Метрики качества. Сделать качество измеримым: change failure rate, escaped defects, доля изменений без эскалации на человека, стабильность регрессий, false-positive rate AI-ревью. Свести их в общий дашборд рядом с Time-to-Market и Uptime. Качество на legacy. Установить базовое покрытие тестами на унаследованном коде, чтобы агенты могли его рефакторить и вносить изменения. Управление командой. Растить и развивать команду QA: найм, онбординг, постановка целей, развитие компетенций в сторону AI-first. Выстраивать процессы и культуру качества, при которой контроль встроен в пайплайн, а не держится на героизме отдельных людей.
Что мы ждём от вас Технический бэкграунд в QA-автоматизации: умение читать код и работать с автотестами, понимать пайплайн на уровне инженера (Python / JS / TS — приветствуется, но writing-heavy роль не предполагается). People management: опыт руководства командой QA — найм, развитие, постановка целей, выстраивание процессов. Глубокое понимание тестовой пирамиды, контрактного и интеграционного тестирования, регрессионных стратегий. Практический опыт работы с AI-ассистентами/агентами в разработке (Claude / Codex) и понимание их типовых отказов: галлюцинации, «уверенно неправильный» код, дрейф реализации, only happy path tests. Eval-driven mindset: умение формализовать «что значит хорошо» в проверяемые критерии и датасеты. T-shape: способность разбираться в архитектуре и границах модулей, а не только в тестах. Будет плюсом Опыт SDET / quality-инженера в продуктовой команде с быстрым релиз-циклом. Перформанс- и security-тестирование. Опыт в marketplace / classifieds-домене. Опыт миграций и работы с unowned legacy. Опыт работы с ML-командами
Что мы предлагаем: Участие в развитии проекта со старта. Прямое влияние на конечный продукт. Перспективы профессионального и карьерного роста. Развитие в команде опытных коллег. Минимум бюрократии и быстрое принятие решений. Индивидуальное обсуждение графика и формата работы с каждым сотрудником.