Agentic AI Engineer — роль за 250К₽+, к которой LeetCode тебя не подготовит

Один разработчик описал свой собес на позицию Agentic AI Engineer так: "Вопросы не имели ничего общего с кодом". Ни алгоритмов, ни LeetCode, ни даже классического system design с URL shortener. Вместо этого — оркестрация агентов, tool gateways и eval harnesses.

И это не аномалия. Это новый стандарт.

Что вообще за роль

Agentic AI Engineer — самая востребованная позиция в AI-найме 2026 года по данным AIStaffingNinja. Это не ML-инженер и не классический бэкендер. Это человек, который строит автономные системы на базе LLM: агенты, которые сами решают, какой инструмент вызвать, как обработать ошибку и когда эскалировать задачу человеку.

На российском рынке роль уже появилась. Ингосстрах ищет Senior AI Engineer (Agentic AI / R&D) в Москве. Kortes нанимает AI Agent Engineer (Middle+) на удалёнку от 250 000 рублей. Яндекс набирает старших ML-разработчиков агентов для Алисы. И это только то, что висит на HH и Хабр Карьере прямо сейчас.

Если ты уже задумываешься о том, как AI меняет подготовку к собесам — эта роль показывает, насколько глубоко AI проник не только в инструменты, но и в сами вакансии.

4 раунда, ни одного похожего на то, к чему ты готовился

AgenticCareers.co проанализировали сотни отчётов кандидатов и выделили 4 этапа собеса на Agentic AI Engineer. Ни один не выглядит как привычное техническое интервью.

Скрининг: отсеивают за 3 минуты

Первый вопрос, на котором горит большинство: "В чём разница между chain и agent?" Казалось бы — элементарно. Но ответ "агент — это более сложная цепочка" — мгновенный red flag. Chain — фиксированная последовательность вызовов. Agent — система, где LLM сама решает, что делать дальше. Ключевое слово — автономия над control flow.

Дальше спрашивают про фреймворки: LangGraph для сложных stateful-воркфлоу, AutoGen для мультиагентных диалогов, CrewAI для ролевых команд агентов. Сильный ответ — когда ты объясняешь, в каком случае вообще не нужен фреймворк и лучше написать кастомную оркестрацию.

Техническое интервью: глубина реализации

Здесь спрашивают про вещи, которых нет ни в одном учебнике:

• Persistent memory — как реализовать долгосрочную память агента. Нужно различать short-term (in-context), episodic (структурированная история в БД) и semantic (vector search). Плюс — что делать, когда память устаревает или противоречит сама себе
• ReAct pattern — и, что важнее, когда его НЕ использовать. Высокая латентность (каждый шаг reasoning — это round trip), простые задачи (где прямое действие лучше), потребность в детерминированности (где лучше разделить планирование и исполнение)
• Prompt injection defense — санитизация ввода, изоляция system prompt, валидация выхода перед необратимыми действиями, sandboxed execution. Ответ "try/except" = провал
• Cost-efficient routing — дешёвая модель (Haiku, GPT-4o-mini) для классификации, мощная (Opus, GPT-5) для рассуждений, кэширование одинаковых запросов

Звучит как system design? Частично. Но если ты готовился к классическому system design собесу — перестраивайся. Здесь другая парадигма.

System design: оркестратор + tool gateway

Это главный раунд и главное отличие. Забудь про "спроектируй Twitter". Теперь просят: "Спроектируй AI-ассистента, который обрабатывает 10 000 тикетов в день с временем ответа менее 2 секунд".

И ответ начинается не с базы данных, а с двух компонентов:

• Orchestrator — мозг системы. Планирование через ReAct или граф состояний, управление state (Redis для сессий, Postgres для истории), мультимодельная стратегия (мощная модель для планирования, дешёвая для подзадач)
• Tool Gateway — безопасный шлюз между агентом и внешним миром. Валидация запросов по OpenAPI-схеме, credential management через Vault, OAuth-авторизация на уровне пользователя, полное логирование через OpenTelemetry, sandboxing высокорисковых операций в Docker-контейнерах

Джуниорский ответ: "Агент вызывает API". Сеньорский ответ: "Агент отправляет стандартизированный запрос в gateway, который валидирует схему, авторизует вызов, достаёт креды из vault, обрабатывает ретраи с backoff, логирует транзакцию и возвращает нормализованный результат".

Это новый "база данных + кэш + очередь" — архитектурный паттерн, без которого на собесе делать нечего.

Поведенческий раунд: не недооценивай

На уровне senior решения о найме принимаются именно здесь. Ключевой вопрос: "Расскажи, как твой агент повёл себя неожиданно в проде". Хотят видеть: спокойная диагностика, root cause analysis, немедленная митигация, системное исправление. Худший ответ — "исправил симптом, не понял причину". Кстати, это пересекается с тем, что мы писали о новой роли разработчика — builder vs validator. Agentic AI Engineer — это validator на стероидах.

Как готовиться (спойлер: не через LeetCode)

Классическая подготовка здесь не работает. Нет банка задач, нет стандартного учебного плана — роль слишком новая. Вот что реально помогает:

• Построй агента в проде. Не tutorial, не демо — реальный агент с tool calling, обработкой ошибок и мониторингом. Хотя бы бот, который автоматизирует часть твоей работы
• Изучи фреймворки на уровне trade-offs. Не "я использовал LangChain", а "LangGraph даёт явный контроль над графом состояний, но оверкилл для линейных задач"
• Прокачай system design с фокусом на агентов. Orchestrator + Tool Gateway — обязательная база. Можешь начать с промптов для system design подготовки и адаптировать их под agentic-контекст
• Пойми экономику вызовов. Model routing, кэширование, batching — не оптимизация, а обязательное знание
• Изучи безопасность агентов. Prompt injection, tool sandboxing, principle of least privilege — на собесе спрашивают обязательно

Если ты уже бэкендер или ML-инженер — у тебя фора. Но LeetCode-грайндинг в эту роль не конвертируется. И HR-системы с AI на борту будут всё чаще фильтровать именно по этим навыкам.

Хочешь протестировать свои знания в формате реального собеса — Sobes AI прогонит тебя по вопросам с адаптацией под твой уровень. Включая agentic AI — мы добавили этот трек, потому что видим, как рынок разворачивается.