DeepSeek ищет около 150 инженеров, и почти вся интрига в том, что это не вакансии для исследователей моделей. Компания масштабирует инфраструктуру AI-агентов: песочницы, рантайм, виртуализацию, сети, хранение и планировщики, без которых красивые агентные демо быстро превращаются в дорогую очередь задач.
О новой волне найма сообщает The New Stack. По данным издания, один кластер DeepSeek уже может одновременно запускать сотни тысяч изолированных сред для AI-агентов. Теперь компании нужны люди, которые будут не обучать очередную модель, а чинить, расширять и местами переписывать системы, на которых эти агенты работают.
О наборе 7 сентября написал в X Цуй Тяньи, присоединившийся к DeepSeek в марте и работающий в команде Harness. Эта команда отвечает за инфраструктуру и среды, где агенты запускаются, тестируются и оцениваются. Вакансии сосредоточены вокруг server-side engineering и Agent Elastic Compute. Перечень задач звучит не как презентация для инвесторов, а как нормальный список боли платформенной команды: операционные системы, виртуализация, сеть, storage, scheduling и control plane.
Центральный элемент этой истории — DeepSeek Elastic Compute, или DSec. Это система песочниц для агентных нагрузок во время post-training и evaluation. Агенту мало получить ответ от модели: ему часто нужно выполнить код, вызвать инструмент, поменять файлы, проверить результат и сохранить трассу действий. То есть рядом с LLM появляется полноценный рантайм, причем изолированный, массовый и желательно не разорительный.
DSec поддерживает четыре типа сред через один Python SDK. Простые вызовы функций уходят в заранее прогретые контейнеры. Задачи, которым нужна более постоянная среда, запускаются в Docker-совместимых контейнерах. Для более жесткой изоляции используются Firecracker microVM, а для сценариев с полноценной гостевой ОС — QEMU VM. На практике это означает, что одна платформа должна обслуживать и легкий tool call, и задачу уровня software engineering, где агенту нужен почти настоящий компьютер, только в промышленном масштабе и с понятными лимитами.
Главная инженерная проблема здесь не в том, чтобы поднять контейнер. С этим индустрия давно справляется. Проблема в плотности, старте, восстановлении и цене, когда таких окружений не десятки и не тысячи, а сотни тысяч на кластер. Если копировать полные образы контейнеров и виртуальных машин на каждый хост, быстро заканчиваются сеть, диск и терпение SRE-команды. DeepSeek решает это через связку DSec с 3FS, распределенной файловой системой, которую компания ранее построила для своей AI-инфраструктуры.
Базовые образы контейнеров и слои файловой системы в DSec хранятся как read-only слои, backing для которых дает 3FS. Метаданные остаются локально, а блоки данных подтягиваются только в момент реального обращения. MicroVM используют похожую схему: общий read-only base layer через 3FS, а изменения конкретной песочницы живут в локальных copy-on-write слоях. Это не магия, а скучная инженерия, которая в масштабе решает вполне денежные вопросы: меньше дублирования page cache, меньше лишнего трафика, выше плотность размещения.
DeepSeek также заявляет, что в DSec переработаны части container runtime, чтобы снизить CPU overhead каждой песочницы. Отдельно команда боролась со spinlock contention внутри runtime. На малых объемах такая проблема выглядит как шум в профайлере, на больших — как потолок плотности, после которого железо вроде бы есть, но утилизировать его нормально уже нельзя. Это ровно тот слой, где AI-компании внезапно становятся очень похожи на облачных провайдеров.
Еще одна деталь DSec важна для обучения и оценки агентов. В reinforcement learning и других post-training сценариях одновременно идут большие пачки agent rollouts. Задачи могут прерываться, потому что вычисления перераспределяются. Запускать все заново дорого, но просто повторить команды агента тоже нельзя: предыдущие действия могли уже изменить файлы или состояние среды. Повторное выполнение даст другой результат и сломает траекторию.
Для этого DSec использует глобально упорядоченный trajectory log: система записывает команды и их результаты. Когда rollout возобновляется, DSec может быстро пройти уже завершенную часть по записанным результатам, не выполняя команды повторно. Для разработчиков это знакомый мотив: reproducibility перестает быть красивым словом из ML-статей и превращается в эксплуатационную функцию платформы.
Для русскоязычной IT-аудитории сигнал простой: рынок AI взрослеет не только через новые модели, но и через спрос на людей, которые умеют строить рантайм, изоляцию, файловые системы, очереди, планировщики и наблюдаемость. Инфраструктура AI-агентов становится отдельной специализацией между backend, platform engineering, SRE и системным программированием. Если раньше путь в AI для многих выглядел как математика, датасеты и обучение моделей, то теперь туда явно ведет и опыт с Kubernetes, VM, storage, сетями и распределенными системами.
Для бизнеса это тоже практичный маркер. Агентные продукты нельзя оценивать только по качеству ответа модели в демо. В production важны холодный старт, изоляция, стоимость одного запуска, восстановление после прерывания, аудит действий и способность выдерживать всплески нагрузки. DeepSeek своим наймом показывает, где находится следующая зона конкуренции: не в одном большом бенчмарке, а в том, кто дешевле и надежнее даст агентам место, где они могут работать. Вопрос теперь не в том, будут ли компании строить инфраструктуру AI-агентов, а в том, кто успеет сделать ее достаточно скучной, чтобы на ней можно было зарабатывать.