Principal AI Engineer

• Evoluir a arquitetura e o pipeline RAG ponta a ponta: ingestão de PDF, chunking, embeddings, indexação vetorial, retrieval, montagem de contexto, prompt e geração. A expectativa não é apenas operar componentes, mas tomar decisões arquiteturais sobre como essas partes se conectam e escalam.

• Responder pela qualidade e confiabilidade da ingestão em documentos de dezenas a centenas de páginas, onde a falha típica é silenciosa: o sistema declara sucesso com o documento parcialmente processado ou indexado.
• Projetar chamadas a LLM como parte de um sistema distribuído robusto: processamento em lote, filas quando aplicável, retries com backoff, limites de concorrência, idempotência, tratamento de rate limits, timeouts e degradação controlada.
• Desenhar e evoluir a orquestração de agentes e fluxos generativos, definindo responsabilidades, ferramentas, memória, estado, contexto, comunicação entre componentes e limites claros entre comportamento determinístico e probabilístico.
• Instrumentar e avaliar os fluxos de IA com tracing, evals reproduzíveis, comparação entre modelos, métricas de qualidade, latência e custo por token. Escolher o modelo e a estratégia adequados para cada etapa com base em evidência.
• Versionar e governar prompts, contextos e demais artefatos de IA fora do código, garantindo rastreabilidade entre versão, configuração, modelo utilizado e saída produzida.
• Dimensionar capacidade, performance e custo de inferência, comparando capacidade provisionada, consumo sob demanda, throughput, latência e custo operacional, sustentando as decisões com medições.
• Garantir segurança e governança da solução de IA, incluindo segregação de dados, autorização server-side, gestão de segredos, auditabilidade, tratamento de informação sensível e controles adequados ao ambiente corporativo.
• Respeitar os dois segmentos de negócio: público e privado possuem vocabulário, regras, comportamentos e interfaces próprias. A regra de ouro é regressão zero no produto já em produção.

Arquitetura e engenharia de sistemas com IA generativa

• Atuar como referência técnica de arquitetura, conectando engenharia de software tradicional, sistemas distribuídos e IA generativa em uma arquitetura coerente e sustentável.
• Desenhar serviços, APIs, filas, processamento assíncrono, persistência, cache, integrações e mecanismos de observabilidade que suportem os componentes de IA em produção.
• Definir a arquitetura de agentes, incluindo padrões de orquestração, tool calling, MCP, estado, memória, context engineering, isolamento de responsabilidades e comunicação entre agentes e serviços tradicionais.
• Avaliar criticamente quando utilizar agentes, workflows determinísticos ou abordagens híbridas, evitando transformar problemas convencionais de engenharia em problemas desnecessariamente probabilísticos.
• Revisar decisões de arquitetura pensando em escalabilidade, manutenibilidade, segurança, custo e operação, e não apenas em qualidade da resposta do modelo.
• Trabalhar diretamente com Python e TypeScript/Node, linguagens centrais da solução, e navegar confortavelmente por sistemas em Java quando necessário.

Esteira AI-First (SDLC com IA)

• Construir e operar uma esteira de desenvolvimento AI-First ponta a ponta: especificação, planejamento, geração, revisão, automação e execução, utilizando agentes, MCPs, skills e contextos versionados no repositório.
• Desenhar e versionar especificações como fonte da verdade (SDD), garantindo que a especificação, e não o histórico de chat, seja o artefato durável utilizado por humanos e agentes.
• Definir guardrails de arquitetura e engenharia para geração de código, incluindo convenções, padrões arquiteturais, limites de escopo de PR, testes obrigatórios, segurança, qualidade e checagens automatizadas.
• Revisar criticamente código gerado por IA, avaliando arquitetura, escalabilidade, concorrência, segurança, legibilidade, tamanho de PR, cobertura de testes e aderência às decisões técnicas existentes.
• Projetar contextos eficientes para agentes de desenvolvimento, permitindo que entendam arquitetura, regras do domínio, padrões do projeto e restrições antes de alterar código.
• Disseminar a prática de desenvolvimento agêntico pelo time, transformando a esteira em capacidade organizacional e não apenas em ganho individual de produtividade.

Liderança técnica e governança

• Conduzir decisões de arquitetura e registrá-las de forma datada e rastreável, garantindo clareza sobre contexto, trade-offs e decisão tomada.
• Ser referência técnica para sistemas baseados em IA generativa, apoiando decisões relacionadas a agentes, RAG, modelos, contexto, integração, escalabilidade e operação.
• Revisar entregas de terceiros e times vizinhos, identificando riscos arquiteturais, problemas de qualidade, inconsistências de padrão e impactos sobre o produto.
• Operar dentro do rito corporativo de mudança, incluindo janelas de CHG/GMUD, aprovação de maintainers, ambientes segregados e dependências entre times.
• Sustentar o produto em produção: diagnosticar incidentes por logs, traces e métricas, identificar rapidamente se a falha está na aplicação, infraestrutura, integração, dados ou camada de IA e decidir rollback quando necessário.
• Comunicar impacto técnico e operacional de forma objetiva, sem mascarar limitações, regressões ou riscos.
• Provar o valor do piloto com métricas acordadas previamente, conectando ganho técnico, qualidade, produtividade, custo e impacto sobre o produto.

Requisitos

• Engenharia de software sênior: forte domínio de arquitetura de serviços, sistemas distribuídos, APIs, filas, processamento assíncrono, concorrência, modelagem de dados, persistência, observabilidade e code review crítico.
• TypeScript/Node sênior e Python. São as duas linguagens centrais do dia a dia, com Fastify no backend e FastAPI nos serviços/agentes. Experiência relevante com Java é um diferencial importante.
• Arquitetura de sistemas construídos com IA generativa: capacidade de integrar LLMs, agentes, serviços tradicionais, dados, infraestrutura e mecanismos de governança em sistemas de produção.
• Uso diário de desenvolvimento agêntico, utilizando Claude Code, Codex, Cursor ou equivalente como parte real do fluxo de engenharia. Experimentações pontuais não contam.
• Agentes, MCP e SDD aplicados ao ciclo de desenvolvimento em contexto real de produção, não apenas em provas de conceito.
• Orquestração de agentes e workflows generativos, utilizando LangChain, LangGraph, AI SDK, Agno, OpenAI Agents SDK ou frameworks similares. O produto utiliza LangChain atualmente.
• RAG na prática: ingestão, chunking, embeddings, busca vetorial e híbrida, reranking, montagem de contexto e entendimento claro de que grande parte dos problemas de qualidade surge antes da geração, especialmente na ingestão e recuperação.
• Chamadas a APIs de LLM em produção - Anthropic, OpenAI, Azure OpenAI ou equivalentes - com controle de concorrência, custo, latência, falhas, retries e rate limits.
• Prompt engineering e context engineering com avaliação objetiva, utilizando métricas, datasets de teste e critérios reproduzíveis em vez de avaliação apenas subjetiva.
• Observabilidade de LLM e agentes: tracing, evals, comparação entre modelos, análise de latência, leitura de custo por token e investigação de falhas em cadeias complexas.
• Segurança e compliance em soluções de IA: tratamento de dados sensíveis, segredos fora do código, autorização no servidor, trilhas de auditoria, segregação de acesso e compreensão dos riscos específicos de sistemas generativos.