• 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

1. 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.
2. 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.
3. Arquitetura de sistemas construídos com IA generativa: capacidade de integrar LLMs, agentes, serviços tradicionais, dados, infraestrutura e mecanismos de governança em sistemas de produção.
4. Uso diário de desenvolvimento agêntico, utilizando Claude Code, Codex, Cursor ou equivalente como parte real do fluxo de engenharia. Experimentações pontuais não contam.
5. Agentes, MCP e SDD aplicados ao ciclo de desenvolvimento em contexto real de produção, não apenas em provas de conceito.
6. Orquestração de agentes e workflows generativos, utilizando LangChain, LangGraph, AI SDK, Agno, OpenAI Agents SDK ou frameworks similares. O produto utiliza LangChain atualmente.
7. 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.
8. Chamadas a APIs de LLM em produção — Anthropic, OpenAI, Azure OpenAI ou equivalentes — com controle de concorrência, custo, latência, falhas, retries e rate limits.
9. Prompt engineering e context engineering com avaliação objetiva, utilizando métricas, datasets de teste e critérios reproduzíveis em vez de avaliação apenas subjetiva.
10. 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.
11. 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.