Estamos em busca de um(a) Engenheiro(a) de IA Sênior para assumir a manutenção e a evolução contínua do Plataforma Agents de IA — nosso framework de orquestração de agentes de IA
que automatiza ciclos completos de desenvolvimento de software (refinement → dev →security → QA → deploy) em nossos projetos reais, em produção.
Esta não é uma vaga de \"treinar modelo\" nem de \"fazer prompt em chatbot\". E engenharia de plataforma com foco em confiabilidade, observabilidade e auto-recuperação de agentes autônomos rodando 24/7 em produção, escrevendo código de desenvolvimento, fazendo git push, abrindo PRs, mergeando em omolog, fazendo cherry-pick para produção.
O que é o Plataforma Agents de IA
Para você decidir se a vaga te interessa, precisa entender o que vai manter:
• Orquestrador: Le as issues (Jira), identifica issues prontas pra cada stage, dispara
agentes (Claude/OpenIA/Gemini/DeepSeek) com contexto rico, valida o resultado, posta
comentario na issue, e avanca o status. Roda em servidores Linux, com auto-update.
• Agentes (@dev, @qa, @sec, @devops, @pm, @po, @sm, @analyst, @architect, @data-engineer, @ux-design-expert): cada um com persona, authority matrix definida, skills executáveis e Gates de qualidade.
• Rules: Mais de 60 regras formais que governam o comportamento dos agentes — desde naming conventions até anti-hallucination validation em 7 camadas. Cada rule nasce de um bug real anonimizado em produção e tem detector regex + caso aplicação por agent.
• Recovery loops: quando um stage falha (CI quebra, conflict de cherry-pick, working tree dirty, autocompact thrashing), o orquestrador detecta deterministicamente e redispara o agente em --mode=ci_recovery com contexto enriquecido. Cap de tentativas, anti-oscilação, escalada pra humano quando esgota.
• Multi-repo via submodules: projetos clientes tem 2 a 30+ sub-repos. Vertex orquestra cherry-pick coordenado, dependency promotion cross-issue, working-tree auto-recovery, validação de paridade de coverage Sonar.
• Stack: Bash 5+ (nucleo), Python, Node.js/TypeScript (CLIs auxiliares), gh CLI, jq,
integrações com Jira/GitHub via curl + retry policy.
O que você vai fazer
Manutenção do core (40%)
• Manter e evoluir fix de bugs, refatorações controladas, redução de complexidade
ciclomática.
• Garantir que retry policies (Git, PM API, autocompact, recovery loops) continuem
determinísticas e sem custo desnecessário.
• Manter as integrações com Jira API (ADF, webhooks, transitions, comments via helper canônico) funcionais frente a mudancas de schema/comportamento.
• Operar e melhorar o sistema de telemetria (dashboards de custo por agent/stage/issue).
• Diagnosticar incidentes em produção (cliente reporta \"agent crashou em loop\", \"PR criado no repo errado\", \"deploy não promoveu\") e fechar com case study anonimizado + nova rule preventiva.
Evolução de agents e rules (35%)
• Criar e refinar rules quando bugs sistemicos forem detectados — cada rule nova segue o template canônico (detector regex, aplicação por agent, caso real anonimizado, antipatterns, checklist).
• Calibrar prompts dos agents para reduzir alucinação, scope creep, falsos positivos e ciclos de retrabalho.
• Manter o agent-authority.md consistente quando authorities mudarem (ex: @dev
ganhou ownership de PR contra homolog em v2.0.146).
• Criar/refatorar skills.
• Medir impacto de cada rule nova (redução de ciclos de retrabalho, custo USD por issue, leakage rate de bugs Categoria A vs B).
Integrações com LLM CLIs (25%)
• Manter compatibilidade com mudanças de breaking change dos provedores (Claude Code, OpenAI CLI, Gemini CLI, DeepSeek direct).
• Avaliar e integrar novos providers/modelos quando custo-benefício mudar (ex:
DeepSeek-Reasoner para recovery loops, Haiku para classificação).
• Otimizar custo: identificar stages onde modelo menor resolve.
• Implementar fallbacks quando um provider está em outage (ja existe retry transient;
expandir cobertura).
• Trabalhar com tokenização, context windows, autocompact thrashing detection —
entender as falhas reais de cada modelo, não a teoria.
O que esperamos de você
Stack técnica — obrigatório
• Bash/Shell avançado e Linux — você e confortável lendo e escrevendo 500+ linhas de
bash com set -euo pipefail, traps, subshells, file locks, jq, awk, sed, heredocs,
parameter expansion avançada. Não tem medo de poll.sh. Sabe diferenciar [ ] de [[
e porque importa.
• Node.js / TypeScript — escreve TS com strict mode, entende quando não usar Node
(ex: lógica de orquestração crítica fica em bash justamente porque e mais previsível que async JS).
• Git e GitHub avançado — cherry-pick com -m 1, submodules, gh pr
create/merge/edit/list --search, git revert, git rebase --autosquash, resolução
de conflicts nao-triviais, branch protection rules, GitHub Actions workflows.
• Prompt engineering aplicado a agentes autônomos — você já calibrou prompts em produção, sabe que \"diga ao modelo o que não fazer\" raramente funciona, entende o
efeito de exemplos few-shot vs zero-shot, e já debugou ao menos uma vez porque um agente está \"alucinando\" um PR que não criou.
Experiência
• 5+ anos de engenharia de software produzindo sistemas em produção.
• Pelo menos 1 ano com agentes autônomos / orquestração de LLMs em ambiente
real (não bootcamp, não side project) — você sabe a diferença entre \"rodou no demo\" e \"rodou em prod 24/7 sem humano\".
• Histórico comprovado de manter sistemas legados com debt técnico — você não quer \"reescrever do zero\".
• Inglês técnico fluente para leitura/escrita (documentação, issues, comentários de código em inglês obrigatórios; comunicação verbal pode ser PT/EN/ZH dependendo do time).
Mentalidade
• Determinismo > magia. Você prefere uma regex feia em bash que sempre funciona a um ML model elegante que falha em 5% dos casos. Em orquestração de agentes, 5% de falha = produto inviável.
• Forensics sobre intuição. Antes de propor solução, você lê o log, o diff, a issue real do cliente. Não inventa hipótese.
• Documentação executável. Quando você cria uma rule nova, ela tem detector regex que pode rodar em CI. \"Documentei em texto\" não basta.
• Empatia por agente. Você consegue ler um prompt de 8k tokens e identificar onde o modelo vai se confundir, por que, e o que ajustar.
Diferenciais
• Experiencia com Claude Agent SDK, OpenAI Agents SDK, LangGraph ou frameworks de orquestração equivalentes.
• Já implementou ou manteve sistemas de retry policy + backoff exponencial + circuit breaker em integrações com APIs externas instáveis.
• Já trabalhou com monorepos via submodules (nao apenas Nx/Turborepo) e entende
os trade-offs.
• Contribuições open-source em projetos relacionados (CLIs, dev tooling, agent
frameworks).
• Experiencia com DevOps em servidores Linux dedicados (não apenas k8s/cloud managed): systemd, cron, logrotate, monitoring com ferramentas leves.
• Familiaridade com conventional commits, semantic-release, gitflow trifásico
(feature → homolog → main com cherry-pick).
• Já escreveu post-mortem público / case study técnico que outras pessoas referenciam.
Benefícios
• VR/VA – Flash Benefícios
• Assistência Médica – Bradesco Saúde
• Assistência Odontológica – Bradesco
• Programa de Orientação Pessoal – C4Life
• Day Off de Aniversário
• TotalPass
• Parcerias educacionais (FIAP e Alura)