Engenheiro de ia sênior

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 plataformacom 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 HTTP 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\") efechar 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, entendeo 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 emprod 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 podeser 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)