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 IAque 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 IAPara você decidir se a vaga te interessa, precisa entender o que vai manter: - Orquestrador: Le as issues (Jira), identifica issues prontas pra cada stage, disparaagentes (Claude/OpenIA/Gemini/DeepSeek) com contexto rico, valida o resultado, postacomentario 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 fazerManutenção do core (40%) - Manter e evoluir fix de bugs, refatorações controladas, redução de complexidadeciclomática. - Garantir que retry policies (Git, PM API, autocompact, recovery loops) continuemdeterminísticas 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: @devganhou 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 vocêStack técnica — obrigatório - Bash/Shell avançado e Linux — você e confortável lendo e escrevendo 500+ linhas debash 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 prcreate/merge/edit/list --search, git revert, git rebase --autosquash, resoluçãode 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 oefeito 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 ambientereal (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 podeser PT/EN/ZH dependendo do time).Mentalidade - Determinismo >
magia. Você prefere umaregex 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 entendeos trade-offs. - Contribuições open-source em projetos relacionados (CLIs, dev tooling, agentframeworks). - 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)