Python GenAI Developer

Projekty realizowane z wykorzystaniem Pythona oraz technologii AI/ML, obejmujące m.in. budowę aplikacji głosowych, systemów rozpoznawania mowy, analizę danych w czasie rzeczywistym oraz integrację rozwiązań uczenia maszynowego z istniejącymi systemami biznesowymi. 

Wymagania

• Minimum 4-letnie doświadczenie w inżynierii oprogramowania (Backend lub ML), w tym co najmniej rok w budowaniu i produkcyjnym utrzymywaniu rozwiązań opartych na LLM z realnym ruchem użytkowników.

• Udokumentowane wdrożenie co najmniej jednego komercyjnego systemu z funkcją tool calling (działającego produkcyjnie poza fazą demo/PoC) wraz z odpowiedzialnością za jego utrzymanie i obsługę incydentów.

• Biegła znajomość języka Python (programowanie asynchroniczne, typowanie, pisanie testów) oraz mile widziana znajomość TypeScript / Node.js na potrzeby warstwy aplikacyjnej.

• Praktyczne doświadczenie w pracy z frameworkami agentowymi: LangGraph, LangChain, CrewAI, AutoGen, Pydantic AI oraz oficjalnymi SDK dostawców (Anthropic, OpenAI).

• Umiejętność zbudowania autorskiej pętli agentowej od zera (bez użycia zewnętrznych frameworków).

• Znajomość standardu MCP (Model Context Protocol) — praktyczna implementacja serwerów oraz klientów, a także projektowanie narzędzi dedykowanych pod konsumpcję przez modele AI.

• Doświadczenie w pracy z bazami wektorowymi (pgvector, Qdrant, Weaviate, Pinecone) oraz klasycznymi bazami relacyjnymi (PostgreSQL), z uwzględnieniem technik wyszukiwania hybrydowego (hybrid search).

• Znajomość narzędzi do ewaluacji i tracingu: LangSmith, Langfuse, Braintrust, OpenTelemetry oraz praktyczne stosowanie metodologii LLM-as-a-judge i budowy złotych zestawów testowych.

• Doświadczenie w inżynierii promptów na poziomie systemowym, pracy ze structured outputs i wymuszaniem schematów danych.

• Dobra znajomość infrastruktury i narzędzi deweloperskich: Docker, CI/CD, chmura (AWS / Azure / GCP), platformy zarządcze (Amazon Bedrock / Google Vertex AI), obsługa kolejek, zadań długobieżnych oraz komunikacji streamingowej (SSE / WebSocket).

• Znajomość fundamentów MLOps / LLMOps: wersjonowanie promptów i konfiguracji, wdrażanie strategii rollout/rollback oraz praca z feature flagami.

• Znajomość wymogów prawnych i zgodności (Compliance) w praktyce: wdrażanie logów audytowych dla działań agenta, stosowanie retencji i minimalizacji danych (RODO) oraz przekładanie zapisów AI Act na wymagania architektury technicznej.

• Umiejętność debugowania systemów niedeterministycznych — cierpliwość i dociekliwość w analizie trajektorii modelu oraz sprawnym izolowaniu źródeł błędów.

• Ekspercka diagnoza problemów — szybkie i precyzyjne odróżnianie usterek promptu od błędów w narzędziach, danych czy samej architekturze.

• Umiejętność współpracy z Analitykami i Product Ownerami — przekładanie złożonych ograniczeń technicznych na realne konsekwencje produktowe i biznesowe.

• Nawyk skrupulatnego dokumentowania decyzji projektowych, w tym czytelnego uzasadniania odrzuconych wariantów architektonicznych.

Zadania

• Implementacja agentów i orkiestracji: pętla działania, planowanie, warunki zakończenia, obsługa przerwań i wznowień

• Projektowanie i implementacja narzędzi (tool/function calling): kontrakty, walidacja argumentów, idempotencja, komunikaty błędów zwracane modelowi w formie, z której potrafi się naprawić

• Zarządzanie kontekstem: budowanie promptów systemowych, kompresja i pamięć długoterminowa, kontrola rozmiaru okna, cache'owanie kontekstu

• Integracje z systemami klienta: API, MCP, kolejki, bazy, uwierzytelnianie i propagacja uprawnień użytkownika do działań agenta

• Warstwa RAG: pipeline'y ingestii, chunking, embeddingi, retrieval i re-ranking, oceny trafności wyszukiwania

• Niezawodność: timeouty, limity iteracji, circuit breakery, budżety tokenów i kosztów per zadanie, degradacja do prostszej ścieżki

• Bezpieczeństwo: obrona przed prompt injection, sandboxing wykonywania kodu, zasada najmniejszych uprawnień dla narzędzi, sanityzacja danych wejściowych z niezaufanych źródeł, unikanie wycieku danych przez narzędzia

• Observability i evale w CI: tracing trajektorii, logowanie wywołań narzędzi, regresje jakości jako blokada merge'a

• Optymalizacja: dobór modelu do zadania, routing, batching, streaming, redukcja latencji i kosztu bez utraty jakości

• Utrzymanie po wdrożeniu: reagowanie na zmiany wersji modeli, aktualizacje promptów i narzędzi, analiza incydentów