Estamos montando do zero o time de IA na SND. Isso significa que as decisões de arquitetura, stack e padrão de qualidade ainda estão em aberto, quem entrar agora vai ajudar a tomá-las. O objetivo é colocar recursos de IA em produção, com usuários reais, SLA e custo sob controle.
- Projetar e construir aplicações que usam LLMs em produção: assistentes, agentes com uso de ferramentas, automações de fluxo e recursos de IA embarcados nos produtos existentes.
- Implementar e evoluir pipelines de RAG, ingestão, chunking, embeddings, busca híbrida, reranking e defender as escolhas com dados, não com intuição.
- Construir a camada de avaliação: datasets de teste, métricas de qualidade, testes de regressão de prompt. Se não dá pra medir, não vai pra produção.
- Cuidar dos números que importam em IA: latência, custo por requisição, taxa de erro e de alucinação. Otimizar com caching, roteamento entre modelos e ajuste de contexto.
- Integrar a camada de IA aos sistemas existentes em .NET e Node/TypeScript, respeitando os contratos e a segurança que já existem.
- Construir e manter servidores e clientes MCP (Model Context Protocol) para expor sistemas internos como ferramentas consumíveis por agentes, definindo escopo de permissão, contrato de tool e tratamento de erro de cada uma.
- Orquestrar automações e fluxos de integração usando n8n e plataformas de iPaaS (MuleSoft/Anypoint, [Azure Logic Apps / Make / Workato]), decidindo o que vive em low-code, o que vira API gerenciada e o que precisa virar código.
- Expor e consumir APIs corporativas dentro da arquitetura de IA, inclusive transformando integrações já existentes no MuleSoft em ferramentas disponíveis para os agentes, sem duplicar regra de negócio.
- Implementar guardrails, tratamento de dados sensíveis e observabilidade (tracing de chamadas, logging de prompts, auditoria).
- Fazer code review, escrever documentação e ajudar a subir a régua técnica do time.
Requisitos
6+ anos de experiência em desenvolvimento de software, com histórico de sistemas em produção sob sua responsabilidade.
Domínio de pelo menos duas das stacks do time: Python, .NET/C# e Node/TypeScript — e disposição real de transitar entre elas.
Experiência prática construindo com APIs de LLM (OpenAI, Anthropic, Gemini, Bedrock ou equivalentes), incluindo function/tool calling e streaming.
Familiaridade com MCP ou equivalente, ou seja, entender na prática como um agente descobre, chama e recebe resultado de ferramenta externa, e o que dá errado nesse caminho.
Vivência com plataformas de automação e integração MuleSoft (Anypoint Platform), n8n, Logic Apps, Make, Power Automate ou Workato e maturidade para saber onde cada uma para de escalar.
Entendimento de integração API-led: versionamento de API, gateway, políticas de segurança e contratos entre sistemas.
Ter colocado ao menos uma aplicação com LLM em produção e lidado com as consequências disso (custo, latência, comportamento inesperado).
Sólido em fundamentos: APIs REST, mensageria/filas, bancos relacionais, Docker, CI/CD, Git.
Diferenciais:
- Bancos vetoriais (pgvector, Qdrant, Weaviate, Pinecone).
- Frameworks de orquestração (LangChain, Llama
- Index, Semantic Kernel, LangGraph) e opinião fundamentada sobre quando não usá-los.
- Ter publicado ou mantido um servidor MCP, ou construído nós/integrações customizadas em n8n.
- DataWeave, conectores customizados ou administração de Anypoint Platform.
- Arquitetura orientada a eventos: webhooks, filas, retry e idempotência em fluxos automatizados.
- Ferramentas de avaliação e observabilidade de LLM (LangSmith, Langfuse, Braintrust, Phoenix).
- Cloud (Azure, AWS ou GCP) e infraestrutura como código.
- Fine-tuning, quantização ou deploy de modelos open-source.
- Contribuições open source ou conteúdo técnico público
