Senior AI Engineer

Requerimientos del cargo • Agentes: arquitecturas de agentes (single y multi-agente), tool use / function calling, salidas estructuradas; diseño de harness — loop del agente, gestión de contexto y memoria, sandboxing, recuperación de errores; experiencia con SDKs y frameworks de agentes del mercado. • Context engineering: prompt engineering sistemático, RAG, contexto de repositorio para agentes de código (instrucciones, skills, specs). • MCP e integraciones: construcción de servidores MCP; integración de agentes con APIs internas y de terceros. • Plataformas: servicios cloud de AI generativa (ej. AWS Bedrock), APIs de proveedores de modelos, orquestadores de workflows; selección de modelo por costo, latencia y calidad. • Ingeniería: Python o TypeScript/Node.js para integraciones; APIs REST; conocimiento del stack interno para integrar AI en los servicios. • Evaluación y observabilidad: diseño de evals (incluido LLM-as-judge), suites de regresión para agentes, trazas y métricas de calidad, guardrails. • Seguridad: manejo responsable de datos sensibles (industria financiera) en flujos AI; control de acciones de agentes (permisos, human-in-the-loop donde corresponde, defensa ante prompt injection).

Funciones del cargo • Diseñar y construir agentes sobre LLMs: automatizaciones de workflow y agentes multi-paso con tool use, incluido el harness que los ejecuta (loop del agente, gestión de contexto y memoria, manejo de errores, límites de acción). • Construir y operar servidores MCP que expongan los servicios y datos internos a agentes y herramientas de desarrollo, con permisos y auditoría. • Diseñar la arquitectura AI del ciclo de desarrollo: contexto de repositorio para agentes de código, specs como contrato ejecutable, agentes en CI/CD, evals del flujo de desarrollo. • Administrar la infraestructura AI: plataformas de modelos, APIs de proveedores, herramientas de automatización, costos y cuotas. • Definir guidelines de uso de AI para el equipo y la empresa (seguridad de datos, casos de uso permitidos, calidad). • Evaluar y medir la calidad de las soluciones AI: evals automatizados, trazas y monitoreo de agentes en producción, guardrails. • Capacitar al equipo en herramientas AI y asistentes de código. • Mantenerse al día con el ecosistema y proponer casos de uso de negocio (factoring: análisis de riesgo, procesamiento de documentos, atención a clientes).