Se busca un profesional para diseñar y construir sistemas complejos de agentes con múltiples agentes que interactúan. El candidato implementará lógica de orquestación robusta, canalizaciones RAG, llamadas a herramientas y avisos sofisticados del sistema para garantizar confiabilidad, control de latencia y costos óptimos. Además, aplicará conceptos básicos de ML para evaluar y mejorar el rendimiento del agente y liderará el desarrollo de agentes utilizando Google ADK y/o LangGraph, documentando diseños, decisiones y libros de ejecución completos para sistemas complejos.

Responsabilidades:

• Diseñar y construir sistemas complejos de agentes con múltiples agentes que interactúan.
  
• Implementar lógica de orquestación robusta (máquinas de estados, gráficos, reintentos, respaldos, escalada a humanos).
  
• Implementar canalizaciones RAG, llamadas a herramientas y avisos sofisticados del sistema para optimizar confiabilidad, latencia y costos.
  
• Aplicar conceptos básicos de ML para evaluar y mejorar el rendimiento del agente, incluyendo curación de conjuntos de datos y controles de sesgo y seguridad.
  
• Liderar el desarrollo de agentes utilizando Google ADK y/o LangGraph.
  
• Documentar diseños, decisiones y libros de ejecución completos para sistemas complejos.
  

Requisitos:

• Licenciatura en Ciencias de la Computación, Ingeniería o campo relacionado.
  
• Al menos 3 años de experiencia como Ingeniero de Software, Ingeniero de ML o Ingeniero de IA, con 1 a 2 años trabajando directamente con LLM en aplicaciones reales.
  
• Dominio de Python: características principales del lenguaje, empaquetado, pruebas, programación asíncrona y sugerencias de tipo.
  
• Prácticas de ingeniería de software: control de versiones (Git), pruebas unitarias e integración, revisiones de código, CI/CD.
  
• Experiencia en creación y consumo de API REST y gRPC, así como integración de herramientas y servicios externos.
  
• Buen conocimiento de conceptos básicos de ML: aprendizaje supervisado y no supervisado, divisiones de entrenamiento, validación y prueba, sobreajuste, regularización y métricas comunes (precisión, recuperación, F1, ROC-AUC).
  
• Conocimiento de conceptos básicos de aprendizaje profundo: redes neuronales, incrustaciones, y al menos un marco de ML/DL como PyTorch, TensorFlow, JAX o scikit-learn.
  
• Conocimiento práctico de grandes modelos de lenguaje.
  
• Experiencia en creación de aplicaciones LLM de extremo a extremo: desde idea hasta prototipo y producción.
  
• SQL y modelado de datos básico.
  
• Experiencia en implementación en al menos una plataforma de nube importante (GCP, AWS, Azure) y uso de servicios administrados (por ejemplo, tiempos de ejecución sin servidor, orquestación de contenedores, administración).