LLM Engineer (RAG, Agents, Graph AI)

Dla 7bulls, naszej Spółki-Matki budujemy platformę automatycznej modernizacji systemów legacy (Oracle, PL/SQL), opartą o modele LLM i analizę statyczną kodu. Tworzymy systemy, które: • rozumieją kod • rekonstruują logikę biznesową • podejmują decyzje jako agenci • uczą się na podstawie feedbacku 👉 To deep-tech + realny impact w enterprise, nie „prompt engineering playground”. 🎯 Twoja rola: Będziesz projektować i rozwijać systemy oparte o LLM + RAG + agent architectures, które działają w środowisku produkcyjnym i uczą się w czasie. 🛠️ Czym będziesz się zajmować • Budowa i rozwój systemów RAG (Retrieval-Augmented Generation)• w tym Graph RAG oraz integracje z bazami grafowymi • Projektowanie architektur agentowych (multi-agent systems) • Tworzenie pętli uczenia (feedback loops) • reinforcement learning / self-improving systems • Fine-tuning modeli LLM pod konkretne use-case’y • Projektowanie i rozwój: • prompt engineering • context engineering (retrieval, memory, chunking, orchestration) • Budowa systemów oceny jakości modeli: • metryki • monitoring • ewaluacja wyników • Integracja narzędzi (tools) wykorzystywanych przez agentów 🧩 Wymagania (kluczowe obszary) Szukamy osoby, która realnie pracowała z poniższymi zagadnieniami (praktycznie, nie tylko teoretycznie): 🔹 LLM & uczenie modeli • rozumienie działania modeli LLM (architektura, ograniczenia, trade-offy) • doświadczenie z:• fine-tuningiem • reinforcement learning (np. RLHF lub inne podejścia) • budowa systemów uczących się na podstawie feedbacku 🔹 RAG / Retrieval Systems • praktyczne doświadczenie z RAG • znajomość różnych podejść do retrieval (vector, hybrid, itp.) • duży plus: doświadczenie z Graph RAG • praca z bazami grafowymi (np. Neo4j lub podobne) 🔹 Prompt & Context Engineering • projektowanie promptów do zastosowań produkcyjnych • zarządzanie kontekstem:• chunking • retrieval strategies • memory / context window optimization • rozumienie wpływu kontekstu na jakość odpowiedzi 🔹 Ewaluacja modeli (bardzo ważne) • umiejętność mierzenia jakości modeli LLM • znajomość metryk (np. accuracy, relevance, consistency) • doświadczenie z:• wykrywaniem i ograniczaniem halucynacji • budową systemów ewaluacyjnych (offline / online) 🔹 Systemy agentowe • doświadczenie z budową agentów lub systemów multi-agent • integracja modeli z narzędziami (tools / function calling) • projektowanie workflowów decyzyjnych 🔹 Inżynieria i fundamenty • min. 5 lat doświadczenia komercyjnego • solidne podstawy:• algorytmy i struktury danych • jakość kodu • doświadczenie w budowie systemów produkcyjnych (backend / AI / MLOps) Duży plus • AI coding agents / code understanding • analiza kodu / static analysis • doświadczenie z systemami legacy (Java, PL/SQL, Oracle) • cloud (AWS / GCP / Azure) • distributed systems Jak pracujemy • blisko produktu — realny wpływ na decyzje technologiczne • interdyscyplinarnie: AI + backend + legacy + DevOps/MLOps • ZDALNIE • kultura:• feedbacku • challengowania rozwiązań • eksperymentowania Co oferujemy • 🧠 realne problemy do rozwiązania (nie demo AI) • ⚙️ wpływ na architekturę systemów AI • 🧪 przestrzeń na eksperymenty i research • 🌍 projekt o globalnym potencjale