Noch keine KI-Analyse
Ausführen: python script_run_ai_scoring.py --profile zoe
Stellenbeschreibung
Duration: 12 months+ | Start: 01/2027 | Remote: 80%
Beschreibung
IT
Artificial Intelligence
Algorithm Design
Computer-Aided Software Engineering
Facilities Engineering
Computer Aided Engineering (CAE)
Prompt Engineering
Artificial Intelligence Markup Language (AIML)
Description
Start: Jan 2027
Dauer: Ende 2027+
Ort: remote unf evtl. Frankfurt
Umfang: Vollzeit
Bem: es werden mehrere Berater* gesucht
Start 18.01.2027; Pitch *****;
Die Rolle konzipiert, implementiert und testet produktionsreife Agent-as-Code-Lösungen in den Use Case Pods.
Auf Basis von Python und LangGraph integriert die Rolle Werkzeuge über MCP, realisiert RAG- und
Dokumentverarbeitungsstrecken mit zentralen Plattformdiensten und bereitet sauber strukturierte Agenten für
containerisierte Deployments vor. Bei Machine-Learning-Use-Cases setzen AI Engineer und Data Scientist die
produktionsreife Lösung in Dataiku um.
Erforderliche Fähigkeiten (Must-Have)
•
Software Engineering:
•
Exzellente Kenntnisse in Python (umfassende Praxis mit modernen Type Hints, Pydantic, AsyncIO, modulares
Packaging).
•
Beherrschung professioneller Software-Engineering-Praktiken: Clean Code, Design Pat-terns, Modul- und
Integrationstests (Pytest, Mocking), Linting & Formatting (Ruff).
•
Sicherer Umgang mit Git, GitLab CI/CD, SemVer und Containerisierung (Docker).
•
Agentic AI & Orchestrierung:
•
Fundierte praktische Erfahrung mit LangGraph (Zustandsgraphen, State Machines, Check-pointing, Human-in-the-
Loop / Approval-Workflows).
•
Tiefes Verständnis für Agenten-Architekturen, Tool-Calling, Structured Outputs (JSON Schema Validation) und
Prompt-Engineering-Methoden.
•
Hands-on-Erfahrung mit dem Model Context Protocol (MCP), insbesondere mit Client- und Server-
Implementierungen via FastMCP.
•
RAG, Document Processing & Retrieval:
•
Fundierte Erfahrung in der Extraktion und Verarbeitung unstrukturierter Dokumentformate (PDF, DOCX, PPTX,
HTML, XML, XLSX) mittels moderner Parsing-Tools und Bibliotheken (z. B. Docling, Unstructured, PyPDF/
pdfplumber, OCR-Verfahren).
•
Konzeption und Implementierung robuster, struktur- und semantikbewusster Chunking-Verfahren (rekursiv,
Markdown-basiert) für optimale Retrieval-Qualität.
•
Praktische Erfahrung mit Retrieval-Augmented Generation (RAG): Vektor-Embeddings, se-mantische und hybride
Suche, Re-Ranking-Konzepte.
•
Praktische Erfahrung in der Nutzung von Vektordaten
Skills:
- Agentic Software Engineering
- Agentic RAG
- AI Governance
- LLM Observability
- LangGraph
- LangFuse
- Python
- Mandatory, Rating 3: German