Descrição e Responsabilidades
Missão do cargo
Projetar, prototipar e integrar soluções de IA generativa (LLMs) que resolvam problemas reais de negócio, atuando tanto na construção técnica da solução quanto no desenho da interação entre pessoas, processos e IA.
Principais responsabilidades
Bloco técnico (AI Engineer aplicação)
Integrar LLMs (via API) a sistemas e produtos internos
Construir pipelines de RAG e gestão de contexto (chunking, embeddings, bancos vetoriais)
Implementar guardrails técnicos: validação de entrada/saída, filtros de conteúdo, limites de escopo do assistente
Monitorar custo, latência e qualidade de respostas em produção (observability básica de LLM)
Bloco solutions/prompt (Solutions Engineer)
Mapear processos de negócio e identificar onde IA generativa agrega valor real (vs. onde é hype)
Desenhar e versionar prompts/system prompts como artefato de engenharia (não "tentativa e erro"), incluindo testes de regressão de prompt
Desenhar fluxos de conversa/agente pensando em casos de borda (o que acontece quando o usuário foge do escopo, tenta manipular o assistente, ou pede algo fora de política)
Traduzir necessidades de áreas não técnicas em especificações que a parte técnica consegue implementar
Conduzir POCs rápidas com áreas de negócio e coletar feedback estruturado antes de escalar a solução
Requisitos
Requisitos técnicos (hard skills)
- Python sólido (obrigatório)
- APIs REST e consumo de LLMs (Anthropic, OpenAI, ou equivalente)
- Framework de orquestração (LangChain, LlamaIndex ou similar) — nível funcional, não expert
- Conceitos de prompt engineering aplicado: few-shot, chain-of-thought, structured output (JSON), roles/system prompts
- Noções de bancos vetoriais e RAG
- Git/controle de versão
Diferencial competitivo: Segurança de aplicações de IA:
- Prompt injection e jailbreak (entender o vetor de ataque, não só ouvir falar)
- Vazamento de dado sensível via prompt/contexto
- Validação de output antes de executar ações (nunca confiar cegamente no que o LLM devolve, especialmente se isso dispara ação em sistema real)
- Rate limiting e controle de custo (LLM mal configurado pode gerar custo descontrolado)
- Capacidade de fazer entrevista/discovery com área de negócio (levantar requisito, não só receber requisito pronto)
- Raciocínio sobre ROI e viabilidade: saber dizer "não" quando IA não é a resposta
- Documentação de decisão: por que esse prompt, por que esse fluxo, o que foi testado e descartado
Diferenciais (não eliminatório)
- Experiência com avaliação/eval de LLM (frameworks, ou métricas próprias)
- Noções de UX conversacional
- Inglês técnico
174075
2026-08-04
2026-08-04
Águia Branca