Desenvolvedor(a) Full Stack Sênior – IA/LLM

🎯 Descrição da vaga

Buscamos um(a) Desenvolvedor(a) Full Stack Sênior para atuar na construção de aplicações com IA/LLMs em produção, com foco em RAG (Retrieval-Augmented Generation) e integrações com serviços de inferência (model serving).

A pessoa irá desenvolver soluções ponta a ponta utilizando .NET (C#) no backend, Angular no frontend, Python para rotinas de IA e pipelines, além de SQL Server e bases vetoriais para persistência e busca semântica. O objetivo é entregar produtos robustos, com qualidade, segurança e boa experiência para o usuário.

🛠 Responsabilidades

• Desenvolver funcionalidades full stack com IA: chat corporativo, busca semântica, assistentes e copilotos;
• Implementar e evoluir pipelines de RAG: ingestão, chunking, embeddings, indexação e retrieval
• Integrar aplicações com LLMs via API/endpoint e/ou servidores/plataformas de inferência;
• Construir APIs e serviços em .NET (C#) para integração com LLMs, RAG e sistemas internos
• Implementar UI em Angular (streaming de resposta, histórico, feedback do usuário, filtros e controles)
• Desenvolver rotinas/serviços em Python para ingestão, geração de embeddings e automações
• Trabalhar com SQL Server e bases vetoriais (indexação e busca por similaridade com metadados)
• Implementar tratamento de erros, resiliência (timeouts/retry) e controles operacionais
• Atuar com segurança e governança (autenticação, autorização, trilhas e privacidade/LGPD)
• Contribuir com boas práticas de engenharia (testes, code review, versionamento e CI/CD)

✅ Requisitos obrigatórios

• Experiência sólida como Desenvolvedor(a) Full Stack em produção
• .NET (C#) para APIs/serviços (REST, autenticação/autorização, integrações)
• Angular (componentização, consumo de APIs, estado e performance)
• Python para rotinas de IA/integração (scripts, serviços leves, consumo de APIs)
• SQL Server (modelagem, queries e performance básica)

🔹 Experiência prática com LLMs em produção:

• Consumo via API/endpoint, streaming, controle de contexto e custos
• Noções de validação/guardrails (entrada/saída, políticas e limites)

🔹 Experiência com RAG (Retrieval-Augmented Generation) em projeto real:

• Ingestão, embeddings, indexação e retrieval (com filtros por metadados quando necessário)

🔹 Experiência com base vetorial / busca semântica:

• pgvector, Pinecone, Milvus, Weaviate ou Qdrant (ou equivalente)

🔹 Experiência com inferência/model serving:

• Integração/uso de pelo menos um: vLLM, TGI, Ollama, llama.cpp, Triton ou endpoint gerenciado
• Noções de latência, concorrência e timeouts

🔹 Memória de longo prazo em aplicações com LLMs (nível sênior):

• Persistência de histórico, preferências e contexto com critérios de retenção e privacidade
• Armazenamento/recuperação em SQL e/ou base vetorial

🔹 Boas práticas de engenharia:

• Git, testes, code review, CI/CD e Docker (quando aplicável)

⭐ Diferenciais:

• MCP (Model Context Protocol): uso/integração de MCP servers para conectar LLMs a ferramentas e dados corporativos
• Experiência com Bamboo (Atlassian) para CI/CD
• Observabilidade avançada (dashboards, tracing, métricas de latência e qualidade)
• Kubernetes e estratégias de autoscaling
• Avaliação avançada de RAG/LLM (testes automatizados, datasets, A/B, quality gates)
• Noções de fine-tuning / LoRA / PEFT (não obrigatório)