Mid+ AI / Backend Engineer

O projekcie

Dla dynamicznie rozwijającego się startupu tworzącego platformę B2B AI opartą na autonomicznych agentach szukamy osoby na stanowisko Mid+ AI / Backend Engineer.

Platforma klienta eliminuje żmudną analitykę w zespołach przedsiębiorstw dzięki elastycznej architekturze, rozwiązaniom agentowym i zaawansowanym przepływom pracy. Dołączysz do zespołu programistycznego, w którym masz realny wpływ na architekturę systemów trafiających prosto na produkcję: tworzysz i skalujesz infrastrukturę backendową oraz systemy AI.

Szukamy osoby, która nie jest jeszcze seniorem, ale niewiele jej do tego brakuje. Klientowi zależy na współpracy z kimś samodzielnym, kto dostaje dobrze opisane zadanie i dowozi je bez prowadzenia za rękę.

Codzienne zadania

• Tworzenie i rozwój skalowalnych usług backendowych (Python, FastAPI) napędzających platformę AI.
• Budowa i optymalizacja potoków RAG, systemów agentów AI oraz orkiestracja modeli LLM na produkcji.
• Wsparcie w tworzeniu infrastruktury chmurowej (AWS / Azure), w tym izolacja multi-tenant i funkcje serverless.
• Tworzenie elastycznego ekosystemu integracji sterowanego przez API oraz zewnętrzne konektory.
• Przeglądy kodu, dbanie o standardy testowania i mentoring młodszych inżynierów.
• Bezpieczeństwo systemu: JWT, OAuth2, RBAC, ochrona przed prompt injection.

Wymagania

• 3–5 lat komercyjnego doświadczenia w backendzie w Pythonie.
• Bardzo dobra znajomość FastAPI (async, Pydantic, dependency injection).
• PostgreSQL: projektowanie schematów, optymalizacja zapytań, migracje (Alembic).
• Systemy AI (LLM, RAG): tool calling, function calling, wieloetapowe rozumowanie, MCP (Model Context Protocol).
• Chmura: AWS (Lambda, S3, ECS, API Gateway) i/lub Azure.
• Docker, Kubernetes, CI/CD (GitHub Actions, GitLab CI), IaC (Terraform / AWS CDK).
• Produkcyjne doświadczenie w integracji API modeli LLM (OpenAI, Anthropic Claude, Google Gemini).
• Bardzo dobry angielski w mowie i piśmie.

Mile widziane

• TypeScript z zaawansowanym systemem typów (generics, utility types, conditional types).
• Celery i asynchroniczne przetwarzanie zadań (Redis / RabbitMQ).
• GraphRAG i grafowe bazy danych (Neo4j).
• Serwowanie modeli LLM on-premise (vLLM, TGI, TensorRT-LLM), fine-tuning (LoRA / QLoRA).
• Pulumi, gRPC lub GraphQL.

Jak wygląda proces

• Screening po stronie CRODU (ok. 20 minut).
• Rozmowa techniczna z zespołem klienta.
• Decyzja i start współpracy.