Estamos em busca de um(a) Engenheiro(a) de IA Sênior para assumir a manutenção e a evolução contínua do Plataforma Agents de IA — nosso framework de orquestração de agentes de IA

que automatiza ciclos completos de desenvolvimento de software (refinement → dev →security → QA → deploy) em nossos projetos reais, em produção.

Esta não é uma vaga de "treinar modelo" nem de "fazer prompt em chatbot". E engenharia de plataforma com foco em confiabilidade, observabilidade e auto-recuperação de agentes autônomos rodando 24/7 em produção, escrevendo código de desenvolvimento, fazendo git push, abrindo PRs, mergeando em omolog, fazendo cherry-pick para produção.

O que é o Plataforma Agents de IA

Para você decidir se a vaga te interessa, precisa entender o que vai manter:

• Orquestrador: Le as issues (Jira), identifica issues prontas pra cada stage, dispara

agentes (Claude/OpenIA/Gemini/DeepSeek) com contexto rico, valida o resultado, posta

comentario na issue, e avanca o status. Roda em servidores Linux, com auto-update.

• Agentes (@dev, @qa, @sec, @devops, @pm, @po, @sm, @analyst, @architect, @data-engineer, @ux-design-expert): cada um com persona, authority matrix definida, skills executáveis e Gates de qualidade.

• Rules: Mais de 60 regras formais que governam o comportamento dos agentes — desde naming conventions até anti-hallucination validation em 7 camadas. Cada rule nasce de um bug real anonimizado em produção e tem detector regex + caso aplicação por agent.

• Recovery loops: quando um stage falha (CI quebra, conflict de cherry-pick, working tree dirty, autocompact thrashing), o orquestrador detecta deterministicamente e redispara o agente em --mode=ci_recovery com contexto enriquecido. Cap de tentativas, anti-oscilação, escalada pra humano quando esgota.

• Multi-repo via submodules: projetos clientes tem 2 a 30+ sub-repos. Vertex orquestra cherry-pick coordenado, dependency promotion cross-issue, working-tree auto-recovery, validação de paridade de coverage Sonar.

• Stack: Bash 5+ (nucleo), Python, Node.js/TypeScript (CLIs auxiliares), gh CLI, jq,

integrações HTTP com Jira/GitHub via curl + retry policy.

O que você vai fazer

Manutenção do core (40%)

• Manter e evoluir fix de bugs, refatorações controladas, redução de complexidade

ciclomática.

• Garantir que retry policies (Git, PM API, autocompact, recovery loops) continuem

determinísticas e sem custo desnecessário.

• Manter as integrações com Jira API (ADF, webhooks, transitions, comments via helper canônico) funcionais frente a mudancas de schema/comportamento.

• Operar e melhorar o sistema de telemetria (dashboards de custo por agent/stage/issue).

• Diagnosticar incidentes em produção (cliente reporta "agent crashou em loop", "PR criado no repo errado", "deploy não promoveu") e fechar com case study anonimizado + nova rule preventiva.

Evolução de agents e rules (35%)

• Criar e refinar rules quando bugs sistemicos forem detectados — cada rule nova segue o template canônico (detector regex, aplicação por agent, caso real anonimizado, antipatterns, checklist).

• Calibrar prompts dos agents para reduzir alucinação, scope creep, falsos positivos e ciclos de retrabalho.

• Manter o agent-authority.md consistente quando authorities mudarem (ex: @dev

ganhou ownership de PR contra homolog em v2.0.146).

• Criar/refatorar skills.

• Medir impacto de cada rule nova (redução de ciclos de retrabalho, custo USD por issue, leakage rate de bugs Categoria A vs B).

Integrações com LLM CLIs (25%)

• Manter compatibilidade com mudanças de breaking change dos provedores (Claude Code, OpenAI CLI, Gemini CLI, DeepSeek direct).

• Avaliar e integrar novos providers/modelos quando custo-benefício mudar (ex:

DeepSeek-Reasoner para recovery loops, Haiku para classificação).

• Otimizar custo: identificar stages onde modelo menor resolve.

• Implementar fallbacks quando um provider está em outage (ja existe retry transient;

expandir cobertura).

• Trabalhar com tokenização, context windows, autocompact thrashing detection —

entender as falhas reais de cada modelo, não a teoria.

O que esperamos de você

Stack técnica — obrigatório

• Bash/Shell avançado e Linux — você e confortável lendo e escrevendo 500+ linhas de

bash com set -euo pipefail, traps, subshells, file locks, jq, awk, sed, heredocs,

parameter expansion avançada. Não tem medo de poll.sh. Sabe diferenciar [ ] de [[

]] e porque importa.

• Node.js / TypeScript — escreve TS com strict mode, entende quando não usar Node

(ex: lógica de orquestração crítica fica em bash justamente porque e mais previsível que async JS).

• Git e GitHub avançado — cherry-pick com -m 1, submodules, gh pr

create/merge/edit/list --search, git revert, git rebase --autosquash, resolução

de conflicts nao-triviais, branch protection rules, GitHub Actions workflows.

• Prompt engineering aplicado a agentes autônomos — você já calibrou prompts em produção, sabe que "diga ao modelo o que não fazer" raramente funciona, entende o

efeito de exemplos few-shot vs zero-shot, e já debugou ao menos uma vez porque um agente está "alucinando" um PR que não criou.

Experiência

• 5+ anos de engenharia de software produzindo sistemas em produção.

• Pelo menos 1 ano com agentes autônomos / orquestração de LLMs em ambiente

real (não bootcamp, não side project) — você sabe a diferença entre "rodou no demo" e "rodou em prod 24/7 sem humano".

• Histórico comprovado de manter sistemas legados com debt técnico — você não quer "reescrever do zero".

• Inglês técnico fluente para leitura/escrita (documentação, issues, comentários de código em inglês obrigatórios; comunicação verbal pode ser PT/EN/ZH dependendo do time).

Mentalidade

• Determinismo > magia. Você prefere uma regex feia em bash que sempre funciona a um ML model elegante que falha em 5% dos casos. Em orquestração de agentes, 5% de falha = produto inviável.

• Forensics sobre intuição. Antes de propor solução, você lê o log, o diff, a issue real do cliente. Não inventa hipótese.

• Documentação executável. Quando você cria uma rule nova, ela tem detector regex que pode rodar em CI. "Documentei em texto" não basta.

• Empatia por agente. Você consegue ler um prompt de 8k tokens e identificar onde o modelo vai se confundir, por que, e o que ajustar.

Diferenciais

• Experiencia com Claude Agent SDK, OpenAI Agents SDK, LangGraph ou frameworks de orquestração equivalentes.

• Já implementou ou manteve sistemas de retry policy + backoff exponencial + circuit breaker em integrações com APIs externas instáveis.

• Já trabalhou com monorepos via submodules (nao apenas Nx/Turborepo) e entende

os trade-offs.

• Contribuições open-source em projetos relacionados (CLIs, dev tooling, agent

frameworks).

• Experiencia com DevOps em servidores Linux dedicados (não apenas k8s/cloud managed): systemd, cron, logrotate, monitoring com ferramentas leves.

• Familiaridade com conventional commits, semantic-release, gitflow trifásico

(feature → homolog → main com cherry-pick).

• Já escreveu post-mortem público / case study técnico que outras pessoas referenciam.

Benefícios

• VR/VA – Flash Benefícios

• Assistência Médica – Bradesco Saúde

• Assistência Odontológica – Bradesco

• Programa de Orientação Pessoal – C4Life

• Day Off de Aniversário

• TotalPass

• Parcerias educacionais (FIAP e Alura)