Ingeniero de ML Sénior

• No te asustan los problemas ambiguos, donde no hay una solución preparada y debes definir qué medir, cómo probar y qué significa el éxito.
• Puedes equilibrar velocidad y calidad: experimentar rápidamente manteniendo en mente la fiabilidad, la observabilidad y la reproducibilidad.
• Puedes escribir código apto para producción (y hacer "vibe-code"): del tipo que no hace que los ingenieros de producto busquen su revólver.

1. Más de 5 años de experiencia general en ingeniería de software;
2. Más de 2 años de experiencia construyendo productos basados en LLMs / agentes;
3. Has construido al menos:

• Un sistema RAG / de búsqueda con un pipeline completo: retrieval → rerank → generation;
• Un agente (uso de herramientas / multi-paso / workflows);
• Estos sistemas tienen usuarios reales;
• Te sientes cómodo con:
• Python asíncrono: asyncio, threads;
• Prompting de LLM: system/user prompts, few-shot, templates, contexto, instrucciones;
• Internals de LLM modernos: transformers, entrenamiento, inferencia, serving;
• Modelos recientes y sus diferencias (calidad / velocidad / longitud de contexto / coste / multimodalidad, etc.);
• MCP (Model Context Protocol);
• Metodología de ML: train/val/test, métricas, principios básicos de evaluación;

1. Control de calidad para respuestas de agentes:

• Monitorización, métricas, guardrails, regresiones, alertas, etiquetado humano / bucles de feedback;

1. Frameworks y enfoques para agentes:

• fastmcp, mcp-use, OpenAI Agents SDK y equivalentes;

1. Tokenización:

• Cómo funciona la tokenización;
• Tokenizadores modernos, su impacto en la longitud de contexto / coste / límites;

1. Pipelines de RAG:

• Componentes (ingest / chunking / embeddings / vector store / retrieval / rerank / composición de contexto / generación);
• Problemas y soluciones típicas (alucinaciones, recuperación deficiente, degradación, cold start, data drift, duplicados, latencia);

1. Cursor y herramientas similares (Claude Code, Codex, Aider, etc.):

• Cómo utilizar agentes de código de forma eficaz en el desarrollo.

• Experiencia diseñando APIs: REST / gRPC / GraphQL;
• Comprensión del protocolo HTTP;
• Experiencia con bases de datos relacionales: PostgreSQL y similares;
• Conocimiento de almacenes distribuidos y vectoriales: Weaviate, Cassandra, etc.;
• Experiencia con frameworks de API en Python: FastAPI, Flask y equivalentes;
• Familiaridad con sistemas de tareas en segundo plano: Celery, Taskiq, Airflow, etc.;
• Habilidades de contenerización: Docker, Kubernetes o Nomad;
• Experiencia trabajando con colas y brokers: Kafka, RabbitMQ, Redis, etc.

Un Senior ML Engineer que ya haya construido agentes LLM y sistemas RAG en producción y que no solo sepa "ensamblar un pipeline", sino que también sea capaz de mejorar la calidad mediante hipótesis y experimentación. Necesitamos a alguien con una mentalidad de ingeniería orientada a la investigación: probar ideas rápidamente, convertirlas en prototipos funcionales, medir los resultados y luego impulsarlas hacia soluciones de producción estables. La independencia y la responsabilidad sobre los resultados son cruciales: "encontrar una palanca → demostrarla con métricas → desplegar → monitorizar."

• Diseñar la evaluación de calidad para agentes: definir métricas (éxito de la tarea, éxito de la herramienta, latencia/coste, tasa de alucinación), construir datasets, ejecutar evaluaciones offline/online y configurar regresiones y alertas;
• Determinar si un agente de código puede superar al agente basado en herramientas actual: comparar enfoques (basado en herramientas vs. ejecución de código/codegen), definir qué es "mejor", realizar tests A/B o despliegues controlados, y evaluar calidad/coste/riesgo;
• Mejorar la calidad de RAG en un 30%: optimizar la recuperación (chunking, reescritura de consultas, búsqueda híbrida), reranking, composición de contexto, deduplicación/anti-leak, grounding, y luego demostrar las mejoras en benchmarks y métricas de producción.