Ingeniero de IA Principal - Contexto - Agentes y Contexto

Elastic, la compañía de Search AI, permite que todo el mundo encuentre las respuestas que necesita en tiempo real, utilizando todos sus datos y a escala, liberando el potencial de las empresas y las personas. La Elastic Search AI Platform, utilizada por más del 50% de las empresas Fortune 500, combina la precisión de la búsqueda con la inteligencia de la IA para permitir que todos aceleren los resultados que importan. Al aprovechar todos los datos estructurados y no estructurados —asegurando y protegiendo la información privada de forma más eficaz—, las soluciones completas de Elastic basadas en la nube para búsqueda, seguridad y observabilidad ayudan a las organizaciones a cumplir la promesa de la IA.

El equipo de Context Engine construye la capa de conocimiento que los agentes de IA utilizan para trabajar con datos empresariales en Elasticsearch. Extraemos conocimiento de cualquier fuente de datos hacia un AI Index estructurado, lo servimos a los agentes a través de APIs públicas, herramientas MCP e integraciones de frameworks, y cerramos el ciclo con trazas de agentes para que lo que el motor sabe mejore con el uso real. Cualquier agente puede utilizarlo: el propio Agent Builder de Elastic, Claude Code, LangChain y otros entornos de terceros.

Como Principal AI Engineer, serás el responsable del ciclo de mejora de este producto de extremo a extremo: cómo se comportan los agentes, las automatizaciones y las habilidades en producción, cómo los observamos, cómo los evaluamos y cómo implementamos cambios en ellos de forma segura. Este es un rol híbrido en la intersección de la ingeniería, la ciencia de datos y el producto. Escribirás código de producción, diseñarás la evaluación y la telemetría sobre las que podrán basarse las decisiones de producto, y establecerás el estándar técnico de cómo el equipo itera sobre el comportamiento de los agentes. Trabajarás junto a científicos de datos, ingenieros de backend, producto y UX, y tu trabajo se reflejará directamente en lo que los clientes construyen sobre Elastic.

La base de código es TypeScript y la construimos de forma abierta, por lo que estarás lanzando código, diseños y discusiones en público junto al resto de la Elastic Stack.

• Liderar el ciclo de mejora en producción para Context Engine: entender cómo se comportan las automatizaciones de extracción, las herramientas de recuperación y la memoria, basándote en evaluaciones offline, conversaciones con clientes y telemetría. Ayudarás a encontrar los modos de fallo, a corregirlos y a demostrar la solución.
• Definir cómo iteramos sobre agentes y habilidades de forma segura: versionado y despliegue de prompts, habilidades y automatizaciones, cobertura de regresión, evaluación por etapas y en la sombra (shadow evaluation), y los mecanismos de control (guardrails) que nos permitan cambiar el comportamiento sin afectar a los clientes.
• Diseñar la telemetría que necesitamos para tomar decisiones de ingeniería basadas en datos: qué capturar de las trazas de los agentes, las llamadas a herramientas y la recuperación de conocimiento, cómo se almacena en Elasticsearch y cómo alimenta la evaluación, los paneles de control y el ciclo de retroalimentación.
• Colaborar con el equipo de ciencia de datos en la estrategia de evaluación: conjuntos de datos de referencia (golden datasets), evaluadores para controlar la calidad, la latencia y el coste.
• Elevar el nivel de todo el equipo: revisar diseños y PRs, mentorizar a ingenieros en desarrollo basado en evaluación (eval-driven development) y escribir las propuestas técnicas que den forma a la hoja de ruta.

Elastic, the Search AI Company, enables everyone to find the answers they need in real time, using all their data, at scale - unleashing the potential of businesses and people. The Elastic Search AI Platform, used by more than 50% of the Fortune 500, brings together the precision of search and the intelligence of AI to enable everyone to accelerate the results that matter. By taking advantage of all structured and unstructured data - securing and protecting private information more effectively - Elastic's complete, cloud-based solutions for search, security, and observability help organizations deliver on the promise of AI.

The Context Engine team builds the knowledge layer that AI agents use to work with enterprise data in Elasticsearch. We extract knowledge from any data sources into a structured AI Index, serve it to agents through public APIs, MCP tools and framework integrations, and close the loop with agent traces so that what the engine knows improves from real usage. Any agent can use it: Elastic's own Agent Builder, Claude Code, LangChain and other third-party harnesses.

As a Principal AI Engineer, you own the improvement loop of this product end to end: how agents, automations and skills behave in production, how we observe them, how we evaluate them, and how we ship changes to them safely. This is a hybrid role at the intersection of engineering, data science, and product. You will write production code, design evaluation and telemetry that product decisions can rest on, and set the technical bar for how the team iterates on agentic behaviour. You will work alongside data scientists, backend engineers, product, and UX, and your work will show up directly in what customers build on top of Elastic.

The codebase is TypeScript and we build it in the open, so you'll be shipping code, designs and discussions in public alongside the rest of the Elastic Stack.

• Own the production improvement loop for Context Engine: understand how extraction automations, retrieval tools and memory behave, based on offline evaluations and customer conversations and telemetry. You help find the failure modes, fix them, and prove the fix.
• Define how we iterate on agents and skills safely: versioning and rollout of prompts, skills and automations, regression coverage, staged and shadow evaluation, and the guardrails that let us change behaviour without breaking customers.
• Design the telemetry we need to make data-informed engineering decisions: what to capture from agent traces, tool calls and knowledge retrieval, how it lands in Elasticsearch, and how it feeds evaluation, dashboards and the feedback loop.
• Partner with the data science team on evaluation strategy: golden datasets, evaluators to gate on quality, latency and cost.
• Raise the bar across the team: review designs and PRs, mentor engineers in eval-driven development, and write the technical proposals that shape the roadmap.