Ingeniero Líder de IA (LLM y Agentes)

• Experiencia con LLM/Agentes en producción a escala. Has construido funcionalidades de LLM o Agentes utilizadas por más de 10.000 usuarios activos, y las has mantenido y mejorado tras su lanzamiento.

• Sólidos fundamentos de ingeniería de backend. Te sientes cómodo siendo responsable de código en producción, APIs, flujos de datos y resolución de incidentes. Experiencia diseñando e implementando servicios de backend en Golang e integrándolos con LLMs y sistemas de IA.

• Disciplina real de evaluación. Has construido conjuntos de evaluación, suites de regresión y monitorización en producción, y puedes explicar cómo confirmaste que una mejora era real y no una fluctuación aleatoria.

• Mentalidad de ownership. Tomas decisiones, detectas riesgos de forma temprana y no consideras que una funcionalidad esté terminada hasta que se ha verificado en producción.

• Experiencia en Web3. Preferiblemente 1 año de experiencia en una empresa de cripto, DeFi o Web3 (se valorará muy positivamente la experiencia en wallets, exchanges, protocolos L1/L2 o plataformas DeFi).

Buscamos un Lead AI Engineer para hacerse responsable del backend y de los sistemas de Agentes que sustentan nuestros productos basados en LLM. El rol es de extremo a extremo: construirás los flujos de trabajo de los Agentes, definirás cómo medimos la calidad, asegurarás su fiabilidad en producción y darás forma al futuro del producto.

Este puesto es para alguien que haya lanzado funcionalidades de LLM a usuarios reales, haya dado seguimiento tras el lanzamiento y pueda demostrar con datos que sus cambios han mejorado las cosas.

• Diseñar, construir y mantener sistemas de conversación de múltiples turnos, incluyendo la gestión de contexto, la llamada a herramientas (tool calling), la recuperación de conocimientos (RAG), la gestión de estados y el traspaso a humanos (human handoff).

• Definir los criterios de éxito junto con los responsables de Producto, Diseño y QA.

• Convertir los fallos de producción en muestras de evaluación y pruebas de regresión.

• Medir el impacto y los efectos secundarios de cada cambio antes y después del lanzamiento.

• Aislar la causa raíz de los fallos: juicio del modelo, lagunas de conocimiento, respuestas anormales de las herramientas, inestabilidad del backend o reglas contradictorias.

• Aplicar la solución adecuada para cada causa en lugar de recurrir por defecto a ajustes en el prompt.

• Gestionar tiempos de espera (timeouts), reintentos, degradación controlada, trabajos asíncronos y fallos de dependencias de terceros.

• Asegurarse de que cada incidencia sea rastreable mediante logs, que cada cambio esté versionado y que cada fallo tenga una vía de recuperación.

• Aportar posturas claras y razonadas sobre los requisitos, cubriendo viabilidad, coste, riesgo y alternativas.

• Proponer mejores enfoques y dividir el trabajo en entregables por fases que puedan lanzarse.

• Compartir progresos, bloqueos, ETAs y próximos puntos de control sin necesidad de que se le esté reclamando.

• Tras el lanzamiento, realizar el seguimiento del impacto en el mundo real y dejar documentación clara y materiales de traspaso.