LLM Engineer (RAG, Agents, Graph AI)

Dla 7bulls, naszej Spółki-Matki budujemy platformę automatycznej modernizacji systemów legacy (Oracle, PL/SQL), opartą o modele LLM i analizę statyczną kodu.

Tworzymy systemy, które:

• rozumieją kod

• rekonstruują logikę biznesową

• podejmują decyzje jako agenci

• uczą się na podstawie feedbacku

👉 To deep-tech + realny impact w enterprise, nie „prompt engineering playground”.

🎯 Twoja rola: Będziesz projektować i rozwijać systemy oparte o LLM + RAG + agent architectures, które działają w środowisku produkcyjnym i uczą się w czasie.

🛠️ Czym będziesz się zajmować

• Budowa i rozwój systemów RAG (Retrieval-Augmented Generation)

  • w tym Graph RAG oraz integracje z bazami grafowymi

• Projektowanie architektur agentowych (multi-agent systems)

• Tworzenie pętli uczenia (feedback loops)

  • reinforcement learning / self-improving systems

• Fine-tuning modeli LLM pod konkretne use-case’y

• Projektowanie i rozwój:

  • prompt engineering

  • context engineering (retrieval, memory, chunking, orchestration)

• Budowa systemów oceny jakości modeli:

  • metryki

  • monitoring

  • ewaluacja wyników

• Integracja narzędzi (tools) wykorzystywanych przez agentów

🧩 Wymagania (kluczowe obszary)

Szukamy osoby, która realnie pracowała z poniższymi zagadnieniami (praktycznie, nie tylko teoretycznie):

🔹 LLM & uczenie modeli

• rozumienie działania modeli LLM (architektura, ograniczenia, trade-offy)

• doświadczenie z:

  • fine-tuningiem

  • reinforcement learning (np. RLHF lub inne podejścia)

• budowa systemów uczących się na podstawie feedbacku

🔹 RAG / Retrieval Systems

• praktyczne doświadczenie z RAG

• znajomość różnych podejść do retrieval (vector, hybrid, itp.)

• duży plus: doświadczenie z Graph RAG

• praca z bazami grafowymi (np. Neo4j lub podobne)

🔹 Prompt & Context Engineering

• projektowanie promptów do zastosowań produkcyjnych

• zarządzanie kontekstem:

  • chunking

  • retrieval strategies

  • memory / context window optimization

• rozumienie wpływu kontekstu na jakość odpowiedzi

🔹 Ewaluacja modeli (bardzo ważne)

• umiejętność mierzenia jakości modeli LLM

• znajomość metryk (np. accuracy, relevance, consistency)

• doświadczenie z:

  • wykrywaniem i ograniczaniem halucynacji

  • budową systemów ewaluacyjnych (offline / online)

🔹 Systemy agentowe

• doświadczenie z budową agentów lub systemów multi-agent

• integracja modeli z narzędziami (tools / function calling)

• projektowanie workflowów decyzyjnych

🔹 Inżynieria i fundamenty

• min. 5 lat doświadczenia komercyjnego

• solidne podstawy:

  • algorytmy i struktury danych

  • jakość kodu

• doświadczenie w budowie systemów produkcyjnych (backend / AI / MLOps)

Duży plus

• AI coding agents / code understanding

• analiza kodu / static analysis

• doświadczenie z systemami legacy (Java, PL/SQL, Oracle)

• cloud (AWS / GCP / Azure)

• distributed systems

Jak pracujemy

• blisko produktu — realny wpływ na decyzje technologiczne

• interdyscyplinarnie: AI + backend + legacy + DevOps/MLOps

• ZDALNIE

• kultura:

  • feedbacku

  • challengowania rozwiązań

  • eksperymentowania

Co oferujemy

• 🧠 realne problemy do rozwiązania (nie demo AI)

• ⚙️ wpływ na architekturę systemów AI

• 🧪 przestrzeń na eksperymenty i research

• 🌍 projekt o globalnym potencjale