AI Engineer (m/w/d) - Schwerpunkt: Agentic Systems & Backend Engineering

Deine Rolle Du entwickelst unsere KI-Systeme vom agentenbasierten Assistenten bis hin zu einer Plattform, auf der unsere Kund:innen eigene Agenten, Aufgaben und Abl ufe zusammenstellen k nnen. Die Rolle ist hands-on: Du schreibst Code, entwirfst Agentenarchitekturen und betreibst das, was du baust, auch selbst. Dabei arbeitest du an der Stelle, an der sich entscheidet, ob ein KI-Feature nur im Demo berzeugt oder im Alltag unserer Kund:innen zuverl ssig funktioniert. Du arbeitest eng mit Backend-Entwicklung, Produkt und [weitere Schnittstellen] zusammen und bringst deine Einsch tzung aktiv in Architektur- und Produktentscheidungen ein. Unser Team und deine Chance kleiner 25 MitarbeiterStandorte: 2Software-Entwicklung Bei conmeet erwartet dich ein junges, dynamisches Team, das mit Leidenschaft und Expertise an der Zukunft des digitalen Handwerks arbeitet. Wir pflegen eine lockere Atmosph re, in der der Spa an der Arbeit nicht zu kurz kommt, ohne dabei unsere ambitionierten Ziele aus den Augen zu verlieren. Teamwork wird bei uns gro geschrieben: Wir unterst tzen uns gegenseitig, teilen Wissen und feiern gemeinsam unsere Erfolge. Wir glauben an die kontinuierliche Weiterentwicklung unserer Team-Mitglieder. Daher f rdern und fordern wir dich gleicherma en. Du bekommst die M glichkeit, an komplexen, herausfordernden Aufgaben zu wachsen und deine Skills auf das n chste Level zu bringen. Egal ob es um die L sung technischer Probleme, die Entwicklung von Onboarding-Prozessen oder den Aufbau von Kundenwissen geht bei uns findest du stets neue Herausforderungen, die dich als Customer Success Profi voranbringen. Deine Hauptaufgaben (Weiter-)Entwicklung unseres agentenbasierten KI-Assistenten von der Konzeption ber die Implementierung bis zum Betrieb Mitaufbau eines dynamischen Multi-Agenten-Systems, in dem Kund:innen eigene Agenten, Aufgaben und Workflows selbst erstellen und konfigurieren k nnen Design von Agentensystemen, deren Verhalten und Qualit t kontrollierbar und nachvollziehbar sind inklusive Guardrails, Berechtigungskonzepten und Human-in-the-Loop-Mechanismen Entwicklung systematischer Evaluationsstrategien: Du machst berpr fbar, ob nderungen an Prompts, Tools und Agenten tats chlich Verbesserungen sind statt nur gef hlt besser Integration von KI- und ML-Konzepten in eine bestehende, gewachsene SaaS-Anwendung mit allem, was dazugeh rt: Datenmodell, Berechtigungen, Performance, Kosten Betrieb und Optimierung: Observability, Tracing, Latenz-, Kosten- und Stabilit tsoptimierung Dein Profil LLM- und ML-Verst ndnis Sehr gutes konzeptionelles Verst ndnis der Funktionsweise - und der Grenzen - von LLMs Verst ndnis weiterer ML-Konzepte und wie sich diese sinnvoll in Business-Logik integrieren lassen Fundiertes Verst ndnis von: Tokenisierung/Tokens, Embeddings und Context Windows Vector Search, Retrieval und Re-ranking (RAG) Halluzinationen, Context Bloat und weiteren typischen Fehlermodi inklusive Strategien, diese zu erkennen und abzufedern Tool Calling und Structured Outputs A2A (Agent2Agent Protocol), MCP (Model Context Protocol) und Human-in-the-Loop Sicherheitsrisiken von LLM- und Agentensystemen (u. a. Prompt Injection, Tool-Missbrauch, Datenabfluss) Prompt Engineering Formulierung, Struktur und Steuerung einzelner Modellanfragen Context Engineering gezielte Auswahl, Aufbereitung und Verwaltung dessen, was berhaupt im Context Window landet Harness Engineering Gestaltung der Umgebung, in der ein Agent operiert: Tools, Feedback-Schleifen, Kontrollfluss und Abbruchbedingungen sowie ein klares Verst ndnis davon, worin sich diese drei Ebenen unterscheiden und wann welche der richtige Hebel ist Agentenarchitektur Verst ndnis von Multi-Agent-Architekturen, Agent Handoffs und Orchestrierung (A2A) Erfahrung mit Guardrails und Berechtigungen, insbesondere RBAC und ABAC in benutzerbezogenen SaaS-Systemen0 Erfahrung oder solides Verst ndnis von asynchroner Verarbeitung, Background Jobs und Task Queues MLOps / AgentOps F higkeit, systematische Evaluationsstrategienn f r Agenten und andere ML-Komponenten zu entwickeln Verst ndnis von Qualit tsmetriken und Evaluationsmethoden z. B. LLM-as-a-Judge, Task Success Rate, Tool Call Accuracy Testen und Versionierung von Agenten, Prompts und Tool-Definitionen Optimierung von Qualit t, Stabilit t, Latenz und Kosten Observability, Logging und Tracing Mindset Echtes Interesse daran, verschiedene KI- und ML-Konzepte in einer bestehenden SaaS-Anwendung zu erproben und produktiv zu bringen Pragmatismus: Du kennst den Unterschied zwischen einem beeindruckenden Demo und einem System, das auch beim 10.000. Durchlauf noch das Richtige tut Techstack So arbeiten wir: Was links in dick gedruckt steht, ist unser Stack was daneben steht, zeigt, dass wir auch Erfahrung mit vergleichbaren Technologien anrechnen. Erfahrung mit m glichst vielen dieser Punkte ist von Vorteil, wir erwarten aber nicht die vollst ndige Liste: LLM / KI: Anthropic API Anthropic Client, Anthropic on Vertex AI (oder vergleichbare LLM-Clients und -APIs) ML-Toolchain:Entwicklung und Evaluation eigener ML-Anwendungen, z. B. mit PyTorch, TensorFlow, scikit-learn, NumPy, pandas, CUDA Cloud: Google Cloud Platform Vertex AI, Cloud Run, GKE (oder vergleichbare Plattformen wie AWS oder Azure) Infrastruktur: Kubernetes, Docker Backend: Python, Django Datenbank: PostgreSQL (oder ein vergleichbares RDBMS) Async / Jobs: Celery, Taskiq (oder vergleichbare worker-basierte Task-Queue-Systeme) Sonstiges: Git Das bieten wir Gestaltungsspielraum in einem Bereich, in dem noch niemand fertige Antworten hat deine Architekturvorschl ge landen nicht in der Schublade Ein Produkt mit echten Nutzer:innen und echtem Feedback statt Innovationstheater Es besteht die M glichkeit Remote, Hybrid, oder vor Ort zu arbeiten Strukturierte Einarbeitung in Produkt, Prozesse und Testvorgehen Und nat rlich die ganzen weiteren Basics die jeder auf seiner Karriereseite mittlerweile so hat... :)