Agentic AI Engineer

Fervo baut die kosteneffektivsten, wiederholbaren geothermischen Kraftwerke der Welt. Um diese Mission zu skalieren, sind KI-native Fähigkeiten erforderlich, die messbare Auswirkungen auf Bohrungen, Fertigstellungen, Produktion, Geophysik und den Betrieb von Kraftwerken haben. Der Agentic AI Engineer im Data & AI-Team entwirft und implementiert agentische Workflows, die unstrukturierte Kenntnisse und strukturierte Betriebsdaten in autonome Fähigkeiten für Ingenieure, Betreiber und Entscheidungsträger im Feld umwandeln.

Der Agentic AI Engineer ist verantwortlich für die End-to-End-Lieferung von agentischen KI-Anwendungsfällen – von der Problemdefinition und Architektur über Prototyping, Evaluierung, Bereitstellung und Iteration in der Produktion. In Zusammenarbeit mit Data Engineering, IT-Infrastruktur, Fachexperten und Geschäftspartnern etabliert diese Rolle wiederverwendbare Muster für Abruf, semantische Verankerung, Tool-Integration und Agentenorchestrierung auf unserer Azure-, Databricks- und Snowflake-Plattform.

Verantwortlichkeiten

• Agentic Workflow Design & Delivery
  • Entwerfen und Bereitstellen von End-to-End-agentischen KI-Workflows unter Verwendung von Planner-Worker-, Orchestrator-Executor-, Multi-Agent- und RAG-basierten Architekturen.
  • Erstellen von wiederverwendbaren Komponenten und Referenzmustern für Tool-Routing, Zustandsmanagement, Fehlerbehandlung und menschliche Kontrollpunkte.
  • Implementieren robuster Abruf-Pipelines (hybride Suche, Vektor + Schlüsselwort, graphbewusster Abruf) über technische Dokumente, Historiker-Daten und Betriebsunterlagen.
  • Übersetzen von Fachproblemen aus Bohrungen, Fertigstellungen, Produktion, Geophysik und Kraftwerksbetrieb in gut definierte agentische Anwendungsfälle mit klaren Erfolgsmessungen.
• Semantic Grounding & Knowledge Integration
  • Aufbauen und Pflegen einer semantischen Schicht über unserem Datenlake und Warehouse unter Verwendung von Snowflake Semantic Views und Databricks Unity Catalog Metric Views, um Geschäftskonzepte sowohl für Menschen als auch für Agenten abfragbar zu machen.
  • Entwickeln und Kuratieren von Wissensgraphen, die Domänenentitäten (Brunnen, Pads, Vermögenswerte, Ausrüstung, Ereignisse, Dokumente) verbinden und als kontextuelle Grundlage für LLM-Überlegungen dienen.
  • Standardisieren, wie Agenten auf Unternehmensdaten über Model Context Protocol (MCP)-Server und gleichwertige Integrationsmuster zugreifen.
• Evaluation, Observability & Production Operations
  • Einrichten von Agentenbewertungsrahmen, einschließlich goldener Datensätze, automatisierter Regressionstests und strukturierter Bewertungen für Genauigkeit, Treue und Korrektheit der Tool-Nutzung.
  • Implementieren von Tracing, Logging und Beobachtbarkeit über Agentenläufe zur Unterstützung von Debugging, Kostenüberwachung und kontinuierlicher Verbesserung.
  • Aufbauen von Feedbackschleifen, die Benutzerfeedback erfassen und in Bewertungsfälle sowie Verbesserungen von Eingabeaufforderungen/Systemen umwandeln.
  • Unterstützen von Produktionsvorfällen und plattformübergreifenden Problemen, die bereitgestellte Agenten betreffen.
• Deployment & Enablement
  • Bereitstellen von Agenten als Produktionsdienste auf unserem Azure-nativen Stack (App Service, Container Apps, Functions) mit Entra ID SSO, Key Vault-verwalteten Geheimnissen und ordnungsgemäßen Kostenkontrollen.
  • Erstellen von leichten UIs (Streamlit, Gradio oder React) für agentische Anwendungen und interne Tools.
  • Leiten von Design-Reviews und bereichsübergreifenden Schulungssitzungen zu agentischen KI-Mustern und Best Practices.

Qualifikationen

• Abschluss (Bachelor oder Master) in Computer Engineering oder Data Science bevorzugt.
• 2+ Jahre praktische Erfahrung in der Entwicklung und Bereitstellung agentischer KI- oder LLM-gestützter Anwendungen in der Produktion, nicht nur Prototypen oder Notizbücher.
• Starke Python-Kenntnisse, einschließlich asynchroner Muster, API-Design mit FastAPI und Schreiben von testbarem, wartbarem Produktionscode.
• Nachgewiesene Erfahrung mit mindestens einem großen Agentenframework: LangChain/LangGraph, LlamaIndex, AutoGen oder Semantic Kernel.
• Praktisches Wissen über LLM-APIs und SDKs (Anthropic Claude, OpenAI, Azure OpenAI), einschließlich Toolnutzung/Funktionsaufrufe, strukturierte Ausgaben, Streaming und Prompt-Engineering.
• Erfahrung in der Implementierung von RAG-Architekturen mit Vektordatenbanken (Azure AI Search, pgvector, Pinecone, Weaviate, Chroma oder ähnliches) und Einbettungsmodellen.
• Erfahrung mit Agentenorchestrierungsmustern, einschließlich mehrstufiger Planung, Tool-Routing, Zustandsmanagement und elegantem Fehlermanagement.
• Vertrautheit mit Model Context Protocol (MCP) oder gleichwertigen Standards für Tool- und Kontextintegration.
• Cloud-Bereitstellungserfahrung auf Azure (App Service, Container Apps, Functions, Key Vault, Entra ID) oder gleichwertig in AWS/GCP mit der Bereitschaft, in unserer Azure-first-Umgebung zu arbeiten.
• Starke Git- und CI/CD-Erfahrung, einschließlich Versionskontrolldisziplin, Code-Review und automatisierten Tests.
• Erfahrung mit Containerisierung (Docker) und Infrastruktur-als-Code (Terraform bevorzugt).
• Starke Beobachtungs- und Produktionsbetriebsfähigkeiten, einschließlich strukturiertem Logging, Tracing, Kostenüberwachung und Entwicklung von Runbooks.

Bevorzugt

• Erfahrung im Entwerfen oder Arbeiten mit semantischen Modellen und semantischen Schichten — Snowflake Semantic Views, Databricks Metric Views, dbt Semantic Layer, Cube oder Power BI semantische Modelle.
• Praktische Erfahrung mit Wissensgraphen: Graphdatenbanken (Neo4j, Azure Cosmos DB Gremlin), RDF/SPARQL, Ontologiedesign oder graph-unterstütztem RAG.
• Erfahrung mit Agentenbewertungstools wie LangSmith.
• Erfahrung mit unserem breiteren Datenstack: Databricks, Snowflake, Azure Data Lake Storage (ADLS), Azure Data Factory.
• Erfahrung in der Öl- und Gas- oder Energiebranche, einschließlich Vertrautheit mit Bohrungen, Fertigstellungen, Produktion, Geophysik oder industriellen Historikerdaten.
• Hintergrund in Zeitreihendaten, Signalverarbeitung oder industriellem IoT (MQTT, OPC UA, SparkplugB).
• Erfahrung mit multimodalen Modellen zur Verarbeitung von Bohrprotokollen, Schemata oder gescannten Berichten.

Standort

Fervo Energy hat seinen Hauptsitz in Houston, TX, mit wachsenden Büros in Golden, CO, Reno, NV, Oakland, CA und Salt Lake City, UT. Diese Position wird für eine gewisse hybride Arbeitsflexibilität in Frage kommen, jedoch ist regelmäßige Präsenz im Büro in Golden oder Houston erforderlich.

Vergütung & Leistungen

Fervo bietet ein umfassendes Leistungspaket, einschließlich medizinischer, zahnärztlicher und augenärztlicher Versorgung, Lebensversicherung, kurz- und langfristiger Invaliditätsversicherung, flexibler bezahlter Freizeit und bezahltem Elternurlaub. Darüber hinaus bietet Fervo ein Programm für Anreizaktienoptionen, ein Bonusanreizprogramm und einen 401(k)-Plan mit Arbeitgeberbeitrag an.

Fervo Energy gibt die Vergütungsbandbreite und eine allgemeine Beschreibung anderer Vergütungen und Leistungen an, die das Unternehmen in gutem Glauben glaubt, für diese Position basierend auf der Ausbildung, Erfahrung, Kenntnissen, Fähigkeiten und Fähigkeiten des erfolgreichen Bewerbers sowie interner Gleichheit und geografischer Lage zahlen und/oder anbieten zu können. Erwartetes Gehalt: 103.152 - 158.588 USD basierend auf Standort und Erfahrung. Fervo Energy behält sich das Recht vor, letztendlich mehr oder weniger als die angegebene Bandbreite zu zahlen und andere Vergütungen anzubieten, abhängig von Umständen, die nicht mit dem Geschlecht eines Bewerbers oder einem anderen durch lokale, staatliche oder bundesstaatliche Gesetze geschützten Status zusammenhängen.