Lead AI Architect

Kandou sucht einen Lead AI Architect, um fortschrittliche AI-Agentensysteme für reale Anwendungsfälle zu entwerfen, zu bauen, zu evaluieren und bereitzustellen. Diese Rolle konzentriert sich auf agentische Systeme, die über konversationelle Assistenten hinausgehen: komplexe analytische Workflows, wissensbasierte Schlüsselsysteme, kontrollierte Inferenzpipelines, werkzeugbenutzende Agenten und transparente Entscheidungsunterstützungsarchitekturen.

Hauptverantwortlichkeiten

• Entwurf und Implementierung von realen agentischen AI-Systemen unter Verwendung moderner Agenten-Frameworks und Orchestrierungstools.
• Entwicklung agentischer Workflows, die über Chats hinausgehen, einschließlich komplexer analytischer Pipelines, mehrstufiger Forschungsworkflows, werkzeugbenutzender Agenten, wissensgestützter Agenten und strukturierter Entscheidungsunterstützungssysteme.
• Arbeiten mit wissensbasierten AI-Architekturen wie retrieval-augmented generation, Wissensgraphen, symbolischen Regeln, strukturierten Domänenmodellen, Ontologien und hybriden Schlüsselsystemen.
• Entwicklung und Anwendung von Mechanismen zur Kontrolle der Inferenz, einschließlich Planungsbeschränkungen, Schlussfolgerungspolitiken, Sicherheitsvorkehrungen, Validierungsschichten, Werkzeugnutzungssteuerung und menschlichen Kontrollpunkten.
• Erforschen und Implementieren neuro-symbolischer Ansätze für agentisches Denken, die LLM-basiertes Denken mit symbolischen, regelbasierten, graphbasierten oder formal strukturierten Methoden kombinieren.
• Aufbau transparenter AI-Methoden, die das Verhalten von Agenten nachvollziehbar, erklärbar, testbar und prüfbar machen.
• Erstellung von Evaluierungs- und Testframeworks für agentische Systeme, einschließlich Benchmark-Aufgaben, Regressionstests, Fehleranalyse, Nachverfolgung und Leistungsbewertung auf Aufgabenebene.
• Entwicklung von Full-Stack-Prototypen und Produktionsanwendungen, die Backend-Dienste, APIs, Datenbanken, Frontend-Schnittstellen, Modellanbieter und Orchestrierungsebenen integrieren.
• Zusammenarbeit mit Forschern, Ingenieuren, Produktteams und Fachexperten, um mehrdeutige reale Probleme in zuverlässige agentische Workflows zu übersetzen.
• Aktuell bleiben mit Entwicklungen in agentischer AI, Schlüsselsystemen, LLM-Orchestrierung, AI-Evaluierung und angewandten neuro-symbolischen Methoden.

Erforderliche Erfahrung

• Starke Multi-Projekt-Erfahrung in der Entwicklung realer AI-Agenten oder agentischer Workflows.
• Nachgewiesener Fokus auf agentisches Denken, einschließlich Planung, Zerlegung, Werkzeugnutzung, mehrstufiger Inferenz, Workflow-Ausführung oder autonomer Aufgabenerfüllung.
• Erfahrung in der industriellen AI-Entwicklung, akademischer Forschung oder idealerweise beidem.
• Praktische Erfahrung mit wissensbasierten agentischen Systemen wie Agenten, die in Wissensgraphen, strukturierten Dokumenten, Domänenregeln, Ontologien, Datenbanken oder Retrieval-Systemen verankert sind.
• Erfahrung mit Methoden zur Kontrolle von Schlussfolgerungen oder Inferenz, wie Sicherheitsvorkehrungen, eingeschränkte Planung, Validierungsschichten, politikbasierte Werkzeugnutzung, symbolische Prüfungen oder deterministische Workflow-Komponenten.
• Vertrautheit mit neuro-symbolischen AI-Konzepten oder hybriden Denkarchitekturen.
• Erfahrung im Entwurf transparenter, prüfbarer oder erklärbarer AI-Methoden.
• Praktische Erfahrung mit der Evaluierung, dem Testen, Benchmarking, der Beobachtbarkeit oder der Fehleranalyse von agentischem Denken.
• Full-Stack-Webentwicklungserfahrung, einschließlich Backend-APIs und Frontend-Anwendungsentwicklung.

Technische Fähigkeiten

• Starke Python-Engineering-Fähigkeiten.
• Erfahrung mit modernen LLM- und agentischen AI-Frameworks, insbesondere LangChain, LangGraph, OpenAI SDK / OpenAI Agents SDK, retrieval-augmented generation-Systemen, Werkzeug-/Funktionsaufrufen, Multi-Agenten- oder mehrstufiger Workflow-Orchestrierung, Agentenbewertung und -verfolgungstools.
• Erfahrung in der Backend-Entwicklung, APIs, Datenbanken und Cloud- oder Bereitstellungsumgebungen.
• Erfahrung mit Frontend-Technologien wie React, Next.js, TypeScript oder ähnlichen Frameworks.
• Vertrautheit mit Vektordatenbanken, Graphdatenbanken, semantischer Suche, strukturierten Datenpipelines oder Werkzeugen für Wissensgraphen.
• Jemand, der über Prompt-Engineering hinaus denkt und Erfahrung in der Architektur von Denksystemen hat: wie Agenten entscheiden, was zu tun ist, wie Inferenz eingeschränkt wird, wie Wissen dargestellt wird, wie Workflows überprüft werden und wie komplexe AI-Systeme zuverlässig für reale Anwendungen gemacht werden können.

Qualifikationen und Portfolio

• Reife Open-Source-Beiträge und/oder Portfolio-Projekte im Zusammenhang mit agentischer AI, LLM-Systemen, wissensbasierter AI oder neuro-symbolischem Denken.
• Erfahrung im Aufbau von AI-Systemen in Bereichen wie wissenschaftlicher Analyse, Unternehmenswissensmanagement, Entscheidungsunterstützung, Forschungsautomatisierung, rechtlicher/finanzieller/technischer Analyse oder komplexen operativen Workflows.
• Erfahrung im Design von produktionsreifen AI-Systemen, einschließlich Beobachtbarkeit, Überwachung, Testen, Sicherheit, Latenz, Kostenkontrolle und Zuverlässigkeit.
• Vertrautheit mit Mensch-in-der-Schleife-Systemen, Herkunftsverfolgung, Workflow-Auditierbarkeit oder regulierten Umgebungen.
• Erfahrung in der Integration von LLMs mit externen Werkzeugen, APIs, Datenbanken, Codeausführungsumgebungen oder analytischen Engines.
• Wünschenswert: Veröffentlichungen auf wichtigen NLP/ML/AI-Konferenzen.