Descrição da vagaBuscamos um(a) Desenvolvedor(a) Full Stack Sênior para atuar na construção de aplicações com IA/LLMs em produção, com foco em RAG (Retrieval-Augmented Generation) e integrações com serviços de inferência (model serving).A pessoa irá desenvolver soluções ponta a ponta utilizando .NET (C#) no backend, Angular no frontend, Python para rotinas de IA e pipelines, além de SQL Server e bases vetoriais para persistência e busca semântica. O objetivo é entregar produtos robustos, com qualidade, segurança e boa experiência para o usuário.ResponsabilidadesDesenvolver funcionalidades full stack com IA: chat corporativo, busca semântica, assistentes e copilotos;Implementar e evoluir pipelines de RAG: ingestão, chunking, embeddings, indexação e retrievalIntegrar aplicações com LLMs via API/endpoint e/ou servidores/plataformas de inferência;Construir APIs e serviços em .NET (C#) para integração com LLMs, RAG e sistemas internosImplementar UI em Angular (streaming de resposta, histórico, feedback do usuário, filtros e controles)Desenvolver rotinas/serviços em Python para ingestão, geração de embeddings e automaçõesTrabalhar com SQL Server e bases vetoriais (indexação e busca por similaridade com metadados)Implementar tratamento de erros, resiliência (timeouts/retry) e controles operacionaisAtuar com segurança e governança (autenticação, autorização, trilhas e privacidade/LGPD)Contribuir com boas práticas de engenharia (testes, code review, versionamento e CI/CD)Requisitos obrigatóriosExperiência sólida como Desenvolvedor(a) Full Stack em produção.NET (C#) para APIs/serviços (REST, autenticação/autorização, integrações)Angular (componentização, consumo de APIs, estado e performance)Python para rotinas de IA/integração (scripts, serviços leves, consumo de APIs)SQL Server (modelagem, queries e performance básica)Experiência prática com LLMs em produção:Consumo via API/endpoint, streaming, controle de contexto e custosNoções de validação/guardrails (entrada/saída, políticas e limites)Experiência com RAG (Retrieval-Augmented Generation) em projeto real:Ingestão, embeddings, indexação e retrieval (com filtros por metadados quando necessário)Experiência com base vetorial / busca semântica:pgvector, Pinecone, Milvus, Weaviate ou Qdrant (ou equivalente)Experiência com inferência/model serving:Integração/uso de pelo menos um: vLLM, TGI, Ollama, llama.cpp, Triton ou endpoint gerenciadoNoções de latência, concorrência e timeoutsMemória de longo prazo em aplicações com LLMs (nível sênior):Persistência de histórico, preferências e contexto com critérios de retenção e privacidadeArmazenamento/recuperação em SQL e/ou base vetorialBoas práticas de engenharia:Git, testes, code review, CI/CD e Docker (quando aplicável)Diferenciais:MCP (Model Context Protocol): uso/integração de MCP servers para conectar LLMs a ferramentas e dados corporativosExperiência com Bamboo (Atlassian) para CI/CDObservabilidade avançada (dashboards, tracing, métricas de latência e qualidade)Kubernetes e estratégias de autoscalingAvaliação avançada de RAG/LLM (testes automatizados, datasets, A/B, quality gates)Noções de fine-tuning / LoRA / PEFT (não obrigatório)