AI Engineer - Schwerpunkt: Agentic Systems & Backend Engineering

Amazon Web Services (AWS) Backend Entwicklung Celery Cloud Computing CUDA Django

+14 Top

Deine Rolle

Du entwickelst unsere KI-Systeme - vom agentenbasierten Assistenten bis hin zu einer Plattform, auf der unsere Kund:innen eigene Agenten, Aufgaben und Abläufe zusammenstellen können.

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 überzeugt oder im Alltag unserer Kund:innen zuverlässig funktioniert.

Du arbeitest eng mit Backend-Entwicklung, Produkt und [weitere Schnittstellen] zusammen und bringst deine Einschätzung 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 Atmosphäre, in der der Spaß an der Arbeit nicht zu kurz kommt, ohne dabei unsere ambitionierten Ziele aus den Augen zu verlieren. Teamwork wird bei uns großgeschrieben: Wir unterstützen uns gegenseitig, teilen Wissen und feiern gemeinsam unsere Erfolge.

Wir glauben an die kontinuierliche Weiterentwicklung unserer Team-Mitglieder. Daher fördern und fordern wir dich gleichermaßen. Du bekommst die Möglichkeit, an komplexen, herausfordernden Aufgaben zu wachsen und deine Skills auf das nächste Level zu bringen. Egal ob es um die Lösung 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., * (Weiter-)Entwicklung unseres agentenbasierten KI-Assistenten - von der Konzeption über die Implementierung bis zum Betrieb

• Mitaufbau eines dynamischen Multi-Agenten-Systems, in dem Kund:innen eigene Agenten, Aufgaben und Workflows selbst erstellen und konfigurieren können
• Design von Agentensystemen, deren Verhalten und Qualität kontrollierbar und nachvollziehbar sind - inklusive Guardrails, Berechtigungskonzepten und Human-in-the-Loop-Mechanismen
• Entwicklung systematischer Evaluationsstrategien: Du machst überprüfbar, ob Änderungen an Prompts, Tools und Agenten tatsächlich Verbesserungen sind - statt nur “gefühlt besser”
• Integration von KI- und ML-Konzepten in eine bestehende, gewachsene SaaS-Anwendung - mit allem, was dazugehört: Datenmodell, Berechtigungen, Performance, Kosten
• Betrieb und Optimierung: Observability, Tracing, Latenz-, Kosten- und Stabilitätsoptimierung, LLM- und ML-Verständnis
• Sehr gutes konzeptionelles Verständnis der Funktionsweise - und der Grenzen - von LLMs
• Verständnis weiterer ML-Konzepte und wie sich diese sinnvoll in Business-Logik integrieren lassen

Fundiertes Verständnis 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 überhaupt im Context Window landet
• Harness Engineering - Gestaltung der Umgebung, in der ein Agent operiert: Tools, Feedback-Schleifen, Kontrollfluss und Abbruchbedingungen
• …sowie ein klares Verständnis davon, worin sich diese drei Ebenen unterscheiden und wann welche der richtige Hebel ist, 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

• Verständnis 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 Verständnis von asynchroner Verarbeitung, Background Jobs und Task Queues MLOps / AgentOps

• Fähigkeit, systematische Evaluationsstrategienn für Agenten und andere ML-Komponenten zu entwickeln
• Verständnis von Qualitätsmetriken 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 Qualität, Stabilität, 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

• Gestaltungsspielraum in einem Bereich, in dem noch niemand fertige Antworten hat - deine Architekturvorschläge landen nicht in der Schublade
• Ein Produkt mit echten Nutzer:innen und echtem Feedback statt Innovationstheater
• Es besteht die Möglichkeit Remote, Hybrid, oder vor Ort zu arbeiten
• Strukturierte Einarbeitung in Produkt, Prozesse und Testvorgehen
• Und natürlich die ganzen weiteren Basics die jeder auf seiner Karriereseite mittlerweile so hat… :)

Job-Infos Berufsfelder Anwendungsentwicklung Embedded Systems Studienfächer Informatik Informationstechnik Wirtschaftsinformatik Abschluss Ausbildung Bachelor Master/Diplom