Aufgaben

Architekturentwicklung: Konzeption und Entwicklung von LLM-basierten Multi-Agenten-Systemen zur Automatisierung komplexer Analyse-, Dokumentations- und Engineering-Prozesse
Agentic Workflows: Implementierung intelligenter, iterativer Workflow-Schleifen (z. B. "Propose, Refine & Revise") mittels moderner Orchestrierungs-Frameworks wie LangGraph
Memory & Context Management: Aufbau robuster RAG- und Graph-RAG-Architekturen sowie Architekturen für das Langzeitgedächtnis von KI-Agenten
Datenintegration: Anbindung und Verwaltung von Vektor- und Graphdatenbanken zur statischen und dynamischen Kontextbereitstellung aus diversen Unternehmensquellen

Qualifikationen

Erfolgreich abgeschlossenes Studium z. B. der Informatik, Computerlinguistik, Software Engineering, Mathematik oder einer vergleichbaren Fachrichtung
Sehr gute Programmierkenntnisse in Python und Erfahrung in der Backend-Entwicklung
Nachweisbare Praxis in der Entwicklung von LLM-Applikationen (API-Integration, Prompt Engineering, Tool-Calling, Agentic Workflows)
Umgang mit KI-Orchestrierungs-Frameworks (bevorzugt LangChain / LangGraph oder vergleichbare) wünschenswert
Kenntnisse im Bereich RAG (Retrieval-Augmented Generation) und im Umgang mit Vektordatenbanken (z. B. ChromaDB, Pinecone, Weaviate, Milvus) wünschenswert
Erfahrung mit Graph-Datenbanken (z. B. Neo4j) und der Modellierung von Wissensgraphen wünschenswert
Berührungspunkte mit spezialisierten AI-Memory-Frameworks (wie Mem0 oder Zep) wünschenswert
Erste Erahrungen mit agilen Arbeitsweisen (z. B. Scrum oder Kanban) oder in cross-funktionalen Entwicklungsteams
Starkes analytisches Denken und die Fähigkeit, komplexe, vernetzte Daten- und Systemstrukturen zu modellieren
Strukturierte und methodische Arbeitsweise sowie professionelles Auftreten
Ausgeprägte Kommunikationsfähigkeit und hohe Lernbereitschaft
Sehr gute Deutschkenntnisse in Wort und Schrift