## 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