kAIgentic ist ein auf Enterprise-KI spezialisiertes SaaS-Unternehmen mit Hauptsitz in Singapur. Es unterstützt komplexe, wissensintensive Organisationen dabei, implizites operatives Wissen in kontrollierte KI-Agenten zu überführen. Die Plattform vereint die Konfiguration von Agenten, diagnostische Analysen von Menschen, Systemen und Prozessen sowie eine Laufzeitumgebung für die Bereitstellung mit menschlicher Aufsicht, Telemetrie und kontinuierlicher Weiterentwicklung. Mit Wurzeln in Japan und Erfahrung in der Zusammenarbeit mit Finanzdienstleistungsunternehmen konzentriert sich kAIgentic auf Absicherung, Compliance und die praxisnahe Modernisierung von KI in regulierten Unternehmen, ohne einen vollständigen Austausch bestehender Systeme vorauszusetzen.
Softwareentwickler, KI-Forschung – Bengaluru Hybrid
Entwickle eine unternehmensweite KI-Infrastruktur für Dokumentenintelligenz, GraphRAG, Retrieval-Systeme und sichere Multi-Agenten-Integrationen. Die Rolle verbindet produktionsnahe Softwareentwicklung mit angewandter KI-Forschung.
Beschreibung
- Entwickle vollständige Dokumentenaufnahme-Pipelines, die Layouts, Tabellen, gescannte Diagramme und Embeddings für umfangreiche Inhalte verarbeiten
- Erstelle LLM-Extraktionssysteme mit schema-basierten Vorgaben, typisierten Schemata, Validierungsschleifen sowie automatisierten Reparatur- und erneuten Prompt-Zyklen
- Verantworte das Retrieval Engineering für hybride Suche, Reranking und Query-Expansion
- Baue Wissensgraphen und Pipelines zur Entitätsauflösung mit Neo4j oder vergleichbaren Property-Graph-Datenbanken zur Unterstützung von GraphRAG-Retrieval
- Verbessere die Fundierung, indem du Terminologiespeicher mit Retrieval-in-the-Loop-Generierung kombinierst
- Arbeite mit Produkt- und Forschungsteams zusammen, um Evaluierungsdatensätze, Bewertungsrichtlinien und Regressionssperren zu etablieren
- Entwickle Planner-Worker-Orchestrierung für Multi-Agenten-Systeme und das Tool-Routing mit nativen SDKs
- Verantworte MCP- und Agent-zu-Agent-Integrationen mit sicheren Verträgen, Authentifizierungsgrenzen und kontextübergreifender Übergabe zwischen Diensten
Anforderungen
- Nachweisbare Erfolge bei der Entwicklung produktiver KI-Systeme in Python mit starkem Typisierungskonzept, umfassenden Tests und asynchronem Pipeline-Design
- Eine Arbeitsweise, die auf schneller, KI-nativer Entwicklung basiert
- Fortgeschrittenes Verständnis von LLM-Prompting, schema-basierter Extraktion und automatisierten Reparaturschleifen
- Erfahrung mit dichten Embeddings, hybrider Suche, Reranking und Query-Expansion
- Erfahrung mit Property-Graph-Datenbanken wie Neo4j sowie mit dem Aufbau von Pipelines zur Entitätsauflösung und für GraphRAG
- Praktische Erfahrung mit Architekturen zur Fundierung, Terminologiespeichern und Retrieval-in-the-Loop-Generierung
- Sicherer Umgang mit Tools zur Multi-Agenten-Orchestrierung wie LangGraph oder dem OpenAI Agents SDK sowie mit sicheren MCP- oder A2A-Integrationsmustern
- Erfahrung im Entwurf von Evaluierungsdatensätzen, der Entwicklung von Gradern und der Implementierung von Regressionstests mit Tracing-Tools wie Langfuse
- Gutes Urteilsvermögen bei der Abwägung von Forschungszielen und Produktanforderungen
- Fähigkeit zur klaren Kommunikation mit Ingenieurinnen und Ingenieuren, Produktmanagerinnen und Produktmanagern sowie leitenden Stakeholdern
Zusatzleistungen
- Von Anfang an Verantwortung mit echter Wirkung
- Möglichkeiten, gemeinsam mit erfahrenen Führungskräften aus großen Unternehmen zu lernen und sich weiterzuentwickeln
- Eine vertrauensbasierte Kultur, die psychologische Sicherheit, offene Meinungsverschiedenheiten und diszipliniertes Experimentieren unterstützt
- Zusammenarbeit mit Kolleginnen und Kollegen in Singapur, Indien, Japan, Europa und den Vereinigten Staaten