LLM Application Engineer

À propos de A1 Il y a plus de 5 milliards d'utilisateurs qui utilisent aujourd'hui des applications basiques telles que les e-mails, les notes, les tâches qui ne sont pas nativement conçues pour l'IA. Notre mission est de construire un assistant intelligent et proactif pour les utilisateurs quotidiens afin d'apporter de l'intelligence aux conversations, aux courses, à l'organisation et aux flux de travail, avec un minimum de sollicitation (prompting). Notre produit se concentre sur l'obtention d'une haute fiabilité pour les flux de travail de longue durée, un contexte persistant et l'accomplissement de tâches en conditions réelles. Le système doit gérer le raisonnement multi-étapes, interagir avec des outils externes et rester fiable malgré le comportement non déterministe du modèle. Notre objectif est d'aider les utilisateurs à accomplir leurs tâches quotidiennes de manière agréable avec un temps réduit de plus de ~90%*. A propos du rôle En tant que LLM Application Engineer, vous construirez la couche d'intelligence qui alimente les expériences IA de A1. Vous travaillerez à l'intersection des LLM, de l'ingénierie logicielle et du produit - en concevant des flux de travail d'agents, en améliorant le comportement des modèles et en transformant les capacités de l'IA en expériences utilisateur fiables. Vous assumerez la responsabilité des problèmes de bout en bout, de la compréhension des besoins des utilisateurs à la conception de flux de travail agentiques (Agentic workflows), en passant par l'intégration de modèles et d'outils, la construction de systèmes d'évaluation et l'amélioration continue du comportement de l'IA en production. Focus - Construire et déployer des applications alimentées par des LLM et des flux de travail d'agents IA - Concevoir des systèmes pour le raisonnement, la planification, la mémoire, l'utilisation d'outils et l'exécution multi-étapes - Construire des pipelines d'orchestration fiables qui transforment les sorties de modèles probabilistes en actions prévisibles, observables et sûres - Intégrer les LLM avec des API, des bases de données, la recherche, les services internes et les outils externes. - Développer le prompting, l'ingénierie de contexte, les sorties structurées, l'appel d'outils (tool-calling) et d'autres techniques pour améliorer le comportement du modèle - Construire des cadres d'évaluation et des jeux de données pour mesurer la qualité, la fiabilité et les régressions de l'IA - Déboguer les systèmes d'IA sur l'ensemble de la pile — du comportement du modèle et des prompts à l'orchestration, aux services backend et à l'UX produit - Optimiser les systèmes d'IA pour la qualité, la latence et le coût - Travailler en étroite collaboration avec les équipes produit et ingénierie pour transformer des problèmes de produit ambigus en solutions d'IA fonctionnelles - Établir des pratiques de production pour l'observabilité, le traçage, l'expérimentation, l'évaluation et l'amélioration continue Tech Stack - Python - API de LLM et fournisseurs de modèles, y compris les API compatibles OpenAI et les modèles à poids ouverts (open-weight models) - Frameworks d'agents et systèmes d'orchestration - Bases de données vectorielles et systèmes de recherche (retrieval systems) - Services backend, API et systèmes distribués - PyTorch / JAX Expérience Idéale - Solides fondamentaux en ingénierie logicielle avec une expérience dans la construction d'applications alimentées par l'IA - Expérience pratique avec les LLM, l'IA générative ou les systèmes basés sur des agents - Expérience dans la conception de prompts, de flux de travail, d'évaluations ou du comportement de l'IA - Capacité à écrire un code propre de qualité production - À l'aise pour travailler à travers les couches d'abstraction (modèle → système → produit) - Fortes compétences en résolution de problèmes dans des environnements ambigus et en mouvement rapide - Prédisposition pour le déploiement (shipping), l'itération et l'amélioration continue Résultats attendus - Les fonctionnalités d'IA atteignent la production rapidement et produisent un impact utilisateur mesurable - Les flux de travail alimentés par les LLM sont fiables, évolutifs, observables et maintenables - La qualité de l'IA s'améliore grâce à une évaluation, une expérimentation et une itération systématiques - Les flux de travail de l'IA deviennent de plus en plus prévisibles, efficaces et rentables - Les capacités d'IA complexes sont traduites en expériences utilisateur simples et intuitives