Data Engineer II

👉 Quais serão os seus desafios com a gente?

• Construir produtos AI-driven para o ecossistema de dados — agentes, chatbots, sistemas de reescrita automática de queries, geração automatizada de modelos e documentação. Implementar de ponta a ponta, da arquitetura à entrega, com autonomia;
• Fortalecer a confiabilidade dos sistemas agênticos — implementar guardrails, mecanismos de validação e observabilidade de agentes (LangFuse e similares) e ajudar a lidar com o não-determinismo em produção, para que comportamento probabilístico não vire incidente;
• Trabalhar com MCPs e integrações entre ferramentas — construir e evoluir MCPs internos (dbt, Metabase, Slack) que servem múltiplas iniciativas e padronizam o acesso a fontes para agentes;
• Participar das decisões técnicas avaliando trade-offs — RAG vs LLM Wiki, heurística vs LLM, custo vs latência vs qualidade. Conduzir experimentos comparativos, documentar a recomendação e decidir em conjunto com as pessoas mais experientes do time;
• Participar dos code reviews — apontar trade-offs de performance, custo de tokens, manutenibilidade e impactos nos times consumidores;
• Colaborar com Data Platform e Analytics Engineering — discutir contratos, latência, governança e como os produtos da plataforma se conectam ao consumo real dos times.

👉 O que esperamos que você tenha:

• Python e SQL;
• Algoritmos, estruturas de dados e escalabilidade de aplicações;
• Orquestração de pipelines com Airflow, dbt ou Dataform;
• Monitoramento e observabilidade;
• Soluções de Cloud;
• Construção de integrações entre sistemas (APIs, webhooks, MCPs)

Será um diferencial:

• Conteinerização e deploy com Docker e Kubernetes;
• CI/CD;
• Sistemas agênticos em produção — engenharia de prompts, orquestração de agentes, tools, sub-agentes, paralelismo, retry e estratégias de fallback;
• MCP (Model Context Protocol) — construção ou consumo de MCPs para padronizar acesso de agentes a fontes de dados e ferramentas
• RAG e arquiteturas alternativas — quando aplicar RAG, quando aplicar síntese prévia (estilo LLM Wiki), trade-offs entre as duas;
• Avaliação de sistemas de AI — LangFuse, métricas de qualidade, custo e latência de agentes; design de evals para sistemas não-determinísticos;
• Gestão e integração com plataformas de visualização (Metabase, Looker, Tableau) — APIs, automação de questions, dashboards;
• Skills do Claude Code — criação de skills customizadas para automatizar fluxos do time;
• Infraestrutura como código

Um dos pilares da Arcotech é a diversidade. Nossa motivação é nos manter em movimento, inovando e levando as tecnologias educacionais a patamares ainda não vistos. Para isso acreditamos na força da palavra equidade e no respeito à igualdade de direito. Aqui reconhecemos as singularidades, as diferenças e abraçamos a todes.