En

DataDope

, estamos redefiniendo cómo las organizaciones interactúan con la

automatización inteligente

. Nuestra misión es empoderar a las empresas a través de soluciones basadas en

IA de última generación

y

sistemas de toma de decisiones autónomos en tiempo real

.

Buscamos un/a

Técnico/a Especialista en Implementación de Agentes Autónomos de IA

que combine

ingeniería de software

,

MLOps

y

DevOps

para diseñar, desplegar y mantener agentes basados en grandes modelos de lenguaje ( LLM

) que:
Orquesten

flujos de trabajo IT

.
Integren

APIs y sistemas corporativos

.
Apliquen

Retrieval-Augmented Generation (RAG)

sobre

bases vectoriales

.

La persona idóneo dominará:

Frameworks como

LangGraph

,

pydanticAI

y

AutoGen

.
Model Context Protocol (MCP)

.
Prácticas de

tool calling multi-provider

.
Pipelines

CI/CD

en

entornos cloud

.

Nuestro objetivo:

Planificar, construir y operar soluciones de

IA agent-based

que

automaticen tareas IT

( observabilidad

,

respuesta a incidentes

,

provisión de servicios

,





reporting

) y ofrezcan

interfaces conversacionales seguras y auditables

para usuarios internos y clientes.

Funciones del puesto:
Diseñar

arquitecturas agent-based

que permitan que múltiples agentes colaboren y llamen herramientas, APIs o funciones corporativas expuestas como

servidores MCP

.
Implementar

pipelines RAG (vector DB + LLM)

con

Pinecone

,

Chroma

u opciones equivalentes para dotar de contexto actualizado a los agentes.
Extender agentes con

Function Calling de OpenAI

para acciones de lectura/escritura sobre

sistemas IT

( CMDB

,

ticketing

,

Kubernetes

, etc.).
Optimizar rendimiento y explotación de LLMs:

prompt engineering

,

caching de embeddings

y

evaluación

.
Construir y mantener pipelines de evaluación de agentes combinando

evaluaciones deterministas

y

LLM-as-judge

, para gestionar datasets, y registrar trazas y puntuaciones de forma

auditable

.
Aplicar buenas prácticas de

seguridad y

📌 AI/ML Engineer (Madrid)
🏢 Datadope
📍 Madrid