Agentic AI Engineer (Python/LangChain) — Hybrid Chile

Seeds; Santiago; Hybrid; CLP 40,000,000 - 70,000,000; Full time

Job summary

Seeds está buscando un AI Engineer para liderar la auditoría y mejora de la capa agéntica de una plataforma operativa en minería en Santiago de Chile. Se espera diseñar una arquitectura de orquestación de agentes con LangChain y herramientas de IA avanzada, trabajando de cerca con usuarios de operación y equipos de datos.

El rol exige experiencia en GenAI (LLMs, RAG, embeddings) y capacidad para evaluar soluciones end-to-end, API development y manejo de Databricks vs desarrollo propio, con

Qualifications

• Conocimiento de Python, desarrollo de APIs, bases de datos y Git, con buenas prácticas de desarrollo.
• Capacidad para diseñar e integrar soluciones end-to-end.
• Experiencia o interés práctico en GenAI: LLMs, RAG, embeddings, tool calling y frameworks de agentes como LangChain.
• Capacidad para explicar una arquitectura de orquestación de agentes y sus trade-offs.
• Conocimiento de capas semánticas, ontologías o modelado de datos para BI.

Responsibilities

• Auditar la solución agéntica existente y detectar brechas de calidad, arquitectura y rendimiento.
• Diseñar e implementar una arquitectura de orquestación de agentes: tool calling, RAG, memoria y enrutamiento entre agentes.
• Trabajar con el equipo de datos en la capa semántica y la ontología que alimentan a los agentes.
• Evaluar cuándo usar Databricks y cuándo un desarrollo más customizado.
• Contribuir con código: APIs, corrección de bugs y, si es necesario, el front.

Skills

Python

LangChain

Tool calling

GenAI

RAG

Tools

APIs

Databases

Git

Job description

Seeds está buscando un AI Engineer para liderar la auditoría y mejora de la capa agéntica de una plataforma operativa en minería en Santiago de Chile. Se espera diseñar una arquitectura de orquestación de agentes con LangChain y herramientas de IA avanzada, trabajando de cerca con usuarios de operación y equipos de datos.

El rol exige experiencia en GenAI (LLMs, RAG, embeddings) y capacidad para evaluar soluciones end-to-end, API development y manejo de Databricks vs desarrollo propio, con