Developpeur IA Agentic & RAG

Onyx-Conseil; Paris; Sur place; EUR 60 000 - 95 000; Plein temps

Résumé du poste

Onyx-Conseil recherche un Développeur IA Agentique & RAG (Python / LangChain) pour intégrer et mettre en production des cas d'usage IA avancés. Le candidat devra aller au-delà du prototype et construire des solutions robustes en production, en maîtrisant Python, LangChain, RAG et les bases de données vectorielles comme Qdrant, tout en gérant les défis liés à la sécurité et aux prompts.

Vous travaillerez sur l'intégration, l'optimisation et le déploiement de systèmes IA, avec une attention

Qualifications

• Expérience confirmée en déploiement en production d'applications IA.
• Capacité à faire passer un PoC à une solution robuste en production.
• Conception et optimisation d'architectures RAG et de systèmes IA.

Responsabilités

• Intégrer, optimiser et déployer des cas d'usage IA avancés.
• Concevoir et optimiser une architecture RAG.
• Gérer LangChain, prompts et guardrails pour les agents IA.

Connaissances

Production deployment

Outils

Python

LangChain

RAG architectures

Vector databases

Qdrant

OpenAI API

Orchestration of prompts

IA Agents

Description du poste

Développeur IA Agentique & RAG (Python / LangChain)
Expérience de mise en production requise

Objectif de la mission

Vous integrez, optimisez et déployez des cas d'usage IA avancés. L'enjeu principal est de disposer d'un développeur capable d'aller au-delà du simple développement de prototypes ou de PoC, et de construire de véritables solutions robustes destinées à la production.

Environnement technique

L'ensemble de la stack IA est développé en Python. Les technologies et concepts utilisés comprennent notamment :
Python /LangChain /Architectures RAG / Bases de données vectoriellesQdrant /Onyx II /Orchestration de prompts / Agents IA /API OpenAI

Points qui seront challengés

• Leur expérience réelle de mise en production d'applications IA
• Leur capacité à passer d'un PoC à une solution robuste en production
• La conception et l'optimisation d'une architecture RAG
• Leur utilisation de LangChain
• La gestion des bases de données vectorielles
• La gestion des comportements inattendus des LLMs
• La sécurisation des agents IA
• Les risques liés aux prompt injections
• Les mécanismes mis en place pour limiter ces risques
• La mise en oeuvre de guardrails
• Leur manière de gérer les imprévus et incidents en production