• Compreensão sólida de como LLMs funcionam (atenção, transformers, janela de contexto, temperatura, top-p).
• Capacidade de comparar modelos (GPT-4o, Cloude, Gemini, Llama, Mistral) por custo, latência e qualidade para cada caso de uso.
• Conhecimento de arquiteturas RAG (naïve, advanced, modular), estratégias de chunking (semantic, recursive, parent-child), modelos de embedding (OpenAI, Cohere, open source) e re-ranking.
• Compreensão do padrão agente (loop de percepção-raciocínio-ação), function calling / tool use, MCP (Model Context Protocol) e design de system prompts. APIs REST/GraphQL, webhooks, n8n ou plataformas similares (Make, Zapier).
• Capacidade de desenhar workflows de automação end-to-end.
• Familiaridade com LangChain, LlamaIndex ou SDKs de provedores (OpenAI, Anthropic, Google).
• Conhecimento básico de pelo menos um provedor de nuvem (AWS, Azure ou GCP). Conceitos de serverless, containers e armazenamento.
• Capacidade de estruturar um business case: custo de operação atual vs. custo da automação (tokens + infra + manutenção), payback, economia de FTEs.

Desejável:

• Experiência prática com fine-tuning, LoRA/QLoRA e avaliação de modelos (MMLU, HumanEval, benchmarks customizados).
• Experiência com vector stores (Pinecone, Weaviate, Qdrant, pgvector), hybrid search (dense + sparse) e avaliação de qualidade de retrieval (MRR, recall@k, RAGAS).
• Experiência com frameworks de orquestração (CrewAI, AutoGen, LangGraph, OpenAI Agents SDK). Conhecimento de padrões multi-agent: delegação, votação, pipeline, hierárquico. Experiência com RPA (UiPath, Power Automate), integrações com ERPs/CRMs e automação de processos documentais. Serviços de IA em nuvem (Azure OpenAI, Bedrock, Vertex AI).
• Noções de GPU provisioning e otimização de custo computacional.
• Experiência com dashboards (Power BI, Metabase, Grafana) e modelagem financeira básica.
• Conhecimento de preços de