• Python sólido (é o idioma principal do ecossistema de agentes)
• LLMs na prática: integração com APIs de modelos (Bedrock, OpenAI), prompt engineering
• aplicado
• Arquitetura de agentes: fluxos com tool-calling, subagentes, context management, memória
• Engenharia de software: testes de agentes (determinísticos + avaliações LLM-as-judge), CI/CD,
• versionamento semântico
• AWS: ECS (runtime atual), S3, DynamoDB ou similar para estado/memória
• Observabilidade: Datadog APM, tracing de chamadas a LLMs (LangSmith ou integração
• Datadog LLM Observability)

Conhecimentos desejáveis:

• RAG: chunking, embeddings, retrieval strategies
• Context engineering: otimização de janela de contexto, compressão, priorização
• Multi-Agent Systems: orquestração, delegação, protocolos de comunicação
• Familiaridade com domínio financeiro (fechamento contábil, análises financeiras)