【JAPAN AI】Agent Harness Engineer / Japanese

以下のいずれかの経験・スキルが求められます。

• 分散システム・バックエンドシステムの設計・開発経験
• LLMやML推論パイプラインの統合・運用経験
• Graph RuntimeまたはState Machineを用いたワークフロー設計の実務経験
• Python / Go / Rust 等によるサーバーサイド開発経験
• AWS / GCP / Azure などクラウドインフラ上でのシステム構築・運用経験
• セッション管理・チェックポイント・リカバリ機構の実装経験
• 高可用性（99.9%以上）システムの設計・運用・インシデント対応経験

• オーナーシップと自律的な課題解決力:
  「誰かに言われるまで待つ」のではなく、自らシステム課題を発見し改善サイクルを回せる主体性が求められます。スタートアップの特性上、曖昧な仕様を自ら定義する力も必要です。
• Research Engineerとの高度な技術コミュニケーション:
  最新論文や研究成果を本番基盤に落とし込む工程では、研究者と実装者の橋渡し役を担う必要があります。技術的な深さと幅を持ちつつ、異なるバックグラウンドを持つメンバーと協業できる能力が不可欠です。
• 不確実性への耐性と学習への積極性:
  生成AI・エージェント技術は日進月歩であり、仕様や技術スタックが短期間で変化します。新しい情報をキャッチアップし続ける学習姿勢と、変化をポジティブに捉えられるメンタリティが重要です。
• コスト・パフォーマンス意識を持ったエンジニアリング:
  推論コストの最適化やロードバランシング設計では、単なる機能実装に留まらず、スケーラビリティとコスト効率を常に意識した設計判断が求められます。
• 信頼性・セキュリティへの高い感度:
  プラットフォーム稼働率99.9%以上の維持やデータアクセス・権限管理基盤の設計など、エンジニアリングの品質基準が高く設定されています。セキュリティやコンプライアンスへの意識を持ちながら実装できる姿勢が必要です。

• AIエージェントフレームワークの実務経験:
  LangChain / LangGraph / AutoGen / CrewAI / OpenAI Agents SDK 等を用いたマルチエージェントシステムの構築経験があると、即戦力として活躍できます。
• MLOps / AgentOps の設計・運用経験:
  推論パイプラインの監視・評価・改善サイクルを構築した経験や、モデルルーティング・フォールバック機構の設計経験は高く評価されます。
• ガードレール・ポリシーエンジンの設計経験:
  LLMの出力制御・有害コンテンツフィルタリング・アクセス制御などの信頼性基盤を設計・実装した経験は、このポジション固有の強みになります。
• 分散キューイング・ワークフローオーケストレーションの経験:
  Celery / Temporal / Airflow / Kafka 等を用いた非同期ジョブ処理や分散ワークフロー管理の経験は、業務への直接適用が期待できます。
• 英語技術文書の読解・作成力:
  最新の研究論文や海外の技術仕様を読み解き、設計ドキュメントに反映できる英語力があると、Research Engineerとの連携においてより高い貢献が可能です。

• AIエージェント実行基盤のアーキテクチャ設計力:
  Graph Runtime / State Machine を用いたエージェント実行エンジンの設計から本番運用まで一貫して経験することで、国内では希少なエージェント基盤エンジニアとしての専門性を確立できます。
• マルチLLMルーティング・推論最適化の実践ノウハウ:
  複数のLLMモデルを動的にルーティングしコスト・性能を最適化する実務経験は、AI産業全体で需要が急拡大している希少スキルです。
• 高信頼性プラットフォーム運用の経験:
  99.9%以上の稼働率維持・インシデント対応・ポストモーテム実施を通じて、SRE（Site Reliability Engineering）に近い高い運用基準の実務スキルを磨けます。
• ガードレール・セキュリティ基盤の設計知見:
  LLMのポリシー実行エンジンやデータアクセス権限管理基盤の設計経験は、AIガバナンスが重視される昨今の市場において高い市場価値を生み出します。
• スタートアップにおける技術リーダーシップ:
  急成長フェーズの組織でエンジン設計からSDK開発まで担うことで、技術的な意思決定力やチームリードのスキルを実践的に習得できます。