Research Engineer, Agentic Retrieval (EMEA)

Research Engineer, Agentic Retrieval (EMEA)

Qdrant ist eine Open-Source-Vektorsuchmaschine, die die nächste Generation von KI-Anwendungen antreibt, von semantischer Suche und Retrieval-Augmented Generation (RAG) bis hin zu KI-Agenten und Echtzeit-Empfehlungen.

Vertraut von globalen Marktführern wie Canva, HubSpot, Tripadvisor, Bosch und Deutsche Telekom , bauen wir die Retrieval-Infrastrukturschicht für modernes KI. Nach der kürzlichen Aufnahme einer Finanzierung in Höhe von 50 Mio. USD in Serie B wachsen wir rasant und sind entschlossen, die Art und Weise zu verändern, wie KI Daten versteht und mit ihnen interagiert.

Als Remote-First-Unternehmen glauben wir, dass vielfältige Hintergründe, Perspektiven und Erfahrungen Innovationen vorantreiben. Hier werden Sie sinnvolle Arbeit leisten, Herausforderungen meistern und gemeinsam mit passionierten Menschen wachsen, die sich der Gestaltung der Zukunft der KI verschrieben haben.

Wir suchen einen Research Engineer, Agentic Retrieval. Sie werden an der Schnittstelle zwischen Agentensystemforschung und Retrieval-Engineering arbeiten und eine enge Schleife zwischen Hypothese, Experiment und ausgeliefertem Artefakt durchlaufen.

Die Fragen, denen Sie nachgehen werden, haben möglicherweise noch keine endgültigen Antworten: Wie Agenten die Erinnerung strukturieren sollten, wann sie erneut abfragen oder schlussfolgern sollten, wie Fähigkeiten und Werkzeuge abgerufen und zusammengesetzt werden sollten, welche Retrieval-Primitive die Agentenschleife tatsächlich benötigt und was "gut" überhaupt bedeutet, wenn der Erfolg eine mehrstufige Trajektorie und keine Rangliste ist.

Sie werden tief eintauchen, wie echte Agenten-Stacks Qdrant heute nutzen, wo die umgebenden Abstraktionen helfen oder schaden und was wir bauen (oder ändern) sollten, damit sie mit weniger mehr erreichen können. Das Agenten-Ökosystem entwickelt sich schnell weiter, und ein Teil der Aufgabe ist es, auf dem Laufenden zu bleiben, ohne sich darin zu verfangen.

Sie werden viel Spielraum haben, um zu entscheiden, was Sie untersuchen möchten. Die Messlatte ist in jedem Fall dieselbe: Jeder Zyklus sollte etwas hervorbringen, auf das das Feld, unsere Kunden oder der Rest des Unternehmens reagieren können.

Was Sie verantworten werden

• Definieren Sie, wie sich agentisches Retrieval gut anfühlt. Charakterisieren Sie die Retrieval-Muster in echten Agentenschleifen, benennen Sie die Fehlermodi und wandeln Sie diese Terminologie in etwas um, womit das Team und das Feld aufbauen können.
• Behandeln Sie Agenten-Speicher als Systemproblem. Episodische, semantische und prozedurale Speicher benötigen jeweils unterschiedliche Schreibpfade, Verfallszeiten und Konsolidierung. Ermitteln Sie, welche Architekturen bei Skalierung bestehen bleiben, und wandeln Sie die dauerhaften Muster in Referenzimplementierungen um.
• Untersuchen Sie das Abrufen von Fähigkeiten und Werkzeugen als erstklassiges Problem. Wie ein Fähigkeitsregister indiziert werden sollte, wie Fähigkeiten unter Werkzeugbudgets ausgewählt werden sollten und wie Retrieval mit Planerentscheidungen kombiniert werden sollte.
• Entwerfen und führen Sie Experimente zum Retrieval innerhalb von Agentenschleifen durch: Abfrage-Neufassung und -Zerlegung, Multi-Hop-Retrieval, werkzeugbedingte Filterung, Retrieval-als-Werkzeug-Muster und das Zusammenspiel zwischen Planer, Retriever und Reranker.
• Bauen Sie eine Evaluationsinfrastruktur für agentisches Retrieval auf. Definieren Sie Metriken, die mit dem Erfolg von End-to-End-Aufgaben korrelieren, anstatt mit Recall@k, und bauen Sie Harnesses, die Regressionen abfangen, bevor sie ausgeliefert werden.
• Profilieren Sie Agenten-Retrieval-Traces Ende zu Ende. Isolieren Sie, wo Latenz-, Kosten- und Qualitätsverluste über den Fan-Out von Werkzeugaufrufen entstehen, und erstellen Sie minimale Reproduktionen, wenn etwas wie ein Engine-Level-Problem aussieht.
• Untersuchen Sie, wie echte Agenten-Stacks Qdrant in der Produktion verwenden. Verfolgen Sie Workloads, finden Sie heraus, wo die umgebenden Abstraktionen Leistung oder Qualität verlieren, und schlagen Sie Änderungen in Qdrant, im Stack oder im Rezept dazwischen vor.
• Arbeiten Sie mit Design-Partner-Teams zusammen, die ernsthafte Agenten-Workloads in der Produktion ausführen, und bringen Sie deren reale Einschränkungen in die Forschungsprioritäten zurück.
• Beeinflussen Sie die Roadmap. Übersetzen Sie Beweise in Produktwetten und argumentieren Sie für das, was eine Funktion, ein Primitiv oder ein Rezept sein sollte.

Wer Sie sind

• Sie lesen und schlussfolgern direkt über das Verhalten von LLMs. Sie können Prompt-Probleme von Planungs-, Retrieval- oder Tool-Design-Problemen unterscheiden und haben verinnerlicht, wie Modelle abgerufene Inhalte tatsächlich verwenden, anstatt sie zu ignorieren.
• Sie behandeln Speicher als Problem des Systemdesigns. Sie unterscheiden zwischen episodischem, semantischem und prozeduralem Speicher und wissen, dass naive Ansätze wie "jeder Zug als Vektor speichern" schnell zusammenbrechen.
• Sie verstehen Werkzeug- und Fähigkeitssysteme als Retrieval-Probleme. Sie sehen die Auswahl von Werkzeugen und die Zuordnung von Fähigkeiten als Ranking-Probleme mit ihren eigenen Eigenheiten: winzige Korpora, schwere Metadaten, starke Priors, Empfindlichkeit gegenüber Beschreibungen.
• Sie haben eine funktionierende Theorie des Kontext-Engineerings. Sie denken sorgfältig darüber nach, was in das Kontextfenster gelangt und warum, und Sie verstehen, dass Retrieval-Qualität und Kontextkonstruktion aus zwei Blickwinkeln dasselbe Problem sind.
• Sie erstellen Evals vor Features. Sie wissen, wie man Aufgabensuiten konstruiert, die Ansätze tatsächlich unterscheiden, und wie man über Recall@k hinausgeht.
• Sie kennen die Interna der Vektorsuche auf einem angemessenen Niveau. HNSW-Abwägungen, Quantisierung, gefilterte Suche, Multi-Vektor, hybrides Retrieval, Payload-Indizierung. Genug, um Agentenmuster zu entwerfen, die die Primitiven von Qdrant nutzen, anstatt die Datenbank als Blackbox zu behandeln.
• Sie schreiben präzise. Sie können eine Speicherarchitektur oder einen Fehlermodus so beschreiben, dass andere Ingenieure sie implementieren können.

Nice to have

• Beiträge zu Agenten-Stacks, Fähigkeitssystemen, MCP-Servern, RAG-Tooling oder Eval-Harnesses.
• Erfahrung im Entwerfen von Agenten-Benchmarks oder deren Ausführung in großem Maßstab.
• Vertrautheit mit Qdrant oder vergleichbaren Vektorsuchsystemen unter Produktions-Agentenverkehr.
• Erfolgsbilanz in der Zusammenarbeit mit Design-Partner-Kunden oder Open-Source-Community-Beitragenden.

Warum bei uns einsteigen

• Ein Remote-First, internationales Team, das an modernster KI-Infrastruktur arbeitet.
• Ein wettbewerbsfähiges Gehalt mit zusätzlichen Vergünstigungen.
• Flexible Arbeitszeiten und asynchrone Kultur.
• Hohe Eigenverantwortung und echte Wirkung.
• Open-Source, ingenieurgetriebene Kultur.
• Wählen Sie Ihre eigene Laptop-Ausrüstung.

Für Kandidaten mit Sitz in den USA bieten wir außerdem ein umfassendes Leistungspaket, einschließlich 401k-Zuschuss, Kranken-, Zahn- und Sehversicherung sowie eine flexible PTO-Richtlinie.

Qdrant ist ein Arbeitgeber, der Chancengleichheit fördert. Wir glauben, dass die besten Ideen von vielfältigen Teams kommen, und wir begrüßen aktiv Bewerber aus allen Hintergründen. Wenn diese Rolle Sie begeistert, Sie aber nicht alle Kriterien erfüllen, würden wir uns trotzdem freuen, von Ihnen zu hören! Wir möchten großartige Leute nicht wegen einer Checkliste verpassen.

Kommen Sie und bauen Sie mit uns! Informationen darüber, wie wir Ihre persönlichen Daten behandeln, finden Sie in unserer Recruitment Privacy Policy.