รายละเอียดงาน
- ออกแบบและพัฒนาฟีเจอร์แบบ full-stack (หน้าเว็บ API ฐานข้อมูล และการ deploy บนคลาวด์) สำหรับโปรเจกต์ลูกค้าและผลิตภัณฑ์ AI/แชตบอตของบริษัท
- พัฒนา agent harness สำหรับ LLM ได้แก่ orchestration และ agent loop, tool/function calling, structured output, การจัดการ memory และ state รวมถึงการเชื่อมต่อผ่าน Model Context Protocol (MCP) server และ API
- ออกแบบ prompt และ context ทั้ง system prompt การประกอบและย่อ context และ RAG pipeline ตั้งแต่การแบ่ง chunk, embedding, hybrid search จนถึง re-ranking บน vector database
- สร้าง evaluation harness ได้แก่ ชุดข้อมูลทดสอบ การประเมินอัตโนมัติและแบบ LLM-as-judge, regression test ใน CI และตัวชี้วัดคุณภาพก่อนและหลังการ release แต่ละครั้ง
- วาง guardrails และความปลอดภัย เช่น การป้องกัน prompt injection และการรั่วไหลของข้อมูล การกำหนดสิทธิ์และ sandbox ให้ tool การปกปิดข้อมูลส่วนบุคคลตาม PDPA การตรวจสอบผลลัพธ์ และให้คนอนุมัติก่อนดำเนินการที่มีความเสี่ยง
- ดูแลฟีเจอร์ AI บนระบบจริง ทั้ง tracing และ observability (เช่น Langfuse, LangSmith, OpenTelemetry), model routing, caching และการควบคุมต้นทุนและความหน่วง (latency)
- นำ AI coding agent (เช่น Claude Code, GitHub Copilot, Cursor) มาใช้ในขั้นตอนการพัฒนาของทีม พร้อมกำหนดแนวปฏิบัติ วิธีรีวิวโค้ด และ guardrails ที่ชัดเจน และถ่ายทอดความรู้ให้นักพัฒนาคนอื่น
- เป็นพี่เลี้ยงให้นักพัฒนาและรีวิวโค้ดทั้งฝั่ง front end และ back end
คุณสมบัติ
- มีประสบการณ์พัฒนาแบบ full-stack 5 ปีขึ้นไป
- เชี่ยวชาญ back end อย่างน้อยหนึ่งภาษา ได้แก่ Python, Node.js/TypeScript หรือ C#/.NET และ front end ด้วย React หรือ Angular
- มีประสบการณ์อย่างน้อย 1 ปีในการพัฒนาฟีเจอร์ที่ใช้ LLM และขึ้นใช้งานจริง (ไม่ใช่แค่ต้นแบบ) ผ่าน API ของผู้ให้บริการโมเดล เช่น OpenAI, Anthropic, Google Gemini หรือ AWS Bedrock
- มีประสบการณ์ใช้ tool/function calling และ agent framework หรือ SDK อย่างน้อยหนึ่งตัว (เช่น LangGraph/LangChain, OpenAI Agents SDK, Claude Agent SDK, Semantic Kernel, LlamaIndex) และรู้ว่าเมื่อไรควรใช้ workflow ธรรมดาแทน agent
- มีประสบการณ์สร้าง RAG ด้วย vector store (เช่น pgvector, OpenSearch, Qdrant, Pinecone) และวัดคุณภาพการค้นคืนข้อมูล
- มีประสบการณ์เขียน evaluation สำหรับผลลัพธ์ของ LLM และใช้ผลประเมินในการตัดสินใจเรื่อง prompt โมเดล และการเปลี่ยนแปลงต่าง ๆ
- เข้าใจความเสี่ยงด้านความปลอดภัยของ LLM (OWASP Top 10 for LLM Applications, prompt injection) และวิธีป้องกัน
- มีประสบการณ์ deploy บน AWS (serverless หรือ container) ใช้ฐานข้อมูล SQL (PostgreSQL, SQL Server หรือ MySQL) รวมถึง CI/CD และ Git
สนใจตำแหน่งนี้?
ส่งข้อมูลและเรซูเม่ (PDF) ของคุณผ่านแบบฟอร์มสมัครงาน