An English version will follow.
Lieu : Laval - Hybride | Type : Temps plein | Secteur : AutomobileCe que vous ferez- Concevoir et développer des systèmes LLM multi-agents coordonnant outils, mémoire et sorties structurées - y compris des agents qui récupèrent, analysent et exploitent des données de sources multiples (CRM, inventaire, conversations).
- Pratiquer le développement piloté par les évaluations : construire des suites d'évaluation (benchmarks hors ligne, LLM-juge, seuils de régression) ainsi que l'observabilité et le traçage nécessaires pour livrer les changements de prompts et de modèles en toute confiance.
- Développer et intégrer des serveurs et outils Model Context Protocol (MCP) reliant les agents aux systèmes d'affaires réels.
- Créer des agents vocaux en temps réel (modèles speech-to-speech, intégration téléphonique) en complément des agents de messagerie texte.
- Déployer des workflows IA sur une infrastructure cloud évolutive (AWS, MongoDB, etc.).
- Optimiser le routage des modèles, les coûts et la latence entre plusieurs fournisseurs.
- Livrer et itérer des fonctionnalités complètes en Python et TypeScript/JavaScript.
Profil recherché- 3 ans+ d'expérience en développement logiciel en production (backend privilégié).
- Solide maîtrise de Python et TypeScript/JavaScript.
- Bonne expérience avec MongoDB (ou bases de données comparables), AWS et architectures cloud modernes.
- Une approche pilotée par les évaluations : vous mesurez vos changements IA sur des données réelles avant de les livrer.
- Expérience pratique avec au moins un des éléments suivants :
- Agents LLM coordonnant plusieurs appels de modèles et outils
- Pipelines d'évaluation (LLM-juge, seuils de régression) sur des données réelles
- Systèmes de récupération agentique (recherche hybride, reranking)
Atouts- Expérience avec le Model Context Protocol (MCP), les SDK d'agents (Claude Agent SDK, OpenAI Agents SDK, LangGraph) ou des harnais d'agents sur mesure.
- Expertise en context engineering, sorties structurées et orchestration d'outils IA.
- Expérience avec les garde-fous IA : résistance à l'injection de prompt et protection des renseignements personnels.
- Expérience dans le déploiement et l'amélioration d'un produit réel basé sur les retours utilisateurs.
Rémunération : Salaire concurrentiel, assurance collective, prestation de bien-être, épargne-retraite et service de navette depuis les stations de métro Côte-Vertu et Montmorency.110 000 $ à 130 000 $ par année, selon l'expérience.
Location: Laval - Hybrid | Type: Full-time | Industry: Automotive What You9ll Do- Design and build multi-agent LLM systems that coordinate tools, memory, and structured outputs - including agents that retrieve, reason over, and act on data from multiple sources (CRM, inventory, conversations).
- Drive eval-driven development: build eval suites (offline benchmarks, LLM-as-judge, regression gates) and the observability and tracing needed to ship prompt and model changes with confidence.
- Build and integrate Model Context Protocol (MCP) servers and tools that connect agents to real business systems.
- Build realtime voice agents (speech-to-speech models, telephony integration) alongside text-based messaging agents.
- Deploy AI workflows into scalable cloud infrastructure (AWS, MongoDB, etc.).
- Optimize model routing, cost, and latency across multiple model providers.
- Ship and iterate on features end-to-end using Python and TypeScript/JavaScript.
What Makes You a Great Fit- 3+ years of production-grade software engineering experience (backend focus preferred).
- Strong Python and TypeScript/JavaScript skills.
- Solid experience with MongoDB (or comparable databases), AWS, and modern cloud architecture.
- An eval-driven mindset: you measure AI changes against real-world data before shipping them.
- Hands-on experience with at least one of:
- Built LLM agents that coordinate multiple model calls and tools.
- Built eval pipelines (LLM-as-judge, regression gates) for LLM outputs on real-world datasets.
- Built agentic retrieval systems (hybrid search, reranking, retrieval that feeds agent context).
Bonus Points- Experience with the Model Context Protocol (MCP), agent SDKs (Claude Agent SDK, OpenAI Agents SDK, LangGraph), or custom agent harnesses.
- Deep knowledge of context engineering, structured outputs, and tool orchestration with LLMs.
- Experience with AI guardrails: prompt-injection resistance and PII handling in customer-facing systems.
- You9ve shipped a real product and improved it through user feedback.
$110,000-$130,000 per year, based on experience.
