Auf einen Blick
Applied AI Engineer für CodeRabbit (San Francisco). 3+ Jahre ML/LLM mit 2+ Jahren Generative AI. RAG, RLHF, Agentic Workflows.
💰 $200.000–275.000/Jahr
📊 Mid-Level
🕒 Vollzeit
🌍 Hybrid
🗺️ Americas
- 3+ Jahre ML/LLM Systems in Production
- 2+ Jahre Generative AI-Fokus
- Strong Programming (Python, TypeScript)
- LLM Frameworks und Vector Databases
machine-learning
generative-AI
LLMs
Python
TypeScript
RAG
RLHF
prompt-engineering
Angegeben: $200.000–275.000/Jahr · Marktschätzung: ~$200.000–275.000/Jahr.
✅ Geeignet für
- Machine Learning Engineer mit Generative AI-Fokus
- Applied AI Profis mit LLM und RAG Erfahrung
- Data Scientists mit Production ML Background
🚫 Weniger geeignet
- Anfänger mit weniger als 3 Jahren ML
- Wer keine Production LLM Experience hat
- Kandidaten ohne Generative AI-Fokus
💡 Gut zu wissen
- Base Pay Range ist $200k–$275k, aktual basiert auf Erfahrung
- Hybrid – Wöchentliche San Francisco Collaboration
- Production LLM Experience ist essentiell
Über das Unternehmen
CodeRabbit ist ein innovatives R&D-Unternehmen, das an Human-Machine Collaboration Systemen arbeitet. Das primäre Ziel ist Gen AI-driven Code Reviewers. Der Applied AI Engineer designt, baut und deployt generative AI Systeme, die Produktiv-Workflows antreiben.
Deine Aufgaben
- LLM-basierte Systeme für hochwertige, kontextreiche Code Reviews designen und optimieren
- Agentic Workflows mit Multi-Step Reasoning bauen und verfeinern
- Knowledge Base und Retrieval Pipelines entwickeln (Chunking, Embeddings, Semantic Search)
- Generative AI Modelle und Pipelines in Production deployen und monitoren
- Mit Engineers, PMs und Technical Leads zusammenarbeiten
- Human-in-the-Loop Feedback und Usage Data analysieren für System Improvements
- RLHF, Ranking und Reward Modeling für Response Quality anwenden
- Mit Latest Generative AI Developments auf dem Laufenden bleiben
Deine Voraussetzungen
- Bachelor in Computer Science, Engineering, AI oder verwandte Fachrichtung
- 3+ Jahre ML/LLM-Systeme in Production mit 2+ Jahren Generative AI-Fokus
- Strong Programming: TypeScript und Python
- AI Frameworks: LangChain, LlamaIndex, OpenAI APIs, Vector Databases (Pinecone, Lancedb)
- Strong Prompt Engineering Skills
- Data Fluency – Telemetry, Logs, User Signals analysieren
- Practical Mindset – Research-inspirierte Methoden auf Product Challenges anwenden
- Cross-Functional Collaboration (Product, Engineering, Design)
