AI駆動開発エンジニア（バックエンドエンジニア）

必須

• PythonでのバックエンドAPI開発経験3年以上（FastAPI / Flask / Django等）
• バックエンドAPIの設計・DB設計の経験
• LLM API（OpenAI / Claude / Gemini等）を利用した機能開発の経験
• プロンプト設計やLLMパイプラインの構築経験
• 事業会社におけるアジャイル開発の経験
• コードレビュー・設計レビューの経験

歓迎

• RAG、MCPの設計・実装経験
• AI Agentフレームワーク（LangChain / LlamaIndex等）の利用経験
• 技術選定・アーキテクチャ設計のリード経験
• 生成AIによるデータ処理の経験
• 仕様検討など、ステークホルダーとの要件調整の経験
• スタートアップ、または0→1のプロダクト開発の経験
• データ基盤やクラウドインフラの構築・運用経験

求める人物像

• ミッション・バリュー（AIネイティブ・コト志向・最高品質）に共感し、AIを使いこなす意志がある方
• シリーズB目前のスタートアップならではのスピード感を楽しみ、変化の中でも目的から考えて課題を発見し、解決に導ける方
• 誠実さとオーナーシップを持って、チームや顧客に向き合える方
• 新しい技術を自ら試して身に付け、前提を疑いながら技術的な挑戦に向き合える方
• LLMの特性と限界を理解し、プロダクト要件に合わせた設計判断ができる方
• 顧客やビジネス職の声を真摯に受け止め、チームに情報を共有しながら改善に導ける方

使用ツール

募集背景

• 中核のプロダクトAPIは、Python（FastAPI）で実装しています。バックエンドエンジニアは、このAPIとLLM機能・SalesNow MCPの設計・実装を担います。画面で検索する人と、企業データを取得するAIエージェントの双方を支えるバックエンドをつくれる仕事です。同じデータに対して、人が1回ずつ検索する場合と、エージェントが連続で叩く場合では、必要な設計が変わります。
• APIのリポジトリでは、直近30日間で780本のPRがマージされています（2026年9月12日計測）。AIを使うことで、実装できる量は増えました。一方で、その変更を設計とデータの前提から確かめられる人が足りていません。検索基盤の性能、モデル層の設計、LLM機能の品質を同時に引き上げ、増えた変更を本番へ届ける仕組みをつくるバックエンドエンジニアを募集します。

入社後に取り組む課題

• 2026年9月12日時点で、次の課題に取り組んでいます。
• フルリインデックスの時間を縮める。対象は、企業・拠点・部署などを横断するOpenSearchの全文検索基盤（1.05億ドキュメント・約460GB）です。改善候補である取得側のDBクエリと投入処理を設計し直します
• 2,800行のモデル層を、稼働を止めずに分解する。循環インポートを解消し、レイヤーの境界を明確にする4フェーズの計画です。Strangler Fig・Feature Flag・APIバージョニングを使い、後方互換を保ちながら段階的に分解します。障害対応と並行して進めます
• どちらも、顧客が毎日使うプロダクトで、設計の判断がそのまま性能と安全性に表れる課題です。

お任せしたい業務内容

• PdM・セールス・アカウントマネジメント・フロントエンドの担当者と連携し、SalesNowの中核を支えるバックエンド開発をリードしていただきます。LLMとAI Agentを使った機能を中心に、設計・実装を担います。経験や志向に応じて調整します。
• Python（FastAPI）・TypeScript（AWS Lambda）によるバックエンドAPIの設計・実装・保守・最適化
• LLMを活用したAI機能（企業サマリ、課題サジェスト、経済情報サマリ等）の設計・実装
• 商談準備のレポート作成、リストの生成、議事録のSFA登録、CRMへの記録、リードのスコアリングを支えるAIワークフローの設計・実装（AI Agent自体の設計・実装を含む）
• SalesNow MCPの設計・開発
• プロンプトエンジニアリングとLLMパイプラインの設計
• AIモデルの評価基盤の構築（精度・コスト・レイテンシのバランス最適化）
• 数千万〜数億件規模の法人データ基盤の構築・運用（PostgreSQL / Elasticsearch / DynamoDB / S3 / Databricks / n8n / LLM）
• 高頻度アクセス・大量データに対応するパフォーマンスチューニング・データベースチューニング
• AWS上でのインフラ設計・監視・セキュリティ対応
• 新機能・改善における要件整理・技術検証・設計提案
• CI/CD環境の整備、開発プロセスの改善、技術的な意思決定のリード
• プロダクトの成長に向けた、経営陣との技術戦略の検討
• ※従事すべき業務の変更の範囲：有り

利用する技術・ツール

• 言語: Python（FastAPI / SQLAlchemy）、TypeScript（Next.js）、SQL
• データベース・検索: Aurora PostgreSQL、Elasticsearch / OpenSearch、DynamoDB
• インフラ: AWS（Lambda / ECS / CloudFront / S3 / Firehose / Athena）、GCP、Fastly、Terraform
• データ: Scrapy、Airflow（MWAA）、Databricks（Spark / Delta Lake）
• AI・LLM: Amazon Bedrock、Azure OpenAI、Claude、Gemini
• 開発ツール: Claude Code、Codex、Cursor、GitHub Copilot、CodeRabbit、n8n
• デザイン: Figma
• コミュニケーション: Slack、GitHub、Notion、Asana、Google Workspace

開発の進め方

• スクラムをベースにしたアジャイル開発です。ミッションごとにチームを組み、2週間のスプリントで開発します。デイリースクラム・スプリントプランニング・スプリントレビュー・ポストモーテムを行います。
• AIとの開発は、次のように進めています。
• Claude・Geminiは全員が使え、Codexも併用し、用途でモデルを使い分けます
• 成果物は複数のLLMにレビューを依頼し、採否は人が根拠を確認して決めます。エンジニアはCodeRabbitでPRの一次チェックを行い、その結果を踏まえて設計の妥当性・データの前提・影響範囲を確かめます
• AIへの指示書（.claude/skills/）も、コードと同じ手続きでPRレビューします。自分が見つけた指示の工夫を、チームで検証したうえで、ほかのメンバーも使える開発手法として共有できます
• Claude Codeを6並列で動かし、調査から実装・検証・リリースまで回すメンバーもいます。成果物はGitHubで管理し、並列で進んだ実装も、複数のLLMの指摘と人の確認を経てから本番に入ります。速さと検証を両立させる開発の型を、自分の手で回せます
• 目的と予算を合意したあとは、担当者が進め方を決めます

ポジションの魅力

• 1,600万件超・80億レコードの法人・組織データベースとLLMを組み合わせ、PoCではなく本番で使われる機能へ仕上げます。LLMパイプラインの実装から本番の評価基盤まで一貫して担い、大規模な企業データを使うAI機能の品質を、実装と検証の両面から支えられるエンジニアになれます。Data → AI → Agent → Interface の4層のうち、AIレイヤーとAgentレイヤーを中心に担い、データが蓄積するほど機能が賢くなる構造を自分の手でつくります
• 参照するのは、調査網と社内の体制がアナログに集めた情報と自社メディアの投稿、拠点ごとに一意のIDで紐づいた構造、組織図と部署の直通番号まで含むデータです。LLMの出力の品質を、プロンプトだけでなく参照データの構造から設計できます
• 1.05億ドキュメント・約460GBの検索基盤の再設計と、2,800行のモデル層の段階的な分解を、稼働中のAPIを止めずに、自分の設計で進めます。Strangler Fig・Feature Flag・APIバージョニングを本番で使い分けた判断が、そのまま自分の設計の実績として残ります
• AIで変更量が増えたAPIのリポジトリで、変更を設計・データの前提・影響範囲から確かめる検証工程を、自ら設計できます。会社は社員1人あたりARRを3年で10倍にする目標を置いています。1人が担える開発の範囲をAI前提で広げる工夫が、そのまま事業の目標に直結します
• AIツールへの支出は1人あたり月平均10万円以上（会社負担）です。目的と予算を合意したあとは、用途に合うモデルやツールを自分で選び、開発工程に組み込んで検証できます。複数のLLMを開発とレビューに組み込み、どこをAIで進め、何を人が検証するかまで自分で設計します
• Azure OpenAI・Gemini・Anthropic のモデルを用途別に併用しています。精度・コスト・レイテンシを検証し、用途ごとのモデル選定から構成設計まで担うことで、特定のモデルに依存しないアーキテクチャを設計する力が身につきます
• 企業データの品質判定にLLM as a Judgeを使います。判定の基準は人が定め、本番での検証工程を設計します。判定結果をどの根拠で採用するかまで設計するので、LLMを組み込むだけでなく、その出力の品質を保証する側の専門性が身につきます
• 大手企業や急成長スタートアップ出身のエンジニア・ビジネスパーソンと共に働きます。高い技術力と開発組織の知見を吸収しながら、これから組織が拡大していくフェーズで、設計の方針もレビューの基準も決める側に回れます。技術の判断だけでなく、開発組織のつくり方まで経験として持ち帰れます
• 技術選定や設計提案に、経営陣と直接議論しながら関われます。経営陣も自分でコードを書くので、実装の重さが分かる相手と、技術の判断を事業の優先順位から詰められます
• 2〜3年後、AIを使えることは当たり前になります。差がつくのは、AI前提で組織と業務を設計できるかどうかです。SalesNowのバックエンドエンジニアは、AIと人の役割分担を開発工程に組み込み、その設計を毎日の実装で試しています。**