Eine eigene Stelle: Fullstack Python + React + TypeScript, LLM schon an echte Nutzer ausgeliefert

Die Lücke auf dem Board ist nicht „jemand, der auch GPT versucht hat“. Es ist ein Fullstack-Seat: Python an der API, React und TypeScript am Operator-Screen, und ein LLM-Feature, das schon echte Nutzer getroffen hat — Abbruch mitten im Stream, ein 40-Seiten-Paste, ein Doppel-Tipp auf Senden. Diese Latte ist der Sinn der Stelle.

Ich habe schon die generische Fullstack-Rolle geschrieben, und die Python-AI-Engineer-Nachfrage, die LangGraph und RAG in Produktion nennt. Hier ist die andere Stelle. Sie sind keine weicheren Versionen voneinander.

1. Warum diese Stelle existiert

Viele Produkte können für ein Feature keinen AI Engineer, kein Backend und kein Frontend einzeln einstellen. Sie brauchen eine Person, die die Produktgrenze mit einem Modell schon überschritten hat. Die JD ist eine Budgetentscheidung so sehr wie eine Skill-Liste.

• Die LLM-Arbeit ist eine Fläche in einer bestehenden App, keine Retrieval-Plattform. Der Nutzer hat schon einen Screen. Das Modell muss darauf leben.
• „An echte Nutzer ausgeliefert“ ist der Filter, der den Hackathon tötet. Localhost zählt nicht. Eine Café-Demo zählt nicht.
• Python plus React plus TypeScript steht da, weil der Stack schon so gespalten ist — FastAPI oder Django auf der einen Seite, eine typisierte UI auf der anderen — und niemand einen Rewrite auf nur Next oder nur Python bezahlt.

2. Was „auf beiden Seiten solide“ in der Stelle heißt

Es heißt nicht „ich kann das andere Repo lesen“. Es heißt: die Person hat einen typisierten Vertrag zwischen zwei Runtimes ausgeliefert und ihn am Freitag nicht auseinanderlaufen lassen.

• Python: die API, Auth, Jobs, der Adapter zum Modell, Secrets die den Server nie verlassen.
• React + TypeScript: Abort, leere und degradierte Zustände, Zitate als UI, eine Bestätigungskarte für ein Tool — kein Markdown-Dump vom Modell.
• Ein Schema: Pydantic auf dem Server, TypeScript aus OpenAPI oder generiertem Zod. Zwei handgeschriebene Interfaces die auseinanderlaufen — so fällt dieser Hire im zweiten Monat durch.

3. Was „schon an echte Nutzer ausgeliefert“ rausfiltert

Interviewen Sie die Narben, nicht den Screenshot. Nutzer brechen ab, fügen ein Buch ein und tippen zweimal auf Senden. Kann die Kandidatin diese drei nicht nennen, hat sie nicht ausgeliefert.

• Auth auf dem Stream, nicht nur auf der Seite. Eine geleakte EventSource-URL ist ein geleakter Korpus.
• Streaming als Events, die eine UI unterscheiden kann: token, citation, tool_propose, error, done. Konkatenierte Strings zeigen weder Quelle noch Bestätigung.
• Ein benannter Fehler, wenn der Anbieter down ist. Das ChatGPT-Outage-Playbook habe ich schon geschrieben. Das Produkt braucht einen String, keine leere Blase.
• Ein Feature-Flag. Shipped heißt, sie konnten den Modellpfad abschalten, ohne die Site zurückzurollen.

4. Wer das postet — und wer nicht sollte

Diese Stelle passt, wenn das Produkt schon eine UI hat, das Backend schon Python ist oder bleibt, und das LLM-Feature eine Scheibe der App ist. Sie passt nicht, wenn der Job eine Korpus-Plattform mit Evals und einem Graphen ist, der ablehnen muss.

• Seed- und kleine Produktteams, interne Tools, Agenturen die einen Copiloten in eine bestehende React-App legen.
• Kein Ersatz für den Python-first-AI-Engineer, wenn der Schmerz altes Retrieval, Faithfulness und ein Graph in Produktion ist. Diese Nachfrage ist der andere Artikel.

Fazit: zwei Seats, zwei Preise

Fullstack heißt hier: die Python-Schleife und der React-Screen teilen ein Schema, einen Stream und eine Bestätigung — und das ist schon vor Nutzern passiert. Ein Notebook mit React-Wrapper ist immer noch ein Notebook. Schreiben Sie diese Stelle als eigenen Seat. Wenn dieselbe JD auch LangGraph, RAG-Pipelines und ein LLM-System in Produktion nennt, suchen Sie zwei Seniors. Preisen Sie es so — oder teilen Sie die Stelle.