مهندس هوش مصنوعی
AI Engineer
مهندس هوش مصنوعی با مدل‌های آماده، به‌ویژه مدل‌های زبانی بزرگ (LLM)، نرم‌افزارهایی می‌سازد که در محیط واقعی کار می‌کنند: ایجنت‌هایی که کارهای چندمرحله‌ای را خودکار می‌کنند، دستیارهایی که روی اسناد و داده‌های یک شرکت پاسخ می‌دهند و ابزارهایی که مدل را به سیستم‌های دیگر وصل می‌کنند. بخش اصلی کار، مهندسی نرم‌افزار است: یکپارچه‌سازی، ارزیابی کیفیت خروجی و نگهداری سیستم در پروداکشن.
مقدمه و تعریف شغل
مهندس هوش مصنوعی (AI Engineer) نرم‌افزارهایی می‌سازد که روی مدل‌های از پیش آموزش‌دیده کار می‌کنند؛ امروز بیشتر مدل‌های زبانی بزرگ که از طریق API یا به‌صورت متن‌باز در دسترس‌اند. لینکدین این نقش را چنین تعریف می‌کند: کسی که مدل‌های AI را برای کارهایی مثل حل مسئله و پیش‌بینی، که معمولاً به تصمیم‌گیری انسان نیاز دارند، توسعه و پیاده‌سازی می‌کند. در آگهی‌های ۲۰۲۶ تمرکز روی ساخت ایجنت، اتصال مدل به داده و ابزارهای شرکت، ارزیابی کیفیت خروجی و نگهداری سیستم در پروداکشن است. این کار بیشتر مهندسی محصول است تا پژوهش: هدف ساختن چیزی است که کار کند، نه اختراع مدل تازه.
به تعبیر Shawn Wang (swyx)، بسیاری از کارهای هوش مصنوعی که در ۲۰۱۳ پنج سال وقت و یک تیم پژوهشی لازم داشت، در ۲۰۲۳ با مستندات یک API و یک بعدازظهر شدنی شد. او در ژوئن ۲۰۲۳ در مقالهٔ «The Rise of the AI Engineer» نوشت که مهندسی نرم‌افزار، همان‌طور که پیش‌تر DevOps و Data Engineering را به وجود آورد، زیرشاخه‌ای تازه برای کاربردهای AI پیدا می‌کند و نام این نقش AI Engineer است. داده‌های بازار هم همین را نشان می‌دهد: در فهرست Jobs on the Rise ۲۰۲۶ لینکدین، AI Engineer سریع‌ترین رشد را در آمریکا داشت. ITJobsWatch در بریتانیا در شش ماه منتهی به ۵ اکتبر ۲۰۲۶، ۸۴۴ آگهی استخدام دائم با این عنوان ثبت کرده است، در حالی که در همین بازه در سال ۲۰۲۵ این عدد ۹۲ بود.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مهندس هوش مصنوعی
ایجنت برای خودکارسازی کارهای داخلی
در آگهی AI Engineer شرکت Brooklyn Sports & Entertainment یکی از نمونه‌ها ایجنتی است که پیش از جلسهٔ فروش بلیت، اطلاعات فروش، دادهٔ CRM و سابقهٔ مشتری را جمع می‌کند تا تیم آماده وارد جلسه شود.
دستیار پاسخ‌گو روی مستندات و پشتیبانی
WorkOS در آگهی Applied AI Engineer از دستیاری روی مستندات خود (ask.workos.com) و بات‌های پشتیبانی داخل کانال‌های Slack مشتریان نام می‌برد. این‌ها معمولاً با RAG ساخته می‌شوند: سیستم پیش از پاسخ، بخش‌های مرتبط اسناد را پیدا می‌کند و به مدل می‌دهد.
ایجنت تحلیل داده
Kobie پلتفرمی برای ایجنت‌ها می‌سازد که از داده‌های برنامه‌های وفاداری مشتری در Snowflake بینش بیرون می‌کشد؛ مهندس ابزارهایی می‌نویسد که ایجنت با آن‌ها کوئری SQL اجرا کند و نتیجه را با قرارداد مشخص برگرداند.
استخراج ساختاریافته از اسناد
تبدیل فاکتور، رسید یا قرارداد به داده‌ای با ساختار مشخص (JSON) که سیستم‌های دیگر بتوانند مستقیم از آن استفاده کنند. تیم Applied AI شرکت Ramp از Structured Extraction به‌عنوان یکی از پروژه‌هایش نام می‌برد.
ابزارهای کدنویسی با AI برای تیم مهندسی
در همان آگهی BSE، مهندس ایجنت‌هایی برای تولید کد، نوشتن تست، مستندسازی، رفع اشکال و تحلیل pull request می‌سازد؛ یعنی مشتری او خود تیم مهندسی است.
سیستم ارزیابی و guardrail
پیش از انتشار هر تغییر، مجموعه‌ای از پرسش‌های نمونه با پاسخ درست (golden dataset) اجرا می‌شود و خروجی مدل امتیاز می‌گیرد. آگهی Kobie همین را می‌خواهد، همراه با اتصال آن به CI و محافظ‌هایی برای دادهٔ شخصی و prompt injection.
تخصص‌های مختلف مهندس هوش مصنوعی
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
مهندس AI کاربردی
Applied AI Engineer
ساخت محصول و ابزار داخلی با AI از ایده تا پروداکشن؛ عنوان آگهی‌های Ramp و WorkOS. در این نقش‌ها مهارت full-stack هم اهمیت دارد.
مهندس AI مستقر نزد مشتری
Forward Deployed AI Engineer
کار مستقیم با مشتری و پیاده‌سازی راه‌حل GenAI در محیط او. در آگهی Palantir این مهندسان مسئول استراتژی و پیاده‌سازی GenAI برای مشتری‌اند و workflow کامل را تا پروداکشن می‌برند.
مهندس ایجنت
Agent Engineer
تمرکز روی ساخت ایجنت‌ها، ابزارهایی که صدا می‌زنند و محیط اجرای آن‌ها؛ مثل آگهی‌های BSE و Kobie که هستهٔ کارشان ایجنت است.
ارزیابی و قابلیت اطمینان
Evals & Reliability
تمرکز روی سنجش کیفیت و پایداری: golden dataset، LLM-as-judge، تست رگرسیون، trace و پایش درصد موفقیت ابزارها.
LLMOps و پلتفرم AI
LLMOps / AI Platform
زیرساخت اجرای مدل و ایجنت: استقرار، inference، هزینه و پایش. آگهی BSE از همکاری با «LLMOps Engineer» و آگهی Ramp از ساخت زیرساخت inference نام می‌برد.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
در تقسیم‌بندی swyx، مهندس ML و پژوهشگر بیشتر با خودِ مدل پایه سروکار دارند (داده در مقیاس پیش‌آموزش و بنچمارک‌های عمومی) و مهندس AI روی مدل‌های آماده محصول می‌سازد و دادهٔ محصول و ارزیابی‌های مخصوص محصول را کار خودش می‌داند. به گفتهٔ خود او این مرز باز است. در بازار هم دو عنوان گاهی جابه‌جا به کار می‌روند؛ لینکدین می‌نویسد این نقش با نام Machine learning engineer هم شناخته می‌شود.
دانشمند داده بیشتر تحلیل می‌کند و برای تصمیم‌گیری بینش و مدل پیش‌بینی می‌سازد. مهندس هوش مصنوعی سیستمی عملیاتی می‌سازد که کاربر یا سیستم دیگری مستقیم با آن کار می‌کند. این دو مسیر به هم نزدیک‌اند: لینکدین Data Scientist را یکی از نقش‌هایی می‌داند که بیشترین ورود به AI Engineer از آن‌ها بوده است.
پژوهشگر مدل و الگوریتم تازه طراحی و آزمایش می‌کند و نتیجه را منتشر می‌کند. BLS دربارهٔ گروه شغلی پژوهشگران کامپیوتر و اطلاعات می‌نویسد معمولاً دست‌کم کارشناسی ارشد لازم است و برخی کارفرماها دکترا را ترجیح می‌دهند. در مقابل، آگهی AI Engineer شرکت Kobie صریحاً نوشته مدرک کارشناسی الزامی نیست.
مهندس نرم‌افزار معمولاً با سیستم‌های قطعی کار می‌کند: یک ورودی، یک خروجی مشخص. خروجی مدل زبانی برای یک ورودی ممکن است هر بار فرق کند، پس مهندس هوش مصنوعی باید ارزیابی، پایش و طراحی برای خطا را هم بلد باشد. به همین دلیل این نزدیک‌ترین مسیر ورود است؛ لینکدین Software Engineer را در صدر نقش‌هایی گذاشته که افراد از آن به AI Engineer آمده‌اند.
تأثیر در صنایع مختلف
مهندس هوش مصنوعی در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
مالی و فین‌تک
Ramp برای تیم‌های مالی ایجنت، RAG و استخراج ساختاریافته می‌سازد و Reflexivity سیستم‌هایی که بینش سرمایه‌گذاری را برای سرمایه‌گذاران حرفه‌ای تولید می‌کنند
سلامت و مراقبت از سالمندان
Direct Supply سیستم‌های AI برای بهبود خدمات مراقبت از سالمندان و پشتیبانی از مراقبان آن‌ها می‌سازد؛ کار با داده‌های حساس و تحت مقررات بخشی از این نقش است
ورزش، سرگرمی و رویداد
BSE، شرکت مادر Brooklyn Nets و Barclays Center، با ایجنت‌ها کارهای داخلی بخش‌های فروش بلیت، همکاری‌های تجاری، منابع انسانی و عملیات سالن را خودکار می‌کند
بازاریابی و وفاداری مشتری
Kobie پلتفرم ایجنت‌هایی می‌سازد که روی داده‌های برنامه‌های وفاداری بزرگ کار می‌کنند و کار تحلیلگران را خودکار می‌کنند
امنیت سایبری
Aegis AI ایجنت‌هایی می‌سازد که حمله‌های تازهٔ مبتنی بر AI را از روی دادهٔ زندهٔ تهدیدها شناسایی و متوقف کنند
ابزارهای نرم‌افزاری و زیرساخت
WorkOS هم محصول AI برای مشتری (دستیار مستندات، بات پشتیبانی) می‌سازد و هم ایجنت‌های داخلی برای فروش، پشتیبانی و مهندسی
فناوری، خدمات IT و مشاوره
طبق لینکدین، بیشترین شغل‌های این نقش در صنایع Technology and Internet، خدمات و مشاورهٔ IT و مشاورهٔ کسب‌وکار است
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
بدون مدرک علوم کامپیوتر یا دکترا نمی‌شود وارد این شغل شد
آگهی AI Engineer شرکت Kobie صریحاً نوشته مدرک کارشناسی الزامی نیست و تجربهٔ عملی معادل، از جمله بوت‌کمپ، خودآموزی، تغییر مسیر شغلی یا مدرک فنی غیرکامپیوتری، پذیرفته می‌شود. آنچه آگهی‌ها می‌خواهند سابقهٔ ساختن نرم‌افزاری است که واقعاً کار کرده باشد.
مهندس هوش مصنوعی باید مدل‌ها را از صفر آموزش دهد
Andrej Karpathy، به نقل در مقالهٔ swyx، گفته در این نقش می‌شود موفق بود بدون اینکه هیچ‌وقت چیزی را آموزش داد. در آگهی‌های بررسی‌شده هم کار اصلی ساخت ایجنت، اتصال به داده و ارزیابی است؛ fine-tuning فقط در برخی آگهی‌ها، مثل Ramp و Reflexivity، آمده است.
AI Engineer همان Prompt Engineer است
پرامپت‌نویسی فقط بخش کوچکی از کار است. آگهی BSE دو تا پنج سال تجربهٔ مهندسی نرم‌افزار در سیستم‌های پروداکشن می‌خواهد و آگهی Kobie دست‌کم سه سال تجربهٔ حرفه‌ای Python. swyx هم در مقالهٔ ۲۰۲۳ خود نوشته برای به کار گرفتن این قابلیت‌ها باید از Prompt Engineer فراتر رفت و نرم‌افزار نوشت.
این شغل نقطهٔ ورود مستقیم برای کسی است که از صفر شروع می‌کند
طبق لینکدین، میانهٔ سابقهٔ کاری قبلی کسانی که این عنوان را دارند ۳٫۷ سال است و بیشترشان از Software Engineer، Data Scientist و Full Stack Engineer آمده‌اند. آگهی‌ها هم معمولاً تجربه می‌خواهند (Direct Supply حداقل ۲ سال، BSE ۲ تا ۵ سال). مسیر واقع‌بینانه برای تازه‌کار از برنامه‌نویسی و ساخت پروژه‌های واقعی می‌گذرد.
اگر دمو کار کرد، کار تمام است
Hamel Husain، که از زمان ساخت CodeSearchNet (پیش‌زمینهٔ GitHub Copilot) روی مدل‌های زبانی کار کرده، می‌نویسد محصولات ناموفق تقریباً همیشه یک ریشهٔ مشترک دارند: نبود سیستم ارزیابی قوی. آگهی WorkOS هم دنبال کسی است که به حالت‌های خطا، observability و مالکیت فکر کند، نه فقط به اینکه دمو کار می‌کند.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
کارها مشخص‌ترند و بیشتر زیر نظر یک مهندس ارشد انجام می‌شوند. بخش زیادی از وقت صرف خواندن کد موجود، نوشتن ابزار و تست و یاد گرفتن سیستم‌های شرکت می‌شود.
- ◆نوشتن یک ابزار تازه برای ایجنت (مثلاً کوئری به پایگاه داده) همراه با اعتبارسنجی ورودی
- ◆افزودن چند نمونه به مجموعهٔ ارزیابی و اجرای آن پیش از ارسال تغییر
- ◆بررسی trace یک پاسخ اشتباه برای اینکه معلوم شود مشکل از بازیابی بوده یا از پرامپت
- ◆Code review و یاد گرفتن الگوهای تیم
میانی (۲–۵ سال)
مسئولیت یک workflow یا ایجنت را از طراحی تا پروداکشن دارید. با مدیر محصول و کاربران داخلی کار می‌کنید تا مسئلهٔ مبهم را به نمونهٔ اولیه تبدیل کنید و بعد آن را پایدار نگه دارید.
- ◆جلسه با یک تیم کسب‌وکار (مثلاً فروش) برای فهم مراحل کاری که باید خودکار شود
- ◆ساخت نمونهٔ اولیه و سنجیدن آن با مجموعهٔ ارزیابی پیش از انتشار
- ◆بررسی هزینه و تأخیر درخواست‌ها و انتخاب مدل مناسب‌تر برای هر مرحله
- ◆شرکت در رسیدگی به خطای یک سیستم AI در پروداکشن و نوشتن گزارش آن
ارشد (۵+ سال)
تمرکز روی تصمیم‌های معماری، استانداردهای ارزیابی و امنیت، و کمک به رشد دیگران است. کمتر کد می‌نویسید، اما تصمیم‌هایتان روی چند تیم اثر دارد.
- ◆بازبینی طراحی یک ایجنت تازه: کجا ایجنت لازم است و کجا یک اسکریپت ساده کافی است
- ◆تعریف guardrail ها و محدودهٔ دسترسی ابزارها برای کاهش ریسک prompt injection
- ◆ساخت الگوهای مشترک برای تیم (کتابخانهٔ ابزارها، قالب ارزیابی)
- ◆منتورینگ مهندسان جوان‌تر
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈طراحی و ساخت ایجنت‌ها و workflowهایی که کارهای چندمرحله‌ای داخل شرکت را خودکار می‌کنند
- ◈نوشتن ابزارهایی که ایجنت صدا می‌زند: اتصال به API ها، پایگاه داده و سیستم‌هایی مثل CRM
- ◈ساخت سیستم‌های RAG و جستجو روی اسناد و داده‌های شرکت
- ◈ساخت مجموعهٔ ارزیابی (golden dataset، LLM-as-judge، تست رگرسیون) و اجرای آن در CI
- ◈پیاده‌سازی guardrail: اعتبارسنجی ورودی و خروجی، محافظت از دادهٔ شخصی و جلوگیری از prompt injection
- ◈استقرار، پایش trace و هزینه، و رسیدگی به خطاهای سیستم‌های AI در پروداکشن
- ◈همکاری با مدیر محصول و کاربران برای تبدیل مسئلهٔ مبهم کسب‌وکار به نمونهٔ اولیه و مشخصات فنی
- ◈تشخیص اینکه کجا ایجنت لازم نیست و راه ساده‌تر کافی است
- ◈دنبال کردن مدل‌ها و ابزارهای تازه و آزمودن هدفمند آن‌ها پیش از به‌کارگیری
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس هوش مصنوعی موفق به آن‌ها نیاز دارد
مهارت‌های فنی
زبان اصلی کار؛ طبق ITJobsWatch در ۵۷٫۸٪ آگهی‌های دائم بریتانیا با این عنوان آمده است
پرامپت و context، فراخوانی ابزار (tool calling)، streaming و مدیریت خطا؛ آگهی BSE «تجربه با LLM APIs» را می‌خواهد
پیدا کردن بخش‌های مرتبط اسناد و دادن آن به مدل؛ لینکدین RAG را از رایج‌ترین مهارت‌های این نقش می‌داند
golden dataset، LLM-as-judge و تست رگرسیون برای سنجیدن کیفیت خروجی‌های غیرقطعی
گرفتن JSON معتبر از مدل و اعتبارسنجی آن با Pydantic یا JSON schema
orchestration با LangGraph یا فریم‌ورک مشابه، الگوهای multi-agent و human-in-the-loop
trace، لاگ و متریک با ابزارهایی مثل Langfuse، LangSmith، MLflow یا OpenTelemetry (فهرست آگهی Kobie)
AWS (مثلاً Bedrock) یا Azure؛ اجرای سرویس، مدیریت دسترسی و اتصال به سرویس‌های دیگر
بسته‌بندی و استقرار سرویس و اجرای خودکار تست‌ها و ارزیابی‌ها
نوشتن و خواندن SQL برای ابزارهایی که ایجنت با آن‌ها به داده دسترسی دارد
برای فهم رفتار و محدودیت مدل‌ها؛ لینکدین PyTorch را هم در کنار LangChain و RAG از رایج‌ترین مهارت‌ها می‌شمارد
مهارت‌های نرم
تبدیل مسئلهٔ مبهم کسب‌وکار یا مشتری به نمونهٔ اولیه و مشخصات فنی (از وظایف آگهی Direct Supply)
ابزار و مدل‌ها مدام عوض می‌شوند؛ آگهی Aegis AI می‌گوید سازگاری و سرعت یادگیری را بیش از هر چیز در اولویت می‌گذارد
دانستن اینکه کی چیزی آمادهٔ انتشار است؛ آگهی Kobie همین را در کنار نوشتار روشن می‌خواهد
Kobie کسی را می‌خواهد که بداند ایجنت کجا باید عمل کند و کجا نه، و وقتی «یک ایجنت اضافه کنیم» راه درست نیست مخالفت کند
نوشتن توضیح طراحی، محدودیت‌ها و نتیجهٔ ارزیابی برای همکاران فنی و غیرفنی
دانش حوزه‌ای
OWASP در فهرست Top 10 برنامه‌های LLM، prompt injection را ریسک شمارهٔ یک (LLM01:2025) گذاشته است
محافظت از دادهٔ شخصی (PII) و کار با داده‌های تحت مقررات، که در آگهی‌های Kobie و Direct Supply آمده است
سنجیدن هزینه، تأخیر و کیفیت در کنار هم هنگام انتخاب مدل و طراحی سیستم
آگهی‌ها تجربهٔ حوزه را امتیاز می‌دانند: Loyalty و MarTech در Kobie، داده‌های سلامت در Direct Supply، امنیت و مقابله با تقلب در Aegis AI، فین‌تک در Reflexivity
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس هوش مصنوعی
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایه‌های برنامه‌نویسی: Python، Git و کار با API
Python را تا جایی یاد بگیرید که بتوانید اسکریپت بنویسید، با فایل و JSON کار کنید و یک API را صدا بزنید. Git را هم از همین ابتدا یاد بگیرید؛ آگهی Kobie تسلط به Git و Docker را صریحاً می‌خواهد. راهنمای رسمی Python و کتاب Pro Git به فارسی هم در دسترس‌اند.
مبانی یادگیری ماشین و یادگیری عمیق
لازم نیست مدل را از صفر آموزش دهید، اما باید بدانید مدل چطور ساخته و سنجیده می‌شود: داده، آموزش، ارزیابی، overfitting، embedding و ایدهٔ اصلی Transformer. این درک کمک می‌کند خطاهای مدل را بفهمید و مدل مناسب را انتخاب کنید.
کار با LLMها: API، پرامپت، خروجی ساختاریافته و مدل محلی
با API یک مدل زبانی و با یک مدل متن‌باز روی کامپیوتر خودتان کار کنید: نوشتن پرامپت، گرفتن خروجی JSON معتبر و صدا زدن ابزار (tool calling).
RAG، ارزیابی (Evals) و استقرار
سیستمی بسازید که روی اسناد خودتان پاسخ بدهد (RAG) و مهم‌تر از آن، کیفیتش را با یک مجموعهٔ تست اندازه بگیرید. بعد آن را با FastAPI و Docker مستقر کنید و از درخواست‌ها trace بگیرید. آگهی‌های واقعی همین چرخه را می‌خواهند: ساخت، ارزیابی، استقرار و پایش.
ایجنت‌ها، امنیت و کار در پروداکشن
ایجنت‌هایی بسازید که با ابزار کار می‌کنند و چند مرحله را جلو می‌برند، اما ساده شروع کنید: Anthropic پس از کار با ده‌ها تیم نوشته که موفق‌ترین پیاده‌سازی‌ها از الگوهای ساده و ترکیب‌پذیر استفاده کرده‌اند، نه از فریم‌ورک‌های پیچیده. امنیت، به‌خصوص prompt injection، و پایش رفتار ایجنت را از روز اول جدی بگیرید.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
زبان و بک‌اند
زبان اصلی این حوزه؛ طبق ITJobsWatch در ۵۷٫۸٪ آگهی‌های استخدام دائم بریتانیا با عنوان AI Engineer آمده است
زبان دوم رایج برای محصولات وب؛ آگهی BSE «Python یا TypeScript» و آگهی Direct Supply هر دو را نام برده‌اند
فریم‌ورک‌های LLM و ایجنت
کتابخانهٔ پرکاربرد برای اتصال مدل، ابزار و داده؛ لینکدین آن را از رایج‌ترین مهارت‌های این نقش می‌داند
بازیابی، ارزیابی و پایش
trace و ارزیابی برنامه‌های LLM؛ آگهی Kobie آن را در کنار Langfuse، MLflow و OpenTelemetry آورده است
ابر، استقرار و ابزار توسعه
پلتفرم AI در Azure؛ طبق ITJobsWatch، Azure در ۴۶٪ آگهی‌های بریتانیا با این عنوان آمده است
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
مهندس AI جونیور / Associate
۰ تا ۲ سال
انجام بخش‌های مشخص زیر نظر مهندس ارشد: نوشتن ابزار برای ایجنت، اتصال به API ها، نوشتن تست و نمونه‌های ارزیابی، رفع خطا
مهندس AI
۲ تا ۵ سال
~$175K
میانگین سالانه (آمریکا)
مسئولیت یک workflow یا ایجنت از طراحی تا پروداکشن، اتصال آن به سیستم‌های شرکت و پایش کیفیتش؛ آگهی BSE دقیقاً همین سطح را می‌خواهد
مهندس ارشد AI
۵+ سال
تصمیم‌های معماری، تعریف استاندارد ارزیابی و امنیت، انتخاب ابزار و الگو برای تیم، منتورینگ
Staff / Principal AI Engineer
پس از سطح ارشد
تعیین جهت فنی AI در سازمان، ساخت پلتفرم و الگوهای مشترک برای چند تیم، همکاری با مدیران ارشد
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
ارزیابی خروجی‌های غیرقطعی
عمومیخروجی مدل برای یک ورودی می‌تواند هر بار فرق کند و درست یا غلط بودنش همیشه روشن نیست. Hamel Husain ریشهٔ شکست بیشتر محصولات LLM را نبود سیستم ارزیابی قوی می‌داند؛ ساختن چنین سیستمی وقت و دادهٔ برچسب‌خورده می‌خواهد.
امنیت ایجنت‌ها و prompt injection
عمومیوقتی ایجنت به داده و ابزار دسترسی دارد، متنی که از بیرون می‌خواند می‌تواند رفتارش را عوض کند. OWASP این ریسک را در صدر فهرست خود گذاشته و Simon Willison اصطلاح «lethal trifecta» را برای ایجنتی ساخته که هم به دادهٔ خصوصی دسترسی دارد، هم محتوای نامطمئن می‌خواند و هم می‌تواند با بیرون ارتباط بگیرد.
سرعت تغییر مدل‌ها و ابزارها
استارتاپآگهی Aegis AI می‌نویسد مدل‌ها هر روز عوض می‌شوند و چیزی که دیروز کار می‌کرد ممکن است فردا کهنه باشد. WorkOS هم از نامزد می‌خواهد با تغییر سریع ابزارها و الگوها راحت باشد. انتخاب ابزار باید طوری باشد که عوض کردنش بعداً ممکن باشد.
توازن هزینه، تأخیر و کیفیت
شرکت بزرگمدل قوی‌تر معمولاً کندتر و گران‌تر است. آگهی Direct Supply تجربهٔ اجرای سیستم AI در پروداکشن «با توجه به ارزیابی، هزینه و کارایی» را امتیاز می‌داند؛ یعنی این توازن بخشی از کار روزمره است.
داده‌های حساس و مقررات
شرکت بزرگدر حوزه‌هایی مثل سلامت و خدمات مالی، داده‌ها حساس و تحت مقررات‌اند. آگهی Direct Supply تجربه با این نوع داده را امتیاز می‌داند و آگهی Kobie محافظت از دادهٔ شخصی (PII) را جزو وظایف آورده است.
مسئولیت پروداکشن
عمومیکار با تحویل کد تمام نمی‌شود. در آگهی BSE، مهندس در استقرار، پایش و رسیدگی به خطای سیستم‌های AI شریک است و Kobie می‌نویسد هرچه می‌سازید مال شماست: «وقتی خراب شد، درستش کنید».
حقوق و بازار کار جهانی
حقوق جهانی مهندس هوش مصنوعی
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Robert Half 2027 Salary Guide, US national: low–high range; median = mid tier
- Robert Half 2027 Salary Guide, Canada national: low–high range; median = mid tier
- Robert Half 2026 UK Salary Guide: 25th–75th pct; median = 50th pct
- Robert Half 2026 Salary Guide, Australia national: 25th–75th pct; median = 50th pct
- Robert Half 2026 Salary Guide, Switzerland national: 25th–75th pct; median = 50th pct
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: Python، Git و کار با API
اگر Python را خوب نمی‌دانید، همین‌جا محکمش کنید: کار با فایل، JSON، درخواست HTTP و Git.
ماه ۲: کار با مدل‌های زبانی
با یک مدل متن‌باز روی Ollama و در صورت امکان با یک API کار کنید: پرامپت، خروجی JSON و tool calling.
ماه ۳: پروژهٔ RAG
سیستمی بسازید که روی اسناد خودتان پاسخ بدهد و منبع هر پاسخ را نشان دهد.
ماه ۴: ارزیابی
برای پروژهٔ RAG یک مجموعهٔ ارزیابی بسازید و هر تغییر را با آن بسنجید.
ماه ۵: ایجنت و امنیت
یک ایجنت ساده با یکی دو ابزار بسازید و آن را در برابر prompt injection بیازمایید.
ماه ۶: استقرار و پورتفولیو
یکی از پروژه‌ها را با FastAPI و Docker مستقر کنید، README روشن بنویسید و برای نقش‌های جونیور یا Associate اقدام کنید.
پروژه‌های پیشنهادی برای رزومه
پرسش و پاسخ روی اسناد با مدل محلی (RAG)
مبتدیچند سند (مثلاً آیین‌نامه یا مستندات یک نرم‌افزار) را ایندکس کنید و با یک مدل متن‌باز روی Ollama به سؤال‌ها پاسخ دهید. برای هر پاسخ، منبعش را هم نشان دهید.
استخراج ساختاریافته از فاکتور یا رزومه
متوسطمتن یا PDF را بگیرید و خروجی JSON با ساختار مشخص تحویل دهید؛ خروجی را با Pydantic اعتبارسنجی کنید و با چند ده نمونهٔ برچسب‌خورده دقت را بسنجید.
ایجنت پاسخ‌گو روی پایگاه داده
متوسطایجنتی بسازید که سؤال کاربر را به کوئری SQL تبدیل کند، با ابزار اجرا کند و نتیجه را توضیح دهد. دسترسی ابزار را فقط‌خواندنی کنید و از هر اجرا trace بگیرید.
هارنس ارزیابی متصل به CI
پیشرفتهبرای یکی از پروژه‌های قبلی یک مجموعهٔ golden dataset و ارزیاب LLM-as-judge بسازید و آن را در GitHub Actions اجرا کنید تا هر تغییر پرامپت یا مدل پیش از ادغام سنجیده شود.
سرویس کامل در پروداکشن با guardrail
پیشرفتهیکی از پروژه‌ها را با Docker روی یک سرور مستقر کنید، لاگ و trace و هزینه را پایش کنید و در برابر prompt injection و نشت دادهٔ شخصی محافظ بگذارید. در README تصمیم‌ها و محدودیت‌ها را توضیح دهید.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
در یک روستای برنج‌کاری در ویتنام بزرگ شد و از Stanford فارغ‌التحصیل شد؛ همان‌جا درس ML Systems را تدریس کرد. روی ابزارهای یادگیری ماشین در NVIDIA (از توسعه‌دهندگان اصلی NeMo)، Snorkel AI و Netflix کار کرده و یک شرکت زیرساخت AI را تأسیس کرده و فروخته است.
درس‌هایش در Stanford پایهٔ کتاب Designing Machine Learning Systems شد که به بیش از ۱۰ زبان ترجمه شده است. به گفتهٔ خودش، کتاب بعدی‌اش AI Engineering (۲۰۲۵) پرخواننده‌ترین کتاب پلتفرم O’Reilly در سال ۲۰۲۵ بود.
هر دو کتاب او از کار عملی و تدریس بیرون آمده‌اند. به نظر می‌رسد نوشتن و توضیح دادن آنچه در کار واقعی یاد می‌گیرید، هم فهم خودتان را عمیق‌تر می‌کند و هم شما را به دیگران معرفی می‌کند.
در سنگاپور بزرگ شد. پیش از نرم‌افزار، معامله‌گر اختیار معاملهٔ ارز و بعد تحلیلگر یک صندوق پوشش ریسک در حوزهٔ فناوری، رسانه و مخابرات بود. سپس وارد برنامه‌نویسی شد و در Netlify، Amazon Web Services، Temporal و Airbyte روی تجربهٔ توسعه‌دهندگان کار کرد.
به نوشتن مقالهٔ «The Rise of the AI Engineer» (ژوئن ۲۰۲۳) شناخته می‌شود و امروز روی Latent Space، رویدادهای AI Engineer (کنفرانس و کارگاه برای سازندگان AI) و Cognition کار می‌کند. کتاب The Coding Career Handbook را هم نوشته است.
مسیر او از بازار ارز به برنامه‌نویسی و بعد به AI نشان می‌دهد برای ورود به این حوزه لازم نیست از اول مهندس بوده باشید. عادتی که خودش «Learn in Public» می‌نامد، یعنی نوشتن دربارهٔ چیزی که یاد می‌گیرید، راهی است که تازه‌واردها هم می‌توانند امتحان کنند.
برنامه‌نویس بریتانیایی که در ۲۰۰۳ تا ۲۰۰۴ همراه چند توسعه‌دهندهٔ دیگر فریم‌ورک Django را ساخت. در Yahoo و روزنامهٔ The Guardian کار کرد و Lanyrd را که در ۲۰۱۰ همراه همسرش راه انداخته بود، در ۲۰۱۳ به Eventbrite واگذار کرد.
از ۲۰۲۲ عضو هیئت‌مدیرهٔ Python Software Foundation است. در ژوئن ۲۰۲۵ اصطلاح «lethal trifecta» را برای ایجنت‌هایی ساخت که سه قابلیت پرخطر را با هم دارند: دسترسی به دادهٔ خصوصی، مواجهه با محتوای نامطمئن و امکان ارتباط با بیرون.
از مسیر او پیداست که مهارت‌های کلاسیک مهندسی نرم‌افزار، به‌خصوص فکر کردن به امنیت، در کار با ایجنت‌ها هم همان‌قدر به کار می‌آیند.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
AI Engineer
تحلیل نیازمندی‌ها
2–5 years of software engineering experience building production systems.
این نقش برای کسی است که قبلاً نرم‌افزار واقعی ساخته و نگه داشته است؛ پروژهٔ کلاسی کافی نیست. اگر از صفر شروع می‌کنید، اول باید سابقهٔ ساخت سیستمی را داشته باشید که واقعاً مستقر شده و استفاده شده است.
ضروریStrong programming experience with Python or TypeScript.
دو زبان اصلی این حوزه. Python برای کار با مدل و داده رایج‌تر است و TypeScript برای محصولات وب؛ تسلط کامل به یکی از آن‌ها کافی است.
ضروریExperience working with LLM APIs or AI frameworks.
کار عملی با API یک مدل زبانی: نوشتن پرامپت، گرفتن خروجی ساختاریافته، مدیریت خطا و هزینه. یک پروژهٔ کامل در پورتفولیو بهترین نشانهٔ این مهارت است.
ضروریFamiliarity with AWS cloud services and API-driven applications.
باید بدانید یک سرویس روی ابر چطور اجرا، به سرویس‌های دیگر وصل و ایمن می‌شود. «API-driven» یعنی بیشتر کار شما صدا زدن و ساختن API است.
مهمExposure to agent frameworks such as LangGraph or similar orchestration tools.
«Exposure» یعنی آشنایی کافی است، نه تسلط. باید بدانید ایجنت چطور ابزار صدا می‌زند، وضعیت را نگه می‌دارد و چند مرحله را جلو می‌برد.
مهمExperience using AI-assisted development tools such as Codex, Cursor, or Claude Code.
کارفرما انتظار دارد خودتان با ابزارهای کدنویسی مبتنی بر AI کار کنید؛ هم برای سرعت و هم چون بخشی از این نقش ساختن همین نوع ابزارها برای تیم مهندسی است.
مهمFamiliarity with Amazon Bedrock or other LLM platforms.
Bedrock سرویس AWS برای دسترسی به مدل‌هاست. عبارت «or other» نشان می‌دهد تجربه با هر پلتفرم مشابهی پذیرفته می‌شود.
مفیدتحلیل مسئولیت‌ها
Design and build agent-based workflows that automate internal processes across departments such as ticketing, partnerships, HR, digital products, and venue operations.
مشتری اصلی شما تیم‌های داخلی شرکت‌اند. باید روند کار هر بخش را بفهمید و تشخیص دهید کدام مرحله‌ها را می‌شود با اطمینان خودکار کرد.
Develop agent orchestration patterns using LangGraph and Amazon Bedrock.
یعنی طراحی اینکه ایجنت‌ها چطور مرحله‌به‌مرحله کار کنند، کجا تصمیم بگیرند و کجا منتظر انسان بمانند؛ الگوهایی که بعداً در ایجنت‌های دیگر هم به کار می‌روند.
Build integrations with systems such as Salesforce, internal APIs, analytics dashboards, and operational data platforms.
ایجنت بدون دسترسی به داده‌های شرکت کار مفیدی نمی‌کند. بخش بزرگی از کار، اتصال امن و قابل‌اعتماد به CRM، API های داخلی و منابع داده است.
Implement reliable tool-calling patterns that allow agents to safely execute operational tasks.
وقتی ایجنت کاری واقعی انجام می‌دهد، مثلاً ثبت داده یا ارسال پیام، خطا هزینه دارد. باید دسترسی ابزارها را محدود کنید، ورودی‌ها را اعتبارسنجی کنید و برای شکست برنامه داشته باشید.
Build CodeAI agents that support engineering workflows including code generation, test creation, documentation, debugging, and pull request analysis.
علاوه بر ایجنت‌های کسب‌وکار، ابزارهایی برای خود تیم مهندسی می‌سازید؛ به همین دلیل تجربه با Codex، Cursor یا Claude Code در شرایط آگهی آمده است.
Participate in deployment, monitoring, and incident response for AI systems.
مسئولیت با تحویل کد تمام نمی‌شود. اگر سیستم در پروداکشن خطا بدهد، شما هم در پیدا کردن و رفع آن نقش دارید.
Improve agent reliability through evaluation pipelines, observability metrics, and tool-call success monitoring.
کیفیت ایجنت باید اندازه‌گیری شود: مجموعهٔ ارزیابی، متریک‌ها و درصد موفقیت فراخوانی ابزارها. این همان مهارتی است که تازه‌واردها بیشتر از همه نادیده می‌گیرند.
نتیجه‌گیری کلی
این آگهی تصویر روشنی از مهندس هوش مصنوعی در ۲۰۲۶ می‌دهد: یک مهندس نرم‌افزار با ۲ تا ۵ سال تجربه که ایجنت می‌سازد، آن را به سیستم‌های واقعی شرکت وصل می‌کند و مسئول کیفیت و پایداری‌اش در پروداکشن است. در هیچ جای آگهی آموزش مدل از صفر یا مدرک پژوهشی خواسته نشده است. بازهٔ حقوق اعلام‌شده در آگهی ۱۲۵ تا ۱۵۰ هزار دلار در سال است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
در فهرست Jobs on the Rise ۲۰۲۶ لینکدین، AI Engineer رتبهٔ اول سریع‌ترین رشد را در آمریکا داشت. این رتبه‌بندی بر پایهٔ شغل‌هایی است که اعضای لینکدین از ۱ ژانویهٔ ۲۰۲۳ تا ۳۱ ژوئیهٔ ۲۰۲۵ شروع کرده‌اند.
منبع: LinkedIn Jobs on the Rise 2026 (US)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
swyx در مقالهٔ «The Rise of the AI Engineer» (ژوئن ۲۰۲۳) نوشت در Indeed آگهی‌های ML Engineer ده برابر AI Engineer است و پیش‌بینی کرد این نسبت ظرف پنج سال برعکس شود.
در گزارش Future of Jobs 2025 مجمع جهانی اقتصاد (WEF)، کارفرمایانِ شرکت‌کننده در نظرسنجی «متخصصان AI و یادگیری ماشین» را در میان سریع‌ترین شغل‌های در حال رشد تا ۲۰۳۰ (از نظر درصد) قرار داده‌اند؛ رتبهٔ سوم در فهرست این گزارش.
BLS آمریکا پیش‌بینی می‌کند اشتغال در گروه رسمی «پژوهشگران کامپیوتر و اطلاعات» (Computer and Information Research Scientists) از ۲۰۲۵ تا ۲۰۳۵، ۲۲٪ رشد کند و یکی از دلایل را نیاز به فناوری‌های مرتبط با هوش مصنوعی می‌داند. BLS گروه جداگانه‌ای برای AI Engineer ندارد؛ جستجوی O*NET این عنوان را اول به همین گروه می‌برد.
دو مورد از آگهی‌های بررسی‌شده (BSE و Reflexivity) تجربه با ابزارهای کدنویسی مبتنی بر AI مثل Cursor یا Claude Code را می‌خواهند؛ یعنی بخشی از کدنویسی روزمره به این ابزارها سپرده می‌شود و ارزش مهندس بیشتر در طراحی سیستم، ارزیابی و قضاوت است. آگهی Kobie صریحاً قضاوت برای تشخیص آمادهٔ انتشار بودن یک کار و آمادگی برای مخالفت با «یک ایجنت اضافه کنیم» را می‌خواهد. ریسک دیگر سرعت تغییر است: آگهی Aegis AI می‌نویسد مدل‌ها هر روز عوض می‌شوند، پس آنچه امروز یاد می‌گیرید باید مدام به‌روز شود.
منابع
اطلاعات این صفحه در تاریخ ۱۳ مهر ۱۴۰۵ از این ۲۵ منبع بررسی شده است.
- AI Engineer — Brooklyn Sports & Entertainment (job posting)
- AI Engineer — Kobie (job posting)
- AI Engineer — Direct Supply (job posting)
- Applied AI Engineer — WorkOS (job posting)
- Applied AI Engineer — Ramp (job posting)
- Machine Learning and AI Engineer — Reflexivity (job posting)
- AI Engineer - NYC — Aegis AI (job posting)
- Forward Deployed AI Engineer — Palantir (job posting)
- Robert Half — AI Engineer salary, United States (2027 guide)
- Robert Half — AI Engineer salary, Canada (2027 guide)
- Robert Half — AI Engineer salary, Australia (2026 guide)
- Robert Half — AI Engineer salary, Switzerland (2026 guide)
- Robert Half — 2026 Salary Guide, United Kingdom (PDF)
- LinkedIn Jobs on the Rise 2026: The 25 fastest-growing roles in the U.S.
- ITJobsWatch — Artificial Intelligence Engineer (UK)
- BLS Occupational Outlook Handbook — Computer and Information Research Scientists
- O*NET OnLine — keyword search: AI engineer
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- swyx — The Rise of the AI Engineer (Latent Space, 2023)
- Chip Huyen — personal site
- swyx — About
- Simon Willison — Wikipedia
- Anthropic — Building Effective AI Agents
- Hamel Husain — Your AI Product Needs Evals
- OWASP Top 10 for LLM Applications