مهندس حافظهٔ ایجنت
Agent Memory Engineer
مهندس حافظهٔ ایجنت سیستمی می‌سازد که به دستیارها و ایجنت‌های هوش مصنوعی امکان می‌دهد چیزهایی را از یک گفتگو تا گفتگوی بعد به خاطر بسپارند: تصمیم می‌گیرد چه چیزی ذخیره شود، کی به‌روز یا فراموش شود و کی و چطور به context مدل برگردد. «AI Memory Engineer» عنوان شغلی نیست: در بررسی ما در اکتبر ۲۰۲۶ هیچ آگهی‌ای با این عنوان پیدا نشد. کارفرماها کلمهٔ Memory را به یک عنوان عمومی اضافه می‌کنند، مثل Software Engineer, Memory & Search در Anthropic، Research Engineer, Memory در Letta و OpenAI و Research Scientist/Engineer - Agent Memory در LG AI Research. بیشتر این موقعیت‌ها ارشد یا پژوهشی‌اند.
مقدمه و تعریف شغل
مهندس حافظهٔ ایجنت لایه‌ای را می‌سازد که مدل زبانی به‌تنهایی ندارد: حافظه‌ای بیرون از پنجرهٔ context که میان گفتگوها و جلسه‌های کاری باقی می‌ماند. مستندات LangChain دو سطح را جدا می‌کند: حافظهٔ کوتاه‌مدت که تاریخچهٔ یک گفتگو را نگه می‌دارد، و حافظهٔ بلندمدت که داده‌های مربوط به کاربر یا برنامه را میان جلسه‌ها ذخیره می‌کند. آگهی LG AI Research کار را سه بخش می‌کند: استخراج و ساختاردهی آنچه باید به خاطر سپرده شود از گفتگو، اسناد و سابقهٔ کار؛ به‌روزرسانی، ادغام، حذف و تازه نگه‌داشتن حافظه‌های موجود؛ و پیدا کردن حافظهٔ مناسب و رساندنش به context ایجنت. همین آگهی از نامزد می‌خواهد حافظه را نه ذخیرهٔ سادهٔ گفتگو یا یک قابلیت RAG، بلکه مسئلهٔ مستقل محصول ببیند. در آزمایشگاه‌های بزرگ این کار به کیفیت محصول و حریم خصوصی هم گره خورده است: تیم Memory & Search در Anthropic مسئول این است که Claude چه چیزی را از کاربر به خاطر بسپارد، کاربر چطور آن را ببیند و ویرایش کند و جستجو چطور گفتگوی درست را پیدا کند.
ایده قدیمی‌تر از عنوان است. در آوریل ۲۰۲۳ مقالهٔ Generative Agents از Stanford معماری‌ای را معرفی کرد که تجربه‌های هر ایجنت را به زبان طبیعی ثبت می‌کند، آن‌ها را به مرور به «بازتاب»های سطح بالاتر تبدیل می‌کند و برای برنامه‌ریزی، حافظهٔ مرتبط را بازیابی می‌کند. در اکتبر ۲۰۲۳ مقالهٔ MemGPT از Berkeley پیشنهاد کرد context مدل مثل حافظهٔ سلسله‌مراتبی سیستم‌عامل مدیریت شود و داده میان لایهٔ سریع (درون context) و لایهٔ کند (بیرون از آن) جابه‌جا شود. از ۲۰۲۴ شرکت‌هایی مثل Letta (سازندگان MemGPT) و Mem0 حافظه را به‌صورت محصول جداگانه برای توسعه‌دهندگان عرضه کردند. Anthropic حافظهٔ Claude را در سپتامبر ۲۰۲۵ برای پلن‌های Team و Enterprise و در اکتبر ۲۰۲۵ برای Pro و Max فعال کرد و در آگهی اکتبر ۲۰۲۶ می‌نویسد حافظه را از یک خلاصهٔ دوره‌ای به سیستمی پویا، قابل ویرایش و درخواستی تبدیل کرده و میان محصولاتش یکپارچه کرده است. بازار کار هنوز کوچک است: در بررسی ما در اکتبر ۲۰۲۶، آگهی‌های باز با Memory در عنوان از شش کارفرما بود (Anthropic، OpenAI، Letta، LG AI Research، OKX و یک شرکت بی‌نام از طریق Jobgether) و بیشترشان سطح Staff، Principal یا پژوهشی داشتند. در بیشتر آگهی‌های عمومی ایجنت، حافظه فقط یک بند از فهرست وظایف است.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مهندس حافظهٔ ایجنت
حافظهٔ یک دستیار هوش مصنوعی
تیم Memory & Search در Anthropic تجربهٔ حافظه و جستجو را در Claude.ai، Cowork و Claude Code می‌سازد: Claude چه چیزی را به خاطر می‌سپارد، کاربر چطور آن را می‌بیند و ویرایش می‌کند، و جستجو چطور گفتگوی درست را پیدا می‌کند.
لایهٔ حافظه برای توسعه‌دهندگان
Mem0 و Hyperspell حافظه را به‌صورت API و SDK به برنامه‌های دیگر می‌فروشند. Hyperspell در آگهی Product Engineer از ساخت سیستم‌هایی برای حافظهٔ رویدادی، حافظهٔ رویه‌ای، تولید context و خلاصه‌های آمادهٔ ایجنت نام می‌برد.
زیرساخت حافظهٔ قابل ممیزی
OKX زیرساخت حافظهٔ بلندمدت برای ایجنت‌ها می‌خواهد که قابل ممیزی، نسخه‌دار و قابل بازگشت به عقب باشد، و هر عملیات حافظه قابل ردیابی باشد.
مدیریت و فشرده‌سازی context
آگهی Principal ML Engineer (Memory & Context) طراحی راهبردهایی برای جمع کردن، اولویت‌بندی و فشرده‌سازی اطلاعات از تاریخچهٔ گفتگو، حافظه‌ها و ابزارها را می‌خواهد. Anthropic هم سه روش برای کارهای طولانی معرفی می‌کند: compaction، یادداشت‌برداری ساختاریافته بیرون از context و sub-agent ها.
حافظهٔ گرافی و زمانی
Graphiti، موتور متن‌باز Zep، حافظه را به شکل گرافی نگه می‌دارد که در آن واقعیت قدیمی پاک نمی‌شود بلکه نامعتبر علامت می‌خورد، تا بشود پرسید چه چیزی الان درست است و چه چیزی قبلاً. OKX هم از pipeline های GraphRAG و knowledge graph در همین نقش نام می‌برد.
بنچمارک و ارزیابی حافظه
OpenAI از پژوهشگر تیم Personalization-Memory ساخت ارزیابی‌های محکم برای پیگیری پیشرفت مدل را می‌خواهد و Letta اجرای ارزیابی برای سنجش و بهبود حافظهٔ ایجنت‌ها را. بنچمارک‌هایی مثل LongMemEval و LoCoMo برای همین ساخته شده‌اند.
تخصص‌های مختلف مهندس حافظهٔ ایجنت
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
مهندسی محصولِ حافظه
Memory Product Engineering
ساخت تجربهٔ حافظه برای کاربر نهایی یا توسعه‌دهنده. Anthropic برای تیم حافظه صریحاً product engineer می‌خواهد که آزمایش کوتاه بسازد، جلوی کاربر واقعی بگذارد و بر اساس استفاده تصمیم بگیرد. Hyperspell هم مهندس محصولی می‌خواهد که API، SDK و اجزای پایهٔ حافظه بسازد.
زیرساخت حافظه
Memory Infrastructure
ذخیره‌سازی، بازیابی و جابه‌جایی حافظه در مقیاس. Caseware از ساخت زیرساخت حافظه با سازوکار ارتقا و تنزل حافظه‌ها نام می‌برد و OKX از middleware حافظهٔ نسخه‌دار، قابل ممیزی و قابل بازگشت.
مهندسی context
Context Engineering
تصمیم دربارهٔ اینکه در هر مرحله چه چیزی وارد پنجرهٔ context شود. Anthropic آن را مجموعهٔ راهبردهای انتخاب و نگهداری بهترین مجموعهٔ توکن‌ها هنگام اجرای مدل تعریف می‌کند و Letta بهبود مدیریت context را برای حل مشکل context طولانی و از مسیر خارج شدن آن می‌خواهد.
حافظهٔ گرافی و زمانی
Graph & Temporal Memory
نگهداری روابط و تغییر واقعیت‌ها در طول زمان با knowledge graph. OKX از GraphRAG و context graph نام می‌برد و Graphiti واقعیت‌ها را با بازهٔ اعتبار زمانی نگه می‌دارد.
پژوهش و ارزیابی حافظه
Memory Research & Evaluation
بهبود حافظه در خود مدل‌ها یا طراحی معماری‌های تازه. OpenAI برای این کار سابقهٔ reinforcement learning و post-training می‌خواهد، Letta سابقهٔ انتشار پژوهش یا کار متن‌باز، و هر دو ساخت ارزیابی را جزو کار می‌دانند.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
مهندس RAG بیشتر مسیر خواندن را می‌سازد: اسنادی که معمولاً کس دیگری نوشته نمایه می‌شوند و برای هر پرسش بهترین تکه‌ها پیدا می‌شوند. مهندس حافظه همین بازیابی را لازم دارد، اما مسیر نوشتن هم با اوست: از گفتگو و رفتار کاربر چه چیزی ذخیره شود، حافظهٔ قدیمی کی به‌روز، ادغام یا فراموش شود و هر حافظه مال کدام کاربر است. آگهی LG AI Research صریحاً می‌خواهد حافظه «نه یک قابلیت RAG» بلکه مسئلهٔ مستقل دیده شود و نامزد فرق حافظه، پایگاه دانش و تاریخچهٔ گفتگو را بداند. هم‌پوشانی هم واقعی است: صفحهٔ مهندس RAG تیم Memory & Search در Anthropic را نمونه‌ای از کار خودش می‌آورد و آگهی همین تیم بهبود relevance و recall در جستجوی گفتگوها و حافظه‌ها را جزو وظایف می‌داند.
مهندس سیستم‌های ایجنتیک کل ایجنت را برای یک کاربرد می‌سازد و مدیریت context، حافظه و state یکی از وظایف اوست؛ صفحهٔ همین نقش آن را کنار طراحی ابزار، orchestration و بازیابی از خطا می‌آورد. مهندس حافظه در همین یک لایه عمیق می‌شود: انواع حافظه (معنایی، رویدادی، رویه‌ای)، سیاست به‌روزرسانی و فراموشی، و ارزیابی کیفیت حافظه. در بیشتر آگهی‌های عمومی ایجنت حافظه یک بند از فهرست است؛ مثلاً در آگهی Caseware ساخت زیرساخت حافظه کنار LLMOps، ارزیابی و guardrail آمده است. برای بیشتر افراد، این تخصص از دل کار ایجنت بیرون می‌آید.
مهندس پلتفرم ایجنت runtime مشترک را می‌سازد: چرخهٔ عمر session، streaming، اجرای ابزار، state و policy. در آگهی Glean که آن صفحه بر آن تکیه دارد، حافظه یکی از سرویس‌های همین لایه است. مهندس حافظه کمتر با اجرای ایجنت و بیشتر با محتوای حافظه سروکار دارد: چه چیزی ذخیره می‌شود، چطور بازیابی می‌شود و آیا واقعاً به کاربر کمک می‌کند. LG AI Research این دو را جدا کرده است: یک سلول فنی هم Agent Harness می‌سازد و هم Agent Memory، و این موقعیت فقط مسئول محصول Agent Memory است. در OKX اما هر دو در یک عنوان آمده‌اند: Agent Infrastructure & Memory Architecture.
مهندس LLM با خودِ مدل کار می‌کند: fine-tuning، میزبانی، فشرده‌سازی و سرو کردن. بیشتر کار حافظه بیرون از مدل انجام می‌شود؛ ابزار حافظهٔ Claude سمت برنامهٔ توسعه‌دهنده اجرا می‌شود و Letta همهٔ وضعیت ایجنت را در پایگاه داده نگه می‌دارد. استثنا شاخهٔ پژوهشی است: تیم Personalization-Memory در OpenAI روی معماری حافظه، post-training و کارهای بلندمدت برای آموزش و ارزیابی کار می‌کند و سابقهٔ پژوهش در reinforcement learning می‌خواهد. این شاخه به مهندس LLM و پژوهشگر نزدیک‌تر است تا به مهندسی نرم‌افزار.
تأثیر در صنایع مختلف
مهندس حافظهٔ ایجنت در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
دستیارهای هوش مصنوعی
Anthropic حافظه را در Claude.ai، Cowork و Claude Code یکپارچه کرده و OpenAI در تیم Personalization-Memory قابلیت‌های حافظه و شخصی‌سازی را برای ChatGPT و محصولات ایجنتیک دیگرش می‌سازد
خدمات مشتری
Sierra برای ایجنت‌های خدمات مشتری برندهایی مثل GAP و SoFi سیستم حافظهٔ بلندمدت و شخصی‌سازی می‌سازد تا هر گفتگو به نتیجهٔ کسب‌وکار وصل شود
کریپتو و فین‌تک
OKX برای ایجنت‌هایش زیرساخت حافظهٔ بلندمدت، knowledge graph و مدیریت context می‌خواهد و تجربه در معاملات پرسرعت، فین‌تک یا Web3 را امتیاز بزرگی می‌داند
نرم‌افزار حسابرسی و حسابداری
Caseware، که به گفتهٔ آگهی‌اش بیش از ۵۰۰٬۰۰۰ کاربر در ۱۳۰ کشور دارد، برای سیستم‌های ایجنتی‌اش زیرساخت حافظه می‌سازد
گروه‌های صنعتی و کار سازمانی
LG AI Research یک لایهٔ حافظهٔ مشترک می‌سازد تا ایجنت‌ها زمینهٔ کاری افراد و سازمان را ذخیره کنند و از هم تحویل بگیرند
ابزار توسعه‌دهندگان
Letta به گفتهٔ آگهی‌اش در سیستم‌های پروداکشن شرکت‌هایی مثل 11x و Bilt Rewards به کار می‌رود و Hyperspell ایجنت‌ها را به داده‌های Slack، Gmail، Notion، Drive و Linear وصل می‌کند
سلامت روان و اپلیکیشن‌های همراه
طبق TechCrunch، Mem0 بعد از آن شکل گرفت که کاربران یک اپلیکیشن مدیتیشن گفتند برنامه پیشرفتشان را به یاد نمی‌آورد. Anthropic هم پیش از عرضهٔ حافظه به پلن‌های Pro و Max، آن را روی موضوع‌های حساس مرتبط با سلامت و بهزیستی کاربران آزمود
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
با بزرگ‌تر شدن پنجرهٔ context، دیگر به حافظه نیازی نیست
سازندگان LongMemEval گزارش کرده‌اند دستیارهای تجاری و مدل‌های با context طولانی در به خاطر سپردن اطلاعات در طول تعامل‌های طولانی ۳۰٪ افت دقت دارند. Anthropic هم می‌نویسد با زیاد شدن توکن‌ها، توانایی مدل در یادآوری دقیق اطلاعات context کم می‌شود. هزینه هم مطرح است: مقالهٔ Mem0، که نویسندگانش از خود این شرکت‌اند، می‌گوید روششان نسبت به گذاشتن کل گفتگو در context بیش از ۹۰٪ در هزینهٔ توکن صرفه‌جویی می‌کند.
حافظهٔ ایجنت یعنی یک پایگاه دادهٔ برداری
پایگاه برداری فقط یکی از گزینه‌های ذخیره است. ابزار حافظهٔ Claude فایل‌محور است، Graphiti از گراف زمانی استفاده می‌کند و LangChain حافظهٔ معنایی را یا یک پروفایل JSON می‌داند یا مجموعه‌ای از اسناد. ساختن خودِ موتور جستجوی برداری کار مهندس دیتابیس برداری است. کار مهندس حافظه این است که تصمیم بگیرد چه چیزی وارد شود، کی عوض شود و کی بیرون برود.
حافظه یعنی ذخیرهٔ کامل تاریخچهٔ گفتگو
آگهی LG AI Research از نامزد می‌خواهد فرق حافظه، پایگاه دانش، تاریخچهٔ گفتگو و state ایجنت را بداند و تجربه در طراحی سیاست حذف تکراری، رفع تعارض، به‌روزرسانی و فراموشی را امتیاز می‌داند. Mem0 هم کار خود را استخراج، ادغام و بازیابی اطلاعات مهم از گفتگو تعریف می‌کند، نه نگه‌داشتن همه‌چیز.
این یک شغل ورودی است که می‌شود مستقیم برایش درخواست داد
آگهی‌هایی که Memory در عنوانشان دارند بیشتر ارشد یا پژوهشی‌اند: Staff+ در Anthropic، Principal با دست‌کم ۵ سال تجربه از طریق Jobgether، Principal با دکترا یا ارشد و ۱۰ سال تجربه در OKX، ۴+ سال در LG AI Research، و نقش‌های پژوهشی در OpenAI و Letta. پایین‌ترین سطحی که پیدا کردیم Product Engineer در Hyperspell با ۳+ سال سابقه بود. مسیر واقع‌بینانه از مهندسی AI یا بک‌اند و کار روی قابلیت‌های حافظه در همان نقش می‌گذرد.
حریم خصوصی کار تیم حقوقی است، نه مهندس
Anthropic در آگهی تیم حافظه می‌نویسد این سطحی حساس به اعتماد است و حافظه با حریم خصوصی، رضایت و کنترل‌های سازمانی گره خورده؛ از مهندس می‌خواهد این محدودیت‌ها را بخشی از طراحی خوب محصول بداند، نه مانع. در عمل این یعنی قابلیت‌هایی مثل دیدن و ویرایش حافظه در تنظیمات، حافظهٔ جدا برای هر پروژه، گفتگوی incognito که در حافظه ذخیره نمی‌شود و امکان خاموش کردن حافظه برای مدیر سازمان، که همه در Claude وجود دارند.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
در بررسی ما آگهی جونیوری با Memory در عنوان نبود؛ در این سطح معمولاً مهندس AI یا بک‌اند هستید و بخشی از کار حافظه را در تیم می‌گیرید. کارها مشخص‌اند و زیر نظر یک مهندس ارشد انجام می‌شوند.
- ◆نوشتن و آزمودن prompt استخراج حافظه از گفتگو و مقایسهٔ خروجی با چند نمونهٔ برچسب‌خورده
- ◆افزودن نمونه به مجموعهٔ ارزیابی حافظه، مثلاً پرسش‌هایی دربارهٔ واقعیتی که کاربر بعداً عوض کرده
- ◆پیاده‌سازی API حذف و ویرایش حافظه و نوشتن تست برای اینکه دادهٔ یک کاربر به دیگری نرسد
- ◆بررسی trace یک پاسخ اشتباه برای اینکه معلوم شود حافظهٔ غلط بازیابی شده یا اصلاً ذخیره نشده بود
میانی (۲–۵ سال)
مالک یک بخش مشخص از سیستم حافظه هستید: یک نوع حافظه، یک اتصال داده یا بخشی از SDK. آگهی Hyperspell با ۳+ سال سابقه نمونهٔ این سطح است و هم کار با مشتری و هم ساخت محصول را می‌خواهد.
- ◆ساخت یک اتصال داده (مثلاً Slack یا Notion) و تبدیل دادهٔ نامرتب آن به حافظهٔ قابل استفاده برای ایجنت
- ◆تصمیم دربارهٔ اینکه نوشتن حافظه حین پاسخ انجام شود یا در پس‌زمینه، با سنجش اثرش بر تأخیر
- ◆اجرای یک آزمایش A/B روی شیوهٔ بازیابی حافظه و خواندن متریک‌های استفاده
- ◆گفتگو با توسعه‌دهنده‌ای که از SDK استفاده می‌کند و تبدیل مشکل تکراری او به قابلیت محصول
ارشد (۵+ سال)
مسئول معماری و کیفیت کل حافظه هستید: چه چیزی ذخیره، بازیابی، به‌روز و کنار گذاشته می‌شود، با چه متریکی سنجیده می‌شود و چطور با حریم خصوصی و الزامات سازمانی سازگار می‌ماند. آگهی‌های Staff+ در Anthropic و Principal از طریق Jobgether این سطح را توصیف می‌کنند.
- ◆بازبینی طراحی یک قابلیت تازهٔ حافظه همراه با تیم‌های حریم خصوصی و حقوقی
- ◆تعریف متریکی که نشان دهد حافظه محصول را واقعاً مفیدتر کرده، نه فقط بیشتر ذخیره کرده
- ◆تصمیم دربارهٔ ادامه یا کنار گذاشتن یک آزمایش بر اساس دادهٔ استفاده
- ◆کشیک (on-call) برای سیستم‌هایی که مالکشان هستید و منتورینگ مهندسان جوان‌تر
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈طراحی معماری حافظه: اینکه ایجنت چه چیزی را ذخیره، بازیابی، به‌روز و کنار بگذارد و حافظه میان گفتگوها مفید و قابل‌اعتماد بماند
- ◈ساخت pipeline استخراج و ساختاردهی حافظه از گفتگو، اسناد و سابقهٔ کار، همراه با ادغام، حذف تکراری‌ها و رفع تعارض
- ◈مدیریت context: انتخاب، اولویت‌بندی و فشرده‌سازی تاریخچه، حافظه‌ها و خروجی ابزارها پیش از رسیدن به مدل
- ◈بهبود بازیابی حافظه و جستجو در گفتگوهای گذشته با embedding، جستجوی hybrid، ranking و در صورت نیاز knowledge graph
- ◈تعریف متریک و ساخت ارزیابی‌های آفلاین و آنلاین برای کیفیت حافظه و اثر آن بر مفید بودن محصول
- ◈ساخت زیرساخت حافظهٔ قابل ممیزی: نسخه‌بندی، لاگ عملیات، امکان بازگشت و محافظت در برابر مسموم‌سازی حافظه
- ◈طراحی کنترل‌های کاربر و سازمان: دیدن، ویرایش و حذف حافظه، حافظهٔ جدا برای هر پروژه و رعایت سیاست‌های نگهداری داده
- ◈همکاری با تیم‌های محصول، طراحی، حریم خصوصی و حقوقی تا حافظه با رضایت کاربر و الزامات سازمانی سازگار بماند
- ◈اجرای آزمایش‌های کوتاه محصول (فرضیه، دمو، کاربر واقعی، اندازه‌گیری) و تصمیم روشن برای ادامه یا تغییر مسیر
- ◈دنبال کردن پژوهش‌ها و ابزارهای تازهٔ حافظه و تبدیل آن‌هایی که ارزش دارند به سیستم قابل نگهداری
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس حافظهٔ ایجنت موفق به آن‌ها نیاز دارد
مهارت‌های فنی
زبان اصلی کار؛ Anthropic، Hyperspell، Mem0، LG AI Research و آگهی Jobgether آن را خواسته‌اند
Anthropic و Hyperspell، Python را در کنار TypeScript می‌خواهند؛ کار حافظه در محصول تا رابط کاربری کشیده می‌شود
Anthropic تجربه با سیستم‌های ایجنتیک شامل tool use، بازیابی و طراحی context را حداقل شرط گذاشته است
جمع کردن، اولویت‌بندی و فشرده‌سازی اطلاعات پیش از رسیدن به مدل (آگهی Jobgether)؛ compaction و یادداشت‌برداری بیرون از context (Anthropic)
حافظهٔ کوتاه‌مدت و بلندمدت، و انواع معنایی، رویدادی و رویه‌ای که Letta و LangChain از آن‌ها نام می‌برند
تبدیل گفتگو و اسناد به حافظهٔ ساختاریافته، حذف تکراری‌ها، رفع تعارض و فراموشی (آگهی LG AI Research)
embedding، جستجوی برداری، بازیابی hybrid و ranking؛ Anthropic آن را امتیاز می‌داند
OKX عمق در یکی از سه حوزهٔ حافظهٔ بلندمدت، knowledge graph یا مدیریت context را شرط گذاشته است
PostgreSQL و Redis در شرایط آگهی Mem0؛ طراحی namespace برای جدا نگه‌داشتن دادهٔ هر کاربر
ساخت ارزیابی آفلاین و آنلاین برای کیفیت حافظه و اثرش بر کاربر؛ در آگهی‌های Anthropic، OpenAI، Letta، OKX و Jobgether آمده است
طراحی REST API یا بک‌اند ناهمگام (LG AI Research) و پایهٔ سیستم‌های توزیع‌شده (Sierra)
دیدن اینکه چه حافظه‌ای به مدل رسیده و نگه‌داشتن تأخیر پایین؛ Anthropic کار حساس به تأخیر را امتیاز می‌داند
مهارت‌های نرم
Anthropic کسی را می‌خواهد که وقتی چیزی درست حس نمی‌شود متوجه شود و درستش کند و بتواند توضیح دهد یک تصمیم طراحی چرا برای کاربر مهم است
فرضیه، دمو، کاربر واقعی، اندازه‌گیری و تصمیم روشن؛ تعریف متریک محصول و اجرای آزمایش جزو حداقل شرایط Anthropic است
کار نزدیک با محصول، طراحی، حریم خصوصی، حقوقی و safeguards (آگهی Anthropic)
OKX، LG AI Research و Letta همه از تبدیل پژوهش و کار متن‌باز به سیستم واقعی و قابل نگهداری نام می‌برند
توضیح تصمیم‌های معماری و نتیجهٔ ارزیابی برای مهندسان و مدیران (آگهی Jobgether)
دانش حوزه‌ای
حذف داده، سیاست نگهداری، کلیدهای رمزنگاری تحت مدیریت مشتری و الزاماتی مثل HIPAA که در آگهی Anthropic آمده است
OWASP مسموم‌سازی حافظه (Memory Poisoning) را تهدید T1 ایجنت‌ها می‌داند: واردکردن دادهٔ نادرست یا مخرب به حافظهٔ کوتاه‌مدت یا بلندمدت
LG AI Research تجربه در پروفایل کاربر، شخصی‌سازی و مدل‌سازی بلندمدت کاربر را امتیاز می‌داند و Sierra تجربه با سیستم‌های توصیه را
OpenAI برای نقش پژوهشی حافظه سابقهٔ پژوهش در RL و کار با کد بزرگ ML می‌خواهد
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس حافظهٔ ایجنت
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایه‌های برنامه‌نویسی و بک‌اند: Python، SQL، Git و API
حافظهٔ ایجنت در نهایت یک سرویس بک‌اند است که داده را می‌نویسد، می‌خواند و پاک می‌کند. آگهی Anthropic برنامه‌نویسی قوی با Python و TypeScript می‌خواهد، Hyperspell تسلط به همین دو زبان را و Mem0 کار با REST API، PostgreSQL و Redis را. پیش از هر چیز این پایه را محکم کنید.
مدل‌های زبانی و ایجنت‌ها
باید بدانید ایجنت چطور ابزار صدا می‌زند، context چطور پر می‌شود و چرا مدل به‌تنهایی چیزی را میان دو گفتگو نگه نمی‌دارد. آگهی Anthropic تجربه با سیستم‌های ایجنتیک شامل tool use، بازیابی و طراحی prompt یا context را جزو حداقل شرایط آورده است.
بازیابی و ذخیره‌سازی: embedding، جستجوی hybrid و گراف
حافظه بدون بازیابی خوب به کار نمی‌آید. آگهی Anthropic تجربه با embeddings، جستجوی برداری، بازیابی hybrid (واژگانی و معنایی) و ranking را امتیاز می‌داند و OKX و LG AI Research از knowledge graph نام می‌برند. یک پایگاه برداری، یک key-value store سریع و یک پایگاه گرافی را دست‌کم در حد ساخت نمونه یاد بگیرید.
معماری حافظه: انواع حافظه، مسیر نوشتن و مدیریت context
هستهٔ این شغل همین مرحله است. مقاله‌های MemGPT و Generative Agents را بخوانید، تقسیم‌بندی حافظهٔ کوتاه‌مدت و بلندمدت و حافظهٔ معنایی، رویدادی و رویه‌ای را از مستندات LangChain یاد بگیرید و یاد بگیرید حافظه کجا نوشته شود: حین پاسخ (hot path) یا در پس‌زمینه. دورهٔ DeepLearning.AI دربارهٔ حافظهٔ ایجنت را خودِ سازندگان MemGPT درس می‌دهند.
منابع پیشنهادی
ارزیابی، امنیت و حریم خصوصی حافظه
حافظه‌ای که نتوان کیفیتش را سنجید یا از کاربر محافظتش کرد، در پروداکشن دوام نمی‌آورد. Anthropic تعریف متریک‌هایی را می‌خواهد که نشان دهند حافظه واقعاً Claude را مفیدتر کرده یا نه. LongMemEval پنج توانایی حافظه را می‌سنجد و OWASP مسموم‌سازی حافظه (Memory Poisoning) را اولین تهدید (T1) در فهرست تهدیدهای ایجنتیک خود گذاشته است.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
فریم‌ورک‌ها و سرویس‌های حافظه
پلتفرم متن‌باز ایجنت‌های stateful از سازندگان MemGPT؛ همهٔ وضعیت ایجنت را در پایگاه داده نگه می‌دارد و بلوک‌های حافظه را به system prompt سنجاق می‌کند
لایهٔ حافظهٔ متن‌باز برای ایجنت‌ها؛ طبق TechCrunch، توسعه‌دهنده با آن حافظهٔ کاربر را میان مدل‌ها و برنامه‌ها ذخیره، بازیابی و به‌روز می‌کند
ذخیره‌سازی و بازیابی
دادهٔ ساختاریافته و جستجوی برداری در یک پایگاه داده؛ Mem0 در آگهی‌اش PostgreSQL را جزو شرایط آورده است
پایگاه دادهٔ درون‌حافظه‌ای با جستجوی برداری و سرویس حافظهٔ کوتاه‌مدت و بلندمدت برای ایجنت‌ها؛ در شرایط آگهی Mem0 آمده است
پایگاه دادهٔ گرافی؛ Graphiti روی آن اجرا می‌شود و OKX و LG AI Research از knowledge graph نام برده‌اند
ایجنت و مدیریت context
حافظهٔ کوتاه‌مدت با checkpoint برای هر گفتگو و حافظهٔ بلندمدت در namespace های جداگانه؛ آگهی Jobgether آن را نام برده است
ابزار حافظهٔ فایل‌محور Claude که سمت برنامهٔ شما اجرا می‌شود؛ ذخیره‌سازی و امنیت مسیرها با خودتان است
نگهداری تاریخچهٔ گفتگو میان اجراهای ایجنت با SQLite، Redis یا پایگاه‌های دیگر؛ آگهی Jobgether از Agents SDK نام برده است
ارزیابی و پایش
بنچمارک ۵۰۰ پرسشی برای پنج توانایی حافظه: استخراج اطلاعات، استدلال چندجلسه‌ای، استدلال زمانی، به‌روزرسانی دانش و خودداری از پاسخ
مجموعه‌دادهٔ گفتگوهای بسیار طولانی (به‌طور میانگین ۳۰۰ نوبت در حداکثر ۳۵ جلسه) برای سنجش حافظهٔ ایجنت‌ها
ابزار متن‌باز trace و ارزیابی؛ برای دیدن اینکه در هر پاسخ چه حافظه‌ای بازیابی و به مدل داده شده است
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
مهندس AI یا مهندس نرم‌افزار (کار روی قابلیت‌های حافظه)
۰ تا ۲ سال
در بررسی ما آگهی جونیوری با Memory در عنوان پیدا نشد. راه معمول ورود، کار در تیم ایجنت یا محصول AI و گرفتن بخش‌هایی از حافظه است: نوشتن pipeline استخراج، API حذف و ویرایش حافظه، و نمونه‌های ارزیابی.
مهندس حافظه / Product Engineer در شرکت حافظه
۲ تا ۵ سال
مالکیت یک بخش مشخص: یک نوع حافظه، یک اتصال داده (مثل Slack یا Notion) یا SDK. آگهی Product Engineer در Hyperspell با ۳+ سال سابقه نمونهٔ این سطح است.
مهندس ارشد / Staff حافظه
۵+ سال
طراحی معماری ذخیره، بازیابی، به‌روزرسانی و کنار گذاشتن حافظه، تعریف متریک‌ها و ارزیابی، و همکاری با تیم‌های حریم خصوصی و حقوقی. آگهی‌های Staff+ در Anthropic و Principal با ۵+ سال سابقه (از طریق Jobgether) در این سطح‌اند.
Principal / معمار زیرساخت حافظه یا پژوهشگر حافظه
۱۰+ سال
تعیین جهت فنی حافظه در سازمان: زیرساخت حافظهٔ قابل ممیزی و قابل بازگشت، GraphRAG و context graph. آگهی OKX برای این سطح دکترا یا ارشد و دست‌کم ۱۰ سال تجربه می‌خواهد. شاخهٔ پژوهشی (OpenAI، Letta) سابقهٔ پژوهش و انتشار می‌خواهد.
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
تصمیم دربارهٔ اینکه چه چیزی ارزش به خاطر سپردن دارد
عمومیهمهچیز را نمی‌شود و نباید نگه داشت. LG AI Research استخراج آنچه باید به خاطر سپرده شود و سیاست حذف تکراری، رفع تعارض و فراموشی را جزو کار می‌داند. زمان نوشتن هم مهم است: مستندات LangChain می‌نویسد استدلال دربارهٔ اینکه چه چیزی در حافظه ذخیره شود می‌تواند تأخیر ایجنت را بیشتر کند، و نوشتن در پس‌زمینه این تأخیر را حذف می‌کند ولی ممکن است گفتگوهای دیگر را بدون اطلاعات تازه بگذارد.
سنجیدن اینکه حافظه واقعاً کمک می‌کند
عمومیAnthropic از مهندس می‌خواهد متریک‌هایی تعریف کند که نشان دهند حافظه واقعاً Claude را مفیدتر کرده و ارزیابی‌هایی بسازد که کیفیت را با تغییر سیستم صادق نگه دارند. LongMemEval برای همین پنج توانایی جدا را می‌سنجد، از جمله به‌روزرسانی دانش و خودداری از پاسخ وقتی اطلاعات کافی نیست. ساخت چنین ارزیابی‌ای وقت و دادهٔ برچسب‌خورده می‌خواهد.
واقعیت‌های کهنه و متناقض
عمومیکاربر شغل، شهر یا نظرش را عوض می‌کند و حافظهٔ قدیمی اگر بماند پاسخ را خراب می‌کند. LG AI Research مدیریت تازگی حافظه را جزو وظایف آورده و Graphiti برای همین واقعیت قدیمی را به‌جای حذف، نامعتبر علامت می‌زند. طبق مقالهٔ LoCoMo (۲۰۲۴)، مدل‌ها در دنبال کردن روابط زمانی و علّی در گفتگوهای طولانی به‌طور محسوسی از انسان عقب بودند.
حریم خصوصی، رضایت و کنترل‌های سازمانی
شرکت بزرگحافظه دادهٔ شخصی کاربر را نگه می‌دارد. Anthropic در آگهی خود از کلیدهای رمزنگاری تحت مدیریت مشتری و سیاست‌های نگهداری داده نام می‌برد و مستندات ابزار حافظهٔ Claude پیشنهاد می‌کند دادهٔ حساس پیش از نوشتن حذف شود و فایل‌هایی که مدت‌ها استفاده نشده‌اند پاک شوند. هر قابلیت تازه باید از این فیلترها بگذرد.
مسموم‌سازی حافظه
عمومیاگر متنی مخرب وارد حافظه شود، در گفتگوهای بعدی هم به کار می‌رود. OWASP در راهنمای تهدیدهای ایجنتیک (فوریهٔ ۲۰۲۵) مهاجمی را مثال می‌زند که حافظهٔ ایجنت را به مرور مسموم می‌کند تا رفتار ناخواسته در جلسه‌های بعدی هم تکرار شود. این راهنما Memory Poisoning را T1 گذاشته و اعتبارسنجی محتوای حافظه، جداسازی جلسه‌ها، احراز هویت برای دسترسی به حافظه، تشخیص ناهنجاری، پاک‌سازی منظم و نسخه‌برداری از حافظه برای بررسی و بازگشت را پیشنهاد می‌کند. مستندات Claude هم هشدار می‌دهد مسیرهای مخرب می‌توانند از پوشهٔ حافظه بیرون بزنند.
بازار کوچک و ارشد
عمومیعنوانهای مخصوص حافظه کم‌اند و بیشترشان در آزمایشگاه‌های بزرگ و استارتاپ‌های حافظه، در سطح Staff، Principal یا پژوهشی. در شرکت‌های دیگر حافظه یک بند از نقش عمومی ایجنت است، مثل آگهی Caseware. یعنی برای بیشتر افراد این تخصص پس از چند سال کار در مهندسی AI یا بک‌اند به دست می‌آید.
حقوق و بازار کار جهانی
حقوق جهانی مهندس حافظهٔ ایجنت
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Hyperspell posting, Product Engineer (memory & context layer, San Francisco, 3+ yrs), posted May 12, 2026, open Oct 2026: base range; median = midpoint
- Principal ML Engineer (Memory & Context), unnamed company via Jobgether (US remote, 5+ yrs), posted Oct 21, 2026: base range, CA/NY/WA tier; median = midpoint
- Anthropic posting, Staff+ Software Engineer, Memory & Search, posted Oct 19, 2026: annual salary range; median = midpoint
- OpenAI posting, Research Engineer / Research Scientist - Personal AGI, Memory (San Francisco, no level stated), posted Aug 3, 2026: salary range; median = midpoint
- levels.fyi, live data viewed Oct 22, 2026, proxy 'ML / AI Software Engineer' focus, total comp (5,954 salaries): 25th–75th pct; median
- levels.fyi, live data viewed Oct 22, 2026, proxy 'ML / AI Software Engineer' focus, total comp (559 salaries): 25th–75th pct; median
- levels.fyi, live data viewed Oct 22, 2026, proxy 'ML / AI Software Engineer' focus, total comp (508 salaries): 25th–75th pct; median
- levels.fyi, live data viewed Oct 22, 2026, proxy 'ML / AI Software Engineer' focus, total comp (318 salaries): 25th–75th pct; median
- levels.fyi, live data viewed Oct 22, 2026, proxy 'ML / AI Software Engineer' focus, total comp (100 salaries): 25th–75th pct; median
- levels.fyi, live data viewed Oct 22, 2026, proxy 'ML / AI Software Engineer' focus, total comp (125 salaries): 25th–75th pct; median
- levels.fyi, live data viewed Oct 22, 2026, proxy 'ML / AI Software Engineer' focus, total comp (126 salaries): 25th–75th pct; median
- levels.fyi, live data viewed Oct 22, 2026, proxy 'ML / AI Software Engineer' focus, total comp (206 salaries): 25th–75th pct; median
- levels.fyi, live data viewed Oct 22, 2026, proxy 'ML / AI Software Engineer' focus, total comp (1,353 salaries): 25th–75th pct; median
- levels.fyi, live data viewed Oct 22, 2026, proxy 'ML / AI Software Engineer' focus, total comp (32 salaries): 25th–75th pct; median
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: مفاهیم حافظه
مقالهٔ MemGPT و بخش حافظهٔ مستندات LangChain را بخوانید و دورهٔ DeepLearning.AI دربارهٔ حافظهٔ ایجنت را ببینید.
ماه ۲: اولین لایهٔ حافظه
یک دستیار با حافظهٔ بلندمدت کاربر بسازید و دو شیوهٔ پروفایل و مجموعه را مقایسه کنید.
ماه ۳: به‌روزرسانی، تعارض و زمان
حافظه‌ای بسازید که با تغییر واقعیت‌ها درست کار کند؛ یک نسخه را با گراف زمانی پیاده کنید.
ماه ۴: ارزیابی
بخشی از LongMemEval را اجرا کنید و حافظهٔ خودتان را با گذاشتن کل تاریخچه در context مقایسه کنید.
ماه ۵: context engineering و ایجنت طولانی‌مدت
ایجنتی بسازید که با حافظهٔ فایل‌محور و compaction یک کار چندجلسه‌ای را ادامه دهد.
ماه ۶: امنیت، حریم خصوصی و پورتفولیو
جداسازی کاربران، حذف داده و دفاع در برابر مسموم‌سازی را اضافه کنید، نتیجهٔ ارزیابی‌ها را در README بنویسید و در تیم فعلی‌تان کار روی قابلیت‌های حافظه را داوطلبانه بگیرید.
پروژه‌های پیشنهادی برای رزومه
دستیار گفتگو با حافظهٔ بلندمدت کاربر
مبتدییک بات بسازید که از گفتگوها واقعیت‌های مربوط به کاربر (ترجیحات، اهداف، اطلاعات شغلی) را استخراج و ذخیره کند و در گفتگوی بعدی به کار ببرد. دو شیوهٔ ذخیره را مقایسه کنید: یک «پروفایل» JSON که هر بار به‌روز می‌شود و یک «مجموعه» از حافظه‌های کوچک، همان دو شکلی که مستندات LangChain توضیح می‌دهد. صفحه‌ای هم بگذارید که کاربر حافظه‌هایش را ببیند، ویرایش کند و پاک کند.
حافظه‌ای که تغییر را می‌فهمد: به‌روزرسانی و تعارض
متوسطسناریوهایی بسازید که واقعیت عوض می‌شود: کاربر شهرش را عوض می‌کند، شغل تازه می‌گیرد یا نظرش برمی‌گردد. یک بار حافظه را با بازنویسی ساده و یک بار با گراف زمانی (Graphiti) پیاده کنید که واقعیت قدیمی را نامعتبر می‌کند ولی نگه می‌دارد. نشان دهید هر روش به پرسش «الان کجا زندگی می‌کند؟» و «سال گذشته کجا بود؟» چه جوابی می‌دهد.
ارزیابی حافظه روی LongMemEval یا LoCoMo
پیشرفتهبخشی از LongMemEval یا LoCoMo را بردارید و سه روش را مقایسه کنید: کل تاریخچه در context، بازیابی ساده از تکه‌های گفتگو و یک لایهٔ حافظه (مثلاً Mem0). دقت، تأخیر و تعداد توکن را گزارش کنید و نتیجه را بر اساس نوع پرسش (زمانی، چندجلسه‌ای، به‌روزرسانی دانش) جدا کنید.
ایجنت طولانی‌مدت با حافظهٔ فایل‌محور و compaction
متوسطایجنتی بسازید که یک کار چندجلسه‌ای (مثلاً نوشتن یک گزارش پژوهشی یا یک پروژهٔ کد کوچک) را جلو ببرد و پیشرفتش را در فایل‌های حافظه ثبت کند تا بعد از ریست شدن context ادامه دهد؛ الگویی که مستندات ابزار حافظهٔ Claude توضیح می‌دهد. محافظت در برابر path traversal و سقف اندازهٔ فایل را هم پیاده کنید.
حافظهٔ امن: جداسازی کاربران، حذف و مقابله با مسموم‌سازی
پیشرفتهبرای یکی از پروژه‌های قبلی namespace جداگانه برای هر کاربر، حذف کامل دادهٔ یک کاربر، لاگ ممیزی و امکان بازگشت به نسخهٔ قبلی حافظه بسازید. بعد چند حملهٔ مسموم‌سازی حافظه را آزمایش کنید (مثلاً متنی که در یک سند وانمود می‌کند دستور کاربر است) و دفاع‌هایی را که OWASP پیشنهاد می‌کند، مثل اعتبارسنجی محتوای حافظه و جداسازی جلسه‌ها، پیاده و اندازه‌گیری کنید.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
به نوشتهٔ TechCrunch، دانشجوی دکترای UC Berkeley و عضو Sky Computing Lab بود؛ آزمایشگاهی که Ion Stoica، از بنیان‌گذاران Databricks، آن را اداره می‌کند. او همراه Sarah Wooders پروژهٔ متن‌باز MemGPT را ساخت.
مقالهٔ MemGPT در ۱۲ اکتبر ۲۰۲۳ منتشر شد و TechCrunch تا سپتامبر ۲۰۲۴ از ۱۱٬۰۰۰ ستاره در GitHub برایش خبر داد. Packer و Wooders بعد Letta را به‌عنوان شرکت تجاری MemGPT بنیان گذاشتند که با ۱۰ میلیون دلار سرمایهٔ اولیه به رهبری Felicis از حالت مخفی بیرون آمد. به نوشتهٔ همان گزارش، MemGPT داده و حافظه را طوری مدیریت می‌کند که ایجنت‌ها و چت‌بات‌ها کاربران و گفتگوهای قبلی را به یاد بیاورند.
کار او از یک مسئلهٔ پژوهشی مشخص شروع شد (محدودیت پنجرهٔ context) و با کد متن‌باز به محصول رسید. به نظر می‌رسد در حوزه‌ای به این تازگی، یک پروژهٔ متن‌باز جدی می‌تواند بیش از یک عنوان شغلی شما را معرفی کند.
طبق TechCrunch، کارش را به‌عنوان مهندس نرم‌افزار در Paytm شروع کرد و اولین مهندس رشد Khatabook بود. اواخر ۲۰۲۲ از Khatabook رفت و یکی از اولین فروشگاه‌های اپلیکیشن GPT را ساخت که به بیش از یک میلیون کاربر رسید. بعد Embedchain را ساخت، پروژه‌ای متن‌باز برای نمایه‌سازی و بازیابی دادهٔ بدون ساختار که بیش از ۸٬۰۰۰ ستاره در GitHub گرفت.
او و Deshraj Yadav یک اپلیکیشن مدیتیشن ساختند که در هند پربازدید شد، اما کاربران می‌گفتند برنامه پیشرفتشان را به یاد نمی‌آورد. همین آن‌ها را از Embedchain به Mem0 رساند، لایهٔ حافظه‌ای برای برنامه‌های AI که در ژانویهٔ ۲۰۲۴ راه افتاد. TechCrunch در اکتبر ۲۰۲۵ از جذب ۲۴ میلیون دلار سرمایه، بیش از ۴۱٬۰۰۰ ستاره در GitHub و رشد تماس‌های API از ۳۵ میلیون در سه‌ماههٔ اول ۲۰۲۵ به ۱۸۶ میلیون در سه‌ماههٔ سوم خبر داد.
ایدهٔ Mem0 از شکایت کاربران یک محصول دیگر بیرون آمد، نه از یک برنامهٔ پژوهشی. به نظر می‌رسد مشکل‌های حافظه اول در محصولات واقعی دیده می‌شوند؛ ساختن و منتشر کردن محصول، حتی کوچک، راه دیدن آن‌هاست.
به گفتهٔ صفحهٔ شخصی‌اش، کارشناسی علوم کامپیوتر را از Swarthmore College، کارشناسی ارشد را از UIUC و دکترای علوم کامپیوتر را از Stanford گرفته است، با راهنمایی Michael S. Bernstein و Percy Liang. به گفتهٔ همین صفحه، نقاش رنگ روغن هم بوده و نمایشگاه برگزار کرده است.
نویسندهٔ اول مقالهٔ «Generative Agents: Interactive Simulacra of Human Behavior» (آوریل ۲۰۲۳) است که جایزهٔ بهترین مقالهٔ UIST'23 را گرفت. پایان‌نامهٔ دکترایش با عنوان «Generative Agent Simulations of Human Behavior» (۲۰۲۵) جایزهٔ Arthur Samuel دانشگاه Stanford برای بهترین پایان‌نامهٔ دکترای علوم کامپیوتر را برد. در پاییز ۲۰۲۴ درس CS 222: AI Agents and Simulations را در Stanford تدریس کرد.
در کار او حافظه بخشی از خود معماری ایجنت بود، نه افزونه‌ای جدا: ثبت تجربه، تبدیل آن به بازتاب و بازیابی برای برنامه‌ریزی. به نظر می‌رسد فکر کردن به حافظه از همان ابتدای طراحی ایجنت نتیجهٔ بهتری می‌دهد، و مسیر او نشان می‌دهد زمینه‌ای مثل تعامل انسان و کامپیوتر هم به این کار راه دارد.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Staff+ Software Engineer, Memory & Search
تحلیل نیازمندی‌ها
Experience building agentic systems or LLM-powered products, including tool use, retrieval and prompt or context design
این مهم‌ترین شرط تخصصی آگهی است: باید ایجنت یا محصول مبتنی بر LLM واقعاً ساخته باشید، با ابزار، بازیابی و طراحی context. حافظه روی همین پایه ساخته می‌شود.
ضروریExperience building and operating user-facing products used by a large number of people, including the backend services behind them
تجربهٔ نگه‌داشتن محصولی که کاربر زیادی دارد، با سرویس‌های بک‌اندش. حافظه برای تک‌تک کاربران ذخیره می‌شود، پس مقیاس و پایداری از روز اول مطرح است.
ضروریStrong programming skills in Python and TypeScript, with experience across backend services and web front ends
کار از سرویس بک‌اند تا رابط کاربری کشیده می‌شود، چون کاربر باید حافظه‌اش را ببیند و ویرایش کند. فقط Python کافی نیست.
ضروریExperience defining product metrics and running experiments to make decisions
باید بتوانید با عدد نشان دهید یک قابلیت حافظه کمک کرده یا نه، و بر اساس آن تصمیم بگیرید. این مهارت در بیشتر آموزش‌های فنی کمتر دیده می‌شود.
ضروریExperience building search or retrieval systems: embeddings, vector search, hybrid lexical and semantic retrieval, or ranking
تیم هم حافظه را دارد و هم جستجو در گفتگوها. شناخت embedding، جستجوی برداری، ترکیب جستجوی واژگانی و معنایی و ranking امتیاز است؛ همان چیزی که در صفحهٔ مهندس RAG هم می‌بینید.
مهمExperience building evaluations for LLM or ML systems, or measuring the quality of retrieval and ranking
کیفیت حافظه و جستجو باید سنجیده شود. اگر برای یک پروژهٔ LLM مجموعهٔ ارزیابی ساخته‌اید یا کیفیت بازیابی را اندازه گرفته‌اید، همین را نشان دهید.
مهمExperience shipping features that handle sensitive data or meet enterprise requirements such as customer-managed encryption keys, data residency or HIPAA
حافظه دادهٔ شخصی نگه می‌دارد. تجربه با رمزنگاری با کلید مشتری، محل نگهداری داده یا مقررات سلامت مثل HIPAA یعنی می‌دانید این محدودیت‌ها چطور روی طراحی اثر می‌گذارند.
مفیدتحلیل مسئولیت‌ها
Design, build and ship memory and search experiences in Claude.ai, Cowork and Claude Code, owning them end to end from the backend service through the model's tools to the user interface
مالکیت کامل: از سرویس بک‌اند، تا ابزاری که مدل برای خواندن و نوشتن حافظه صدا می‌زند، تا صفحه‌ای که کاربر می‌بیند. یعنی هم مهندس بک‌اند، هم مهندس ایجنت و هم کمی مهندس رابط کاربری هستید.
Shape how Claude uses memory and retrieval inside its agentic loop, including what the model stores, when it searches, how results are ranked and presented, and how the user stays in control
این تعریف دقیق کار مهندس حافظه است: مدل چه چیزی را ذخیره کند، کی دنبال حافظه بگردد، نتیجه‌ها چطور مرتب و نمایش داده شوند و کاربر چطور کنترل را در دست داشته باشد.
Define and track the metrics that tell us whether memory is actually making Claude more useful, and build the evaluations that keep quality honest as the system evolves
ذخیرهٔ بیشتر به معنی کمک بیشتر نیست. باید متریکی پیدا کنید که اثر واقعی حافظه را نشان دهد و ارزیابی‌هایی بسازید که با هر تغییر سیستم اجرا شوند.
Run product experiments on the memory and search stack: form a hypothesis, build a demo, put it in front of real users, measure, and make a clear persevere-or-pivot call
کار به شکل آزمایش‌های کوتاه پیش می‌رود: فرضیه، دمو، کاربر واقعی، اندازه‌گیری و تصمیم روشن برای ادامه یا تغییر مسیر. این شیوهٔ کار استارتاپی است، درون یک شرکت بزرگ.
Improve search relevance and recall across conversations and memories, working across embeddings, hybrid retrieval and ranking as well as the interface that presents results
بخش جستجوی کار: پیدا کردن گفتگو یا حافظهٔ درست در میان انبوه داده. همین‌جاست که این نقش با مهندسی RAG هم‌پوشانی دارد.
Partner with product, design, privacy, legal and safeguards to ship features that respect user consent and enterprise requirements such as customer-managed encryption keys and data retention policies
بخش بزرگی از کار هماهنگی با تیم‌های غیرفنی است. هر قابلیت حافظه باید با رضایت کاربر و سیاست‌های نگهداری دادهٔ مشتریان سازمانی سازگار باشد.
Share the on-call for the systems you own
اگر سیستمی که ساخته‌اید در پروداکشن مشکل پیدا کند، شما هم در کشیک رفع آن هستید.
نتیجه‌گیری کلی
این آگهی نشان می‌دهد مهندسی حافظه در یک آزمایشگاه بزرگ بیشتر مهندسی محصول است تا پژوهش مدل: ساخت سرویس و ابزاری که مدل با آن حافظه را می‌خواند و می‌نویسد، تعیین اینکه چه چیزی ذخیره شود، سنجیدن اثرش با متریک و آزمایش، و رعایت حریم خصوصی و الزامات سازمانی. این یک نقش Staff+ است و بازهٔ حقوق اعلام‌شده در آگهی ۴۰۵ تا ۴۸۵ هزار دلار در سال است؛ برای رسیدن به آن چند سال تجربهٔ ساخت محصول و ایجنت لازم است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
آمار رسمی جداگانه‌ای برای این کار وجود ندارد و ITJobsWatch هم مهارتی به نام حافظهٔ ایجنت را نمی‌شمارد. نزدیک‌ترین داده تقاضا برای ایجنت‌هاست که حافظه بخشی از آن است: ITJobsWatch در شش ماه منتهی به ۲۲ اکتبر ۲۰۲۶، ۱٬۰۳۹ آگهی استخدام دائم در بریتانیا را شمرده که مهارت AI Agents را خواسته‌اند؛ در همین بازه در ۲۰۲۵ این عدد ۱۱۴ و در ۲۰۲۴ فقط ۲ بود. این رقم مهارت ایجنت را می‌شمارد، نه کار حافظه را.
منبع: ITJobsWatch — AI Agents (UK, 6 months to 22 Oct 2026); no memory-specific figure
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
Taranjeet Singh، هم‌بنیان‌گذار Mem0، به TechCrunch گفت حافظه دارد به یکی از مزیت‌های رقابتی اصلی آزمایشگاه‌های AI تبدیل می‌شود، حالا که خودِ مدل‌های زبانی به کالایی همگانی تبدیل شده‌اند.
طبق TechCrunch، تماس‌های API شرکت Mem0 از ۳۵ میلیون در سه‌ماههٔ اول ۲۰۲۵ به ۱۸۶ میلیون در سه‌ماههٔ سوم رسید (رقم اعلامی خود شرکت).
Anthropic در آگهی اکتبر ۲۰۲۶ تیم Memory & Search می‌نویسد پلتفرم حافظه آماده است و مرحلهٔ بعد پیدا کردن شکل‌هایی از محصول است که حافظه را جذاب‌ترین و ماندگارترین بخش استفاده از Claude کند؛ به همین دلیل برای این تیم product engineer استخدام می‌کند.
ریسک اول این است که حافظه در بیشتر شرکت‌ها جزئی از نقش عمومی ایجنت می‌ماند، نه شغلی جدا؛ آگهی Caseware نمونهٔ آن است و عنوان‌های مخصوص حافظه بیشتر در آزمایشگاه‌های بزرگ و استارتاپ‌های حافظه دیده می‌شوند. ریسک دوم این است که پلتفرم‌های مدل خودشان ابزار حافظه عرضه می‌کنند (ابزار حافظهٔ Claude و Sessions در OpenAI Agents SDK) و ساختن ذخیره‌ساز ساده کم‌ارزش‌تر می‌شود؛ ارزش مهندس بیشتر در تصمیم دربارهٔ اینکه چه چیزی ذخیره شود، ارزیابی و حریم خصوصی است. ابزارها هم تازه‌اند و سریع عوض می‌شوند، پس مفاهیم را محکم‌تر از فریم‌ورک‌ها یاد بگیرید.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۳۴ منبع بررسی شده است.
- Staff+ Software Engineer, Memory & Search — Anthropic (job posting)
- Research Engineer / Research Scientist - Personal AGI, Memory — OpenAI (job posting)
- Research Engineer / Scientist, Memory — Letta (job posting)
- Research Scientist/Engineer - Agent Memory — LG AI Research (job posting, Korean)
- Principal Engineer, Agent Infrastructure & Memory Architecture — OKX (job posting)
- Principal Machine Learning Engineer (Memory & Context) — partner company via Jobgether (job posting)
- Software Engineer, Context Engine — Sierra (job posting)
- Product Engineer — Hyperspell (job posting)
- AI Full Stack Engineer — Mem0 (job posting)
- Senior Software Developer III — Caseware (job posting)
- levels.fyi — ML / AI Software Engineer salary, United States
- levels.fyi — ML / AI Software Engineer salary, Canada
- levels.fyi — ML / AI Software Engineer salary, United Kingdom
- ITJobsWatch — AI Agents (UK)
- MemGPT: Towards LLMs as Operating Systems (arXiv, 2023)
- Generative Agents: Interactive Simulacra of Human Behavior (arXiv, 2023)
- LongMemEval: Benchmarking Chat Assistants on Long-Term Interactive Memory (arXiv, ICLR 2025)
- Evaluating Very Long-Term Conversational Memory of LLM Agents — LoCoMo (arXiv, 2024)
- Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory (arXiv, 2025)
- Zep: A Temporal Knowledge Graph Architecture for Agent Memory (arXiv, 2025)
- Anthropic — Effective context engineering for AI agents
- Claude Docs — Memory tool
- Claude blog — Bringing memory to teams
- LangChain Docs — Memory overview
- Letta Docs — Introduction to Stateful Agents
- Graphiti — GitHub
- OWASP — Agentic AI: Threats and Mitigations
- OWASP — Agentic AI: Threats and Mitigations v1.0 (PDF)
- MongoDB — Why Multi-Agent Systems Need Memory Engineering
- TechCrunch — Letta comes out of stealth (2024)
- TechCrunch — Mem0 raises $24M (2025)
- Joon Sung Park — personal site
- DeepLearning.AI — LLMs as Operating Systems: Agent Memory
- DeepLearning.AI — Agent Memory: Building Memory-Aware Agents