مهندس نمونه‌سازی هوش مصنوعی
AI Prototyping Engineer
مهندس نمونه‌سازی هوش مصنوعی (AI Prototyping Engineer) قابلیت‌های تازهٔ مدل‌های هوش مصنوعی را در چند روز یا چند هفته به نمونهٔ کارکردی و دمو تبدیل می‌کند تا تیم پیش از سرمایه‌گذاری بزرگ بفهمد یک ایده ارزش ساختن دارد یا نه، و نمونه‌های موفق را برای تیم‌های پروداکشن آماده می‌کند. نام قبلی این صفحه، «AI Rapid Prototyping Engineer»، عنوان شغلی‌ای نیست که کارفرماها به کار ببرند. نزدیک‌ترین عنوان واقعی AI Prototyping Engineer است (مثلاً در Lenovo) که آن هم کم‌یاب است؛ همین کار بیشتر با عنوان‌هایی مثل Software Engineer, Labs در Anthropic، Product Explorations در OpenAI یا Senior Expert (Rapid Prototyping) در Novartis آگهی می‌شود.
مقدمه و تعریف شغل
مهندس نمونه‌سازی هوش مصنوعی ایده‌ها و قابلیت‌های تازهٔ AI را به نمونهٔ کارکردی و دموی قابل‌لمس تبدیل می‌کند تا تیم، پیش از تعهد به ساخت کامل، بفهمد چه چیزی کار می‌کند. آگهی Lenovo این نقش را «موتور خلاق و فنی» توصیف می‌کند که در محل تلاقی پژوهش، محصول و کسب‌وکار، proof-of-concept سریع می‌سازد، امکان‌پذیری فنی را می‌سنجد و یافته‌ها را هم برای مهندسان و هم برای ذی‌نفعان غیرفنی توضیح می‌دهد. این مهندس معمولاً مدل را آموزش نمی‌دهد؛ با مدل‌های آماده، ایجنت و RAG کار می‌کند و معیار اصلی‌اش سرعت یادگرفتن است، نه مقیاس.
شرکت‌های مدل هوش مصنوعی برای این کار تیم‌های جداگانه دارند. آگهی Anthropic، تیم Labs را «شتاب‌دهندهٔ داخلی» شرکت معرفی می‌کند و Claude Code و MCP را از دستاوردهای گذشتهٔ آن می‌شمارد. OpenAI تیم کوچکی به نام Product Explorations دارد که قابلیت‌های تازهٔ مدل را به تجربهٔ کاربری تبدیل می‌کند، و GitHub Next خود را تیمی معرفی می‌کند که «ابزارها و فناوری‌هایی را نمونه‌سازی می‌کند که حرفهٔ ما را تغییر خواهند داد». در شرکت‌های بزرگ غیرفناوری هم همین کار دیده می‌شود: Lenovo برای تیم LATC و Novartis برای کشف دارو آگهی داده‌اند. با این حال، عنوان شغلی یکدست نیست. در بررسی آگهی‌های باز شرکت‌های فناوری در اکتبر ۲۰۲۶، عنوان AI Prototyping Engineer فقط در Lenovo پیدا شد و بیشتر آگهی‌هایی که محورشان نمونه‌سازی سریع است عنوان AI Engineer، Applied AI Engineer، Software Engineer یا Design Engineer دارند. هم‌زمان ساختن نمونه دیگر فقط کار مهندسان نیست: آگهی Robinhood می‌نویسد کارمندان بخش‌های مالی، منابع انسانی، حقوقی و انطباق هر هفته با ابزارهای AI نمونه‌هایی از ابزارهای مورد نیازشان می‌سازند و یک تیم مهندسی بهترین‌ها را به سرویس سازمانی تبدیل می‌کند.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مهندس نمونه‌سازی هوش مصنوعی
دموی قابلیت‌های تازهٔ مدل
Demo Engineer در Anthropic دمو، نمونهٔ مرجع و ابزارهایی می‌سازد که تیم‌های مشتری‌محور با آن‌ها قابلیت تازهٔ Claude را نشان دهند، به گفتهٔ آگهی «ترجیحاً چند روز پس از انتشار محصول، نه چند هفته بعد».
نمونهٔ محصول تازه برای آزمودن یک ایده
در تیم Product Explorations در OpenAI ممکن است یک هفته روی تجربهٔ تازه‌ای در ChatGPT کار کنید و هفتهٔ بعد یک قابلیت تازهٔ مدل را بکاوید؛ نمونه با بازخورد کاربر و آزمایش سنجیده می‌شود تا معلوم شود کدام ایده ارزش بزرگ شدن دارد.
نمونه‌های ایجنت روی دستگاه‌ها و محصولات
آگهی Lenovo ساخت نمونه‌های ایجنت و دموهای تعاملی را می‌خواهد که قابلیت‌های تازه را در محصولات موبایل، edge و سازمانی شرکت نشان دهند.
گزارش امکان‌سنجی
بخشی از خروجی کار کد نیست: Lenovo از این نقش می‌خواهد مدل‌ها، ابزارها و فریم‌ورک‌های تازه را عملاً بیازماید و گزارشی روشن از یافته‌ها، trade-off ها و پیشنهادها بنویسد.
دستیار AI برای متخصصان یک حوزه
Novartis نمونه‌ها و اپلیکیشن‌هایی می‌خواهد که مدل پایه، سیستم بازیابی و workflow را ترکیب کنند تا بهره‌وری دانشمندان در پژوهش زیست‌پزشکی و کشف دارو بالا برود.
نمونهٔ خودکارسازی کار داخلی
FDE تیم مالی Coinbase اول روی پلتفرم AI موجود شرکت برای کارهایی مثل بستن حساب‌های پایان دوره و تحلیل واریانس نمونه می‌سازد و بعد آن را طوری طراحی می‌کند که هر خروجی برای حسابرس قابل ردیابی باشد.
تخصص‌های مختلف مهندس نمونه‌سازی هوش مصنوعی
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
تیم‌های Labs و اکتشاف محصول
Labs / Product Explorations
تیم‌های کوچک در شرکت‌های مدل که قابلیت‌های تازه را به محصول آزمایشی تبدیل می‌کنند؛ مثل Anthropic Labs و Product Explorations در OpenAI. این آگهی‌ها سابقهٔ کار صفر تا یک و حس محصول را بیش از تخصص عمیق می‌خواهند.
مهندسی دمو
Demo Engineering
ساخت دمو، نمونهٔ مرجع و بستهٔ آمادهٔ نمایش برای تیم‌های فروش و راه‌حل؛ آگهی Applied AI Demo Engineer در Anthropic دادهٔ مصنوعی، ارزیابی، بررسی قابلیت اطمینان و مسیرهای جایگزین را هم جزو آمادگی دمو می‌داند.
نمونه‌سازی در واحد پژوهش و توسعهٔ شرکت‌های بزرگ
Enterprise R&D Prototyping
تبدیل خروجی پژوهش و فناوری‌های تازه به نمونه برای واحدهای کسب‌وکار؛ مثل Lenovo برای محصولات موبایل، edge و سازمانی و Novartis برای کشف دارو.
مهندسی طراحی برای رابط‌های AI
Design Engineering for AI Interfaces
نمونه‌سازی شیوه‌های تازهٔ تعامل با AI، از canvas تا ابزارهای کدنویسی؛ مثل آگهی Design Engineer در tldraw یا کار Maggie Appleton در GitHub Next.
نمونه‌سازی برای واحدهای داخلی
Internal AI Enablement
کار کنار تیم‌های مالی، حقوقی یا منابع انسانی برای ساخت و سخت‌کردن ابزارهای AI داخلی؛ مثل FDE مالی در دفتر CTO شرکت Coinbase یا تیم Enterprise Build در Robinhood که نمونه‌های کارمندان را به سرویس سازمانی تبدیل می‌کند.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
بیشتر این کار در بازار با عنوان AI Engineer یا Applied AI Engineer آگهی می‌شود و مهارت‌ها تقریباً یکی است. تفاوت در تأکید است: آگهی‌های AI Engineer روی ساخت و نگهداری سیستم در پروداکشن تمرکز دارند، اما تیم‌های نمونه‌سازی سرعت یادگرفتن را می‌خواهند. Lenovo دموی کارکردی را «در چند روز، نه چند ماه» و تحویل کد به مهندسان پروداکشن پس از تأیید ایده را می‌خواهد و Anthropic Labs مهندسی که اگر داده گفت، پروژهٔ خودش را کنار بگذارد. مرز باز است؛ Oscar و Fivetran از همان مهندس هم نمونه می‌خواهند و هم سیستم پروداکشن.
FDE کنار یک مشتری یا یک واحد کسب‌وکار می‌نشیند و نمونه‌سازی برایش یک مرحله در مسیر استقرار است. Early Access Deployment Engineer در OpenAI با مشتری‌ها نمونه می‌سازد و بهترین راه‌حل‌ها را تا سیستم قابل‌اعتماد پیش می‌برد، و FDE مالی Coinbase پس از نمونه‌سازی، مسئول قابل‌ردیابی بودن خروجی‌ها برای حسابرسان است. مهندس نمونه‌سازی بیشتر برای تیم محصول یا پژوهش خودش کار می‌کند و هدفش پیدا کردن ایدهٔ ارزشمند است، نه تحویل یک پروژه به یک مشتری.
Design Engineer هم سریع نمونه می‌سازد، اما مرکز ثقلش طراحی است. آگهی tldraw صریحاً کسی را می‌خواهد که «مرکز ثقلش طراحی است» و از کد به‌عنوان ابزار طراحی استفاده می‌کند؛ تمرکز روی تعامل، حرکت و حس محصول است. مهندس نمونه‌سازی AI مرکز ثقلش مهندسی و قابلیت مدل است: ایجنت، بازیابی، ارزیابی و امکان‌پذیری فنی.
این نقش‌ها هم proof-of-concept می‌سازند، اما در چرخهٔ فروش. تیم AI Build در Stripe مالک POC های راهبردی «از تعهد اولیهٔ مشتری تا فعال‌سازی» است و ۷ سال یا بیشتر تجربهٔ کار فنی مشتری‌محور می‌خواهد. Demo Engineer در Anthropic به گفتهٔ آگهی «میان مهندسی محصول، روایت فنی و اجرای GTM» قرار دارد. در نمونه‌سازی داخلی مخاطب اصلی تیم محصول و پژوهش است، نه خریدار.
تأثیر در صنایع مختلف
مهندس نمونه‌سازی هوش مصنوعی در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
سخت‌افزار و دستگاه‌ها
Lenovo نمونه‌های ایجنت و دموهای تعاملی را برای محصولات موبایل، edge و سازمانی خود می‌خواهد و تجربه با AI روی دستگاه را امتیاز می‌داند
داروسازی و پژوهش زیست‌پزشکی
Novartis با نمونه‌سازی سریع، سیستم‌های مولد و agentic برای سرعت دادن به کشف دارو و افزایش بهره‌وری دانشمندان می‌سازد
بیمهٔ سلامت
Oscar Health از مهندس AI خود می‌خواهد ایده‌ها را از نمونهٔ صفر تا یک به سیستم پروداکشن ببرد و workflow های پیچیدهٔ حوزهٔ سلامت را خودکار کند
مالی و فین‌تک
Coinbase برای فرایندهای برنامه‌ریزی مالی و خزانه‌داری نمونه می‌سازد و در Robinhood کارمندان بخش‌های مالی، حقوقی و انطباق هر هفته با ابزارهای AI نمونه می‌سازند
زیرساخت داده
تیم Fivetran AI روش‌های تازهٔ بازیابی و استدلال را نمونه‌سازی می‌کند، نمونه‌های موفق را به قابلیت پروداکشن تبدیل می‌کند و روی قابلیت‌هایی مثل تبدیل زبان طبیعی به SQL کار می‌کند
شرکت‌های مدل هوش مصنوعی
طبق آگهی Anthropic، Claude Code و MCP از تیم Labs بیرون آمده‌اند؛ OpenAI هم تیم Product Explorations را برای تبدیل قابلیت‌های تازهٔ مدل به تجربهٔ کاربری دارد
ابزارهای خلاقیت و همکاری
tldraw رابط‌ها و الگوهای تعامل تازه، به‌خصوص در canvas و ابزارهای خلاقیت و AI، را با نمونه‌های کدنویسی‌شده می‌آزماید
ابزارهای توسعهٔ نرم‌افزار
GitHub Next پروژه‌هایش را با برچسب «Research Prototype» منتشر می‌کند؛ از جمله نمونه‌هایی برای workflow های agentic در GitHub Actions
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
نمونه‌سازی یعنی کد بی‌کیفیت و دورریختنی
دو آگهی مهم این شغل هر دو طرف را می‌خواهند. Anthropic Labs «پذیرش بدهی فنی وقتی معامله درست است» را می‌خواهد، اما Lenovo صریحاً «کد تمیز و مستندی که پس از تأیید ایده بتوان به مهندسان پروداکشن تحویل داد». مهارت اصلی تشخیص این است که هر نمونه چقدر کیفیت لازم دارد.
این شغل نقطهٔ ورود تازه‌کارهاست
در آگهی‌های بررسی‌شده نقش جونیور با این تمرکز پیدا نشد. Lenovo ۳ تا ۵ سال تجربهٔ مهندسی نرم‌افزار (دست‌کم ۱ سال روی AI یا LLM) می‌خواهد، Novartis و Fivetran دست‌کم ۵ سال و Anthropic Labs ۸ سال یا بیشتر. نمونه‌سازی سریع از سابقهٔ ساختن زیاد می‌آید.
برای این کار باید پژوهشگر یادگیری ماشین بود
آگهی Anthropic Labs در فهرست چیزهایی که لازم نیست داشته باشید، «تجربهٔ مستقیم پژوهش در یادگیری ماشین یا AI» و «گواهینامه یا مدرک رسمی» را آورده است. Lenovo هم مدرک را می‌خواهد اما «تجربهٔ عملی معادل» را می‌پذیرد. آنچه همه می‌خواهند توانایی ساختن سریع و نمونه‌کار است.
حالا که همه با AI نمونه می‌سازند، این نقش بی‌معنا شده است
آگهی Robinhood نشان می‌دهد کارمندان غیرفنی هر هفته با ابزارهای AI نمونه می‌سازند، اما همان آگهی تیمی از مهندسان ارشد را برای ارزیابی این نمونه‌ها و تصمیم دربارهٔ آن‌ها استخدام می‌کند و می‌نویسد معمولاً «ایده و workflow می‌ماند، به‌ندرت کد». ارزش مهندس به سمت قضاوت و سخت‌کردن نمونه جابه‌جا می‌شود.
دموی خوب یعنی ایدهٔ موفق
آگهی Demo Engineer در Anthropic می‌نویسد چون دمو اغلب اولین برداشت کسی از توانایی‌های مدل است، «دقت و صداقت به اندازهٔ ظاهر اهمیت دارد». Anthropic Labs هم از مهندس می‌خواهد ایده‌ها را با کاربران «تأیید یا رد» کند؛ یعنی نمونه ابزار تصمیم است، نه نمایش.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
با این عنوان نقش جونیوری در آگهی‌ها دیده نشد. در این سطح معمولاً به‌عنوان مهندس نرم‌افزار یا AI کار می‌کنید و بخشی از نمونه‌های تیم را می‌سازید؛ بهترین راه آماده شدن، ساختن پروژه‌های جانبی و دمو است.
- ◆ساخت یک بخش مشخص از نمونهٔ تیم، مثلاً اتصال به API یک مدل یا افزودن streaming به رابط
- ◆آماده کردن دادهٔ نمونه برای دمو بدون استفاده از دادهٔ واقعی و حساس
- ◆اجرای چند پرسش آزمایشی و یادداشت جاهایی که نمونه اشتباه می‌کند
- ◆نوشتن README کوتاه برای نمونه: چه می‌کند، چه نمی‌کند
میانی (۲–۵ سال)
مسئولیت یک نمونه را از تعریف تا دمو دارید. با تیم محصول نیاز را به مشخصات نمونه تبدیل می‌کنید، می‌سازید، ارائه می‌دهید و بازخورد را در نسخهٔ بعد اعمال می‌کنید؛ همان چرخه‌ای که آگهی Lenovo توصیف می‌کند.
- ◆جلسه با یک تیم محصول برای فهم نیاز واقعی کاربر و تعریف محدودهٔ نمونه
- ◆آزمودن چند مدل یا فریم‌ورک ایجنت برای یک کاربرد و انتخاب گزینهٔ مناسب
- ◆ساخت نمونه و سنجیدن آن با یک مجموعهٔ تست کوچک
- ◆ارائهٔ دمو به مدیران با چند اسلاید یا ویدیوی کوتاه که «so what» را روشن کند
- ◆نوشتن گزارش امکان‌سنجی با trade-off ها و پیشنهاد
ارشد (۵+ سال)
تمرکز روی انتخاب ایده‌ها، طراحی آزمایش و تصمیم ادامه یا توقف است. نمونه‌های موفق را با مستندات به تیم‌های محصول می‌سپارید و الگوها و ابزارهای مشترک می‌سازید تا چرخه‌های بعدی سریع‌تر شوند.
- ◆طراحی آزمایشی برای سنجیدن یک فرضیهٔ محصولی با کاربران آزمایشی
- ◆تصمیم دربارهٔ اینکه کدام نمونه ادامه پیدا کند و کدام کنار برود
- ◆آماده کردن یک نمونهٔ موفق برای تحویل به تیم پروداکشن
- ◆بازخورد به تیم پژوهش دربارهٔ جاهایی که مدل ضعیف عمل کرد
- ◆منتورینگ مهندسان جوان‌تر و ساخت اجزای قابل استفادهٔ مجدد
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈ساخت نمونه و دموی کارکردی از قابلیت‌های تازهٔ مدل‌ها، ایجنت‌ها و مدل‌های چندوجهی در چند روز
- ◈بررسی عملی مدل‌ها، فریم‌ورک‌ها و ابزارهای تازه و نوشتن گزارش امکان‌سنجی با trade-off ها و پیشنهاد روشن
- ◈ساخت نمونه‌های RAG و ایجنت که مدل پایه را به داده و ابزارهای سازمان وصل می‌کنند
- ◈طراحی آزمایش و ارزیابی برای اینکه معلوم شود یک نمونه واقعاً کار می‌کند یا نه
- ◈آماده کردن نمونه‌های موفق برای تحویل: کد تمیز، مستندات و یافته‌ها برای تیم پروداکشن
- ◈ساخت ابزار و اجزای قابل استفادهٔ مجدد که چرخه‌های بعدی نمونه‌سازی را سریع‌تر می‌کنند
- ◈کار با تیم‌های محصول و کاربران برای تبدیل نیاز واقعی به مشخصات نمونه و گرفتن بازخورد پس از هر دمو
- ◈ارائهٔ دمو و یافته‌ها به مدیران و ذی‌نفعان غیرفنی با اسلاید، ویدیوی کوتاه یا خلاصهٔ نوشتاری
- ◈پیشنهاد ادامه یا توقف هر ایده بر اساس داده و بازخورد کاربران
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس نمونه‌سازی هوش مصنوعی موفق به آن‌ها نیاز دارد
مهارت‌های فنی
زبان اصلی؛ Lenovo مهارت قوی همراه با الگوهای async و Novartis تسلط قوی برای ساخت سرویس و API می‌خواهد
ساختن نمونه از بک‌اند تا رابط کاربری به‌تنهایی؛ Anthropic Labs و OpenAI Product Explorations هر دو مهندس full-stack می‌خواهند
پرامپت، tool use و بازیابی؛ آگهی Demo Engineer در Anthropic همین سه را نام می‌برد
LangChain، LangGraph، LlamaIndex یا AutoGen؛ آگهی Lenovo تجربهٔ عملی با یکی از آن‌ها را الزامی می‌داند
Lenovo «توانایی اثبات‌شدهٔ ساخت سریع نمونه یا دمو، ترجیحاً با نمونه‌هایی برای نشان دادن» را می‌خواهد
Novartis دست‌کم ۲ سال تجربهٔ طراحی اپلیکیشن LLM با RAG و اتصال ابزار می‌خواهد
درک معیارهای کیفیت، قابلیت اطمینان و هزینه (Novartis) و طراحی ارزیابی برای دمو (Anthropic)
اتصال ایجنت به ابزار و داده؛ Lenovo و Fivetran آشنایی با آن را امتیاز می‌دانند
تصویر، گفتار یا مدل روی دستگاه؛ از امتیازهای آگهی Lenovo
Fivetran و Robinhood کار روزمره با coding agent ها را می‌خواهند
مهارت‌های نرم و محصولی
Lenovo راحتی با محیط‌های مبهم و اولویت‌های متغیر را می‌خواهد و Anthropic Labs راحتی با پروژه‌هایی که شاید سه ماه بعد نباشند
ارائهٔ دمو و یافته‌ها به مدیران و ذی‌نفعان با اسلاید، ویدیو و خلاصهٔ نوشتاری (Lenovo)
تشخیص اینکه چه چیزی برای کاربر و کسب‌وکار مهم است؛ OpenAI و Fivetran هر دو این را صریحاً می‌خواهند
Anthropic Labs کسی را می‌خواهد که پیش از سرمایه‌گذاری زیاد ایده را با کاربران واقعی بسنجد
توضیح درس‌های پروژه‌های متوقف‌شده و نگاه به کار به‌عنوان آزمایش (Anthropic Labs)
کار با تیم‌های محصول و کسب‌وکار و تبدیل نیاز واقعی به مشخصات نمونه (Lenovo)
دانش حوزه‌ای و قضاوت
Fivetran «آگاهی قوی از محصول و بازار برای قضاوت دربارهٔ اینکه کدام تکنیک تازه ارزش ساختن دارد» را می‌خواهد
Novartis آگاهی از امنیت، حاکمیت و AI مسئولانه را می‌خواهد و Anthropic تجربهٔ ساخت دادهٔ مصنوعی برای دمو، بدون افشای اطلاعات حساس
آگهی‌ها تجربهٔ حوزه را امتیاز می‌دانند: کشف دارو در Novartis، سلامت در Oscar، سیستم‌های مالی و SOX در Coinbase
Lenovo صریحاً نمونه‌کاری از دمو، پروژهٔ جانبی، پست وبلاگ یا مشارکت متن‌باز در AI می‌خواهد
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس نمونه‌سازی هوش مصنوعی
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
برنامه‌نویسی full-stack: Python، TypeScript و React
نمونه‌ساز باید بتواند یک ایده را به‌تنهایی از بک‌اند تا رابط کاربری بسازد. آگهی Lenovo «مهارت قوی در Python، از جمله الگوهای async» می‌خواهد و آگهی Labs در Anthropic تسلط بر پشته‌های وب مثل React، Node.js و Python. با Python شروع کنید و بعد React و TypeScript را در حدی یاد بگیرید که یک صفحهٔ تعاملی ساده بسازید.
کار با API مدل‌ها: پرامپت، tool use و بازیابی
آگهی Applied AI Demo Engineer در Anthropic «تجربهٔ عملی ساخت اپلیکیشن یا ایجنت روی API مدل‌های زبانی، شامل پرامپت، tool use و بازیابی» را می‌خواهد. در این مرحله با API یک مدل کار کنید، خروجی ساختاریافته بگیرید و مدل را به یک ابزار یا منبع داده وصل کنید.
ابزارهای ساخت سریع دمو و رابط
سرعت این شغل از ابزار می‌آید: Streamlit و Gradio برای دموی پایتونی در چند ساعت، و Next.js و AI SDK برای نمونه‌ای که شبیه محصول واقعی باشد. Lenovo از این نقش می‌خواهد دموی کارکردی را «در چند روز، نه چند ماه» تحویل دهد. یاد بگیرید هر دمو را با یک لینک قابل‌اشتراک منتشر کنید.
ایجنت‌ها، RAG و ارزیابی نمونه
بیشتر نمونه‌های امروز ایجنت یا RAG هستند. آگهی Lenovo تجربهٔ عملی با LangChain، LangGraph، LlamaIndex یا AutoGen را الزامی و آشنایی با MCP را امتیاز می‌داند؛ آگهی Novartis طراحی اپلیکیشن LLM با RAG و اتصال ابزار را. در کنار ساختن، سنجیدن را هم یاد بگیرید: نمونه‌ای که نمی‌دانید چقدر درست کار می‌کند، برای تصمیم‌گیری به کار نمی‌آید.
حس محصول، آزمایش و ارائه
تفاوت نمونه‌ساز خوب با برنامه‌نویس سریع در قضاوت است: چه چیزی ارزش ساختن دارد و کی باید ایده را کنار گذاشت. آگهی Labs در Anthropic کسی را می‌خواهد که پیش از سرمایه‌گذاری زیاد، ایده را با کاربران واقعی بسنجد و آزمایش ساختاریافته طراحی کند. Lenovo هم ارائهٔ دمو با اسلاید، ویدیوی کوتاه و خلاصهٔ نوشتاری را جزو وظایف آورده است.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
زبان و رابط کاربری
برای نمونه‌هایی که رابط وب دارند؛ آگهی Demo Engineer در Anthropic «Python یا TypeScript» می‌خواهد
دموی سریع و انتشار
فریم‌ورک‌های ایجنت و اتصال
پروتکل اتصال ایجنت به ابزار و داده؛ Lenovo آشنایی با آن را امتیاز می‌داند و Anthropic Labs آن را از دستاوردهای خود می‌شمارد
کدنویسی با AI و ثبت آزمایش
ویرایشگر کد با AI؛ آگهی‌های Fivetran و Robinhood کار روزمره با ابزارهای کدنویسی مبتنی بر ایجنت را می‌خواهند
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
مهندس نرم‌افزار یا AI (نقطهٔ ورود)
۰ تا ۳ سال
در آگهی‌های بررسی‌شده نقش جونیوری با عنوان نمونه‌سازی پیدا نشد؛ ورود معمولاً از مهندسی نرم‌افزار، full-stack یا AI است و همان‌جا ساختن نمونه، پروژهٔ جانبی و دمو سابقه می‌سازد
AI Prototyping Engineer
۳ تا ۵ سال
ساخت نمونه و دمو از ایده‌های تازهٔ AI، گزارش امکان‌سنجی و ارائه به ذی‌نفعان؛ آگهی Lenovo ۳ تا ۵ سال تجربهٔ مهندسی نرم‌افزار، شامل دست‌کم ۱ سال کار روی سیستم‌های AI یا LLM، می‌خواهد
Senior (مثلاً Senior Expert, Rapid Prototyping)
۵+ سال
ساخت نمونه و تبدیل نمونه‌های موفق به سیستم پروداکشن، معماری و به اشتراک گذاشتن الگوها؛ آگهی‌های Novartis و Fivetran هر دو دست‌کم ۵ سال تجربه می‌خواهند
Staff / مهندس Labs
۷ تا ۸ سال به بالا
مالکیت ایده‌های صفر تا یک، طراحی آزمایش و تصمیم ادامه یا توقف؛ آگهی Labs در Anthropic ۸ سال یا بیشتر و آگهی Staff AI Engineer در Oscar ۷ سال یا بیشتر تجربه می‌خواهد
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
دموی جذاب در برابر دموی صادق
عمومیدمو اغلب اولین برداشت کسی از یک قابلیت است. آگهی Demo Engineer در Anthropic به همین دلیل می‌گوید دقت و صداقت به اندازهٔ ظاهر اهمیت دارد. دمویی که فقط روی چند مثال انتخاب‌شده کار کند، تیم را به تصمیم اشتباه می‌رساند.
کنار گذاشتن کار خودتان
استارتاپبیشتر نمونه‌ها ادامه پیدا نمی‌کنند. Anthropic Labs کسی را می‌خواهد که «وقتی داده می‌گوید، پروژه‌های خودش را متوقف کند» و با پروژه‌هایی کار کند که شاید سه ماه بعد وجود نداشته باشند. برای بعضی‌ها این از نظر روانی سخت است.
تحویل نمونه به پروداکشن
شرکت بزرگنمونهٔ موفق باید به دست تیم دیگری برسد. Lenovo کد مستند و قابل تحویل می‌خواهد، و Robinhood می‌نویسد هنگام تبدیل نمونه به سرویس سازمانی معمولاً ایده و workflow می‌ماند و به‌ندرت کد. مستندسازی تصمیم‌ها و محدودیت‌ها بخشی از کار است.
سرعت تغییر مدل‌ها و ابزارها
عمومیاین نقش باید مدام چیزهای تازه را بیازماید: Lenovo بررسی فریم‌ورک‌ها و مدل‌های تازه را می‌خواهد و Novartis ارزیابی ابزارها و فناوری‌های نو را. Fivetran هم قضاوت دربارهٔ اینکه کدام تکنیک ارزش ساختن دارد و کدام هیاهوست را جزو شرایط آورده است.
سنجیدن نمونه با دادهٔ کم
تحقیقاتیتصمیم ادامه یا توقف اغلب با تعداد کمی کاربر و نمونه گرفته می‌شود. Anthropic Labs طراحی آزمایش ساختاریافته را می‌خواهد که «کاوش خلاقانه را با ارزیابی دقیق» متعادل کند؛ ساختن چنین ارزیابی‌ای با دادهٔ کم مهارتی جداگانه است.
مقررات و دادهٔ حساس
شرکت بزرگدر صنایعی مثل مالی و دارو، نمونه هم باید قواعد را رعایت کند. FDE مالی Coinbase باید هر خروجی خودکار را برای حسابرسان قابل ردیابی و بازبینی کند و Novartis آگاهی از امنیت و حاکمیت داده را می‌خواهد. آگهی Demo Engineer در Anthropic هم تجربهٔ ساخت دادهٔ مصنوعی یا پاک‌سازی‌شده را می‌خواهد تا دمو واقعی به نظر برسد بدون اینکه اطلاعات حساس افشا شود.
حقوق و بازار کار جهانی
حقوق جهانی مهندس نمونه‌سازی 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:
- Fivetran posting, Senior R&D Software Engineer, Fivetran AI (Austin; 5+ years), posted Jul 20, 2026: pay range; median = midpoint
- Oscar Health posting, Staff AI Engineer (New York; 7+ years), posted Aug 11, 2026: base range; median = midpoint
- Anthropic posting, Software Engineer, Labs (SF/NYC/Seattle; 8+ years), posted Dec 8, 2025, open Oct 2026: annual salary range; median = midpoint
- Novartis posting, Senior Expert (Rapid Prototyping) (Dublin; 5+ years), page dated Oct 19, 2026: expected annual base range; median = midpoint
- Proxy: AI Engineer — Robert Half 2027 Salary Guide, US national: low–high range; median = mid tier
- Proxy: AI Engineer — Robert Half 2027 Salary Guide, Canada national: low–high range; median = mid tier
- Proxy: AI Engineer — ITJobsWatch, 6 months to 22 Oct 2026, UK permanent ads: 25th–75th pct; median (504 salaries)
- ITJobsWatch, 6 months to 22 Oct 2026: UK permanent IT ads citing Rapid Prototyping (skill, not job title); 25th–75th pct; median (86 salaries)
- Proxy: AI Engineer — Robert Half 2026 Salary Guide, Australia national: 25th–75th pct; median = 50th pct
- Proxy: AI Engineer — Robert Half 2027 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: API مدل‌ها و اولین دمو
با API یک مدل کار کنید و یک دموی Streamlit یا Gradio بسازید که یک مسئلهٔ کوچک واقعی را حل کند؛ آن را منتشر کنید.
ماه ۲: رابط وب با React و Next.js
یک نمونه با رابط وب و streaming بسازید تا شبیه محصول واقعی باشد.
ماه ۳: RAG با مجموعهٔ تست
دستیاری روی چند سند بسازید که منبع هر پاسخ را نشان دهد و دقتش را با چند ده پرسش بسنجید.
ماه ۴: ایجنت با ابزار
یک ایجنت ساده با دو یا سه ابزار بسازید و ابزارها را از طریق MCP وصل کنید.
ماه ۵: آزمایش با کاربر
یکی از نمونه‌ها را به چند کاربر واقعی نشان دهید، بازخورد بگیرید و یک یادداشت تصمیم بنویسید: ادامه یا توقف.
ماه ۶: نمونه‌کار و درخواست
نمونه‌ها را با ویدیوی کوتاه و توضیح «چه چیزی ثابت شد» مرتب کنید؛ Lenovo دقیقاً همین نمونه‌کار از دمو، پروژهٔ جانبی و پست وبلاگ را می‌خواهد. برای نقش‌های AI Engineer و Applied AI Engineer با تمرکز نمونه‌سازی هم درخواست بدهید.
پروژه‌های پیشنهادی برای رزومه
دموی یک قابلیت تازهٔ مدل در دو روز
مبتدییک قابلیت مدل (مثلاً خواندن تصویر یا فراخوانی ابزار) را انتخاب کنید و با Streamlit یا Gradio دمویی بسازید که یک مسئلهٔ واقعی را نشان دهد. آن را روی Hugging Face Spaces منتشر کنید و در یک پاراگراف بنویسید این دمو چه چیزی را ثابت می‌کند و چه چیزی را نه.
نمونهٔ RAG برای یک کار مشخص، با مجموعهٔ تست کوچک
متوسطبرای یک گروه مشخص (مثلاً پرسش‌های پرتکرار یک اداره یا مستندات یک نرم‌افزار) دستیار پاسخ‌گو بسازید که منبع هر پاسخ را نشان دهد. چند ده پرسش با پاسخ درست جمع کنید و دقت نمونه را با آن بسنجید.
ایجنت با ابزار و MCP، با رابط وب
متوسطایجنتی بسازید که با دو یا سه ابزار (مثلاً جستجو در یک API و نوشتن در یک فایل) کاری چندمرحله‌ای انجام دهد. ابزارها را از طریق MCP وصل کنید و رابط آن را با Next.js و streaming بسازید تا کاربر مراحل کار ایجنت را ببیند.
سه نسخه از یک ایده و یک تصمیم
پیشرفتهبرای یک ایده سه نمونهٔ متفاوت بسازید (مثلاً چت، فرم ساختاریافته و دستیار داخل سند)، هر کدام را به چند کاربر واقعی نشان دهید و یک یادداشت یک‌صفحه‌ای بنویسید: کدام ادامه پیدا کند، کدام کنار برود و چرا. این همان «validate (or invalidate)» است که آگهی Anthropic Labs می‌خواهد.
از نمونه تا تحویل به پروداکشن
پیشرفتهیکی از نمونه‌های قبلی را برای تحویل آماده کنید: تست، مجموعهٔ ارزیابی، README با محدودیت‌ها و تصمیم‌ها، و یک سند کوتاه برای تیمی که قرار است آن را ادامه دهد. Lenovo دقیقاً «کد تمیز و مستندی که پس از تأیید ایده به مهندسان پروداکشن تحویل شود» را می‌خواهد.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
طبق صفحهٔ «درباره» سایتش، کارشناسی انسان‌شناسی فرهنگی (cultural anthropology) را در یک کالج آمریکایی گرفت و برای گذران زندگی به طراحی و تصویرسازی آزاد رو آورد. از ۲۰۱۶ تا ۲۰۲۱ در Egghead تصویرگر، مدیر هنری و طراح UX بود و از ۲۰۲۲ تا ۲۰۲۴ طراح محصول مؤسس Elicit، ابزاری پژوهشی که با مدل‌های زبانی مرور سیستماتیک مقالات را سریع‌تر می‌کند.
از ژوئیهٔ ۲۰۲۴ تا ژانویهٔ ۲۰۲۵ Lead Design Engineer در Normally بود، استودیویی که برای شرکت‌های بزرگ‌تر فناوری نمونه‌های اولیهٔ AI می‌سازد، و به گفتهٔ خودش آنجا نمونه‌های صفر تا یک با تمرکز بر فرانت‌اند و LLM ساخت. از اکتبر ۲۰۲۵ Staff Research Engineer در GitHub Next است و نمونه‌ها و ابزارهایی می‌سازد که همکاری مهندسان نرم‌افزار با AI را می‌کاوند.
مسیر او نشان می‌دهد ورود به نمونه‌سازی AI فقط از علوم کامپیوتر نمی‌گذرد. به نظر می‌رسد ترکیب حس طراحی با توانایی ساختن، همان چیزی است که تیم‌های نمونه‌سازی دنبالش هستند.
طبق سایت شخصی‌اش، در کره و ایندیانا بزرگ شد و در Berkeley درس خواند. مهندس نرم‌افزار در Replit، Hack Club و Spensa بود، بعد Researcher in Residence در Betaworks و سپس Research Engineer در Notion شد.
به گفتهٔ خودش بیش از ۱۰۰ پروژهٔ جانبی ساخته، از زبان برنامه‌نویسی و کامپایلر تا محیط‌های یادگیری تعاملی و ابزارهای بهره‌وری شخصی، و کارش را «نمونه‌سازی رابط‌های نرم‌افزاری» توصیف می‌کند. در AI Engineer Summit اکتبر ۲۰۲۳ دربارهٔ embeddings سخنرانی کرد و اکنون در Thrive Capital روی تفسیرپذیری، رابط‌ها و استقرار AI پژوهش و مشاوره می‌کند.
تعداد زیاد پروژه‌های کوچک و منتشرشده، خودش نوعی نمونه‌کار است. به نظر می‌رسد عادت به ساختن مداوم همان مهارتی را تمرین می‌دهد که این شغل از روز اول می‌خواهد.
طبق سایت شخصی‌اش، در ابتدای کار در استارتاپ‌ها طراحی و مهندسی می‌کرد، سپس دکترای HCI را در MIT زیر نظر Daniel Jackson گرفت و پژوهشگر ارشد آزمایشگاه مستقل Ink & Switch شد. اکنون در Notion کار می‌کند.
روی «نرم‌افزار انعطاف‌پذیر» (malleable software) کار می‌کند، محیط‌هایی که هر کسی بتواند نرم‌افزارش را با نیاز خود تطبیق دهد، و نمونه‌هایی مثل Potluck، Wildcard و Embark ساخته است. مهارت اصلی خود را «طراحی و نمونه‌سازی محیط‌هایی برای فکر کردن» می‌داند و دربارهٔ برنامه‌نویسی با کمک AI مقاله‌هایی مثل «Malleable software in the age of LLMs» نوشته است.
او هر نمونه را با یک نوشته همراه کرده است. به نظر می‌رسد توضیح اینکه یک نمونه چه چیزی را ثابت کرد، به اندازهٔ خود نمونه ارزش دارد.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Advisory AI Prototyping Engineer
تحلیل نیازمندی‌ها
3–5 years of software engineering experience, with at least 1 year focused on ML/AI systems or LLM-based applications.
این نقش برای مهندس نرم‌افزاری است که اخیراً وارد کار با AI شده؛ لازم نیست سال‌ها سابقهٔ یادگیری ماشین داشته باشید، اما پایهٔ مهندسی نرم‌افزار ضروری است. یک سال کار روی اپلیکیشن LLM می‌تواند در همان شغل فعلی‌تان به دست بیاید.
ضروریStrong Python skills, including experience with async patterns and working with AI/ML libraries.
Python زبان اصلی است. ذکر async مهم است: ایجنت‌ها و دموها چند فراخوانی هم‌زمان به مدل و ابزار دارند و بدون async کند می‌شوند.
ضروریHands-on experience with agentic frameworks such as LangChain, LangGraph, LlamaIndex, or AutoGen.
«such as» یعنی تجربه با یکی از این‌ها کافی است. آنچه اهمیت دارد این است که بدانید ایجنت چطور ابزار صدا می‌زند، وضعیت را نگه می‌دارد و چند مرحله را جلو می‌برد.
ضروریDemonstrated ability to build functional AI prototypes or demos quickly, ideally with examples to show.
مهم‌ترین شرط آگهی. «Demonstrated» یعنی ادعا کافی نیست و باید نمونه نشان دهید؛ چند دموی منتشرشده با لینک، از هر مدرکی قانع‌کننده‌تر است.
ضروریStrong communication skills — able to explain technical concepts to both engineers and non-technical stakeholders.
بخش مهمی از کار ارائه است. باید بتوانید برای مدیر یک واحد کسب‌وکار توضیح دهید نمونه چه چیزی را ثابت کرد و محدودیتش چیست، بدون اصطلاحات فنی.
ضروریA portfolio of demos, side projects, blog posts, or open-source contributions showcasing AI work.
آگهی صریحاً نمونه‌کار عمومی می‌خواهد. برای کسی که از رشتهٔ دیگری می‌آید، این بهترین راه جبران نداشتن سابقهٔ رسمی در AI است.
مهمBS/MS in Computer Science, AI/ML, or related field; equivalent practical experience considered.
مدرک خواسته شده اما «تجربهٔ عملی معادل» هم پذیرفته می‌شود؛ یعنی سابقهٔ کار و نمونه‌کار می‌تواند جای مدرک را بگیرد.
مهمFamiliarity with MCP (Model Context Protocol) or similar agent communication protocols.
MCP روشی استاندارد برای وصل کردن ایجنت به ابزار و داده است. امتیاز است نه شرط، اما چون نمونه‌ها بیشتر ایجنت‌اند، یاد گرفتنش وقت زیادی نمی‌برد و ارزش دارد.
مفیدExperience with MLOps tools or experiment tracking frameworks (MLflow, W&B, etc.).
ثبت آزمایش‌ها کمک می‌کند نتیجهٔ نمونه‌های مختلف را مقایسه کنید و گزارش امکان‌سنجی را به داده تکیه دهید.
مفیدتحلیل مسئولیت‌ها
Design, build, and iterate on AI agent prototypes and interactive demos that showcase novel capabilities across Lenovo's product ecosystem (mobile, edge, enterprise).
خروجی اصلی کار نمونهٔ ایجنت و دموی تعاملی است، آن هم روی محصولاتی که از موبایل تا سرور سازمانی متفاوت‌اند؛ یعنی باید محدودیت‌های هر محیط، مثل تأخیر روی دستگاه، را هم در نظر بگیرید.
Maintain a "prototype-first" mindset — ship working demos in days, not months.
معیار موفقیت سرعت است. یعنی باید ابزارهای ساخت سریع را خوب بشناسید و بدانید کجا کار را ساده نگه دارید.
Conduct hands-on technical investigations of new AI models, tools, and frameworks, and produce clear feasibility reports summarizing findings, trade-offs, and recommendations.
بخشی از کار پاسخ دادن به سؤال «آیا این شدنی است؟» است. خروجی یک گزارش روشن است، نه فقط کد؛ نوشتن خوب اینجا مستقیم به کار می‌آید.
Partner with Business Group (BG) product teams to understand real user needs and translate them into prototype specifications.
پیش از ساختن باید بفهمید مسئلهٔ واقعی چیست. نمونه‌ای که به نیاز واقعی وصل نباشد، هرچقدر هم جذاب، به محصول تبدیل نمی‌شود.
Create supporting materials (slide decks, short videos, written summaries) that communicate the "so what" of each prototype.
«so what» یعنی چرا این نمونه مهم است. مدیران همیشه وقت دیدن دموی زنده را ندارند؛ یک ویدیوی کوتاه یا خلاصهٔ یک‌صفحه‌ای همان پیام را می‌رساند.
Write clean, well-documented prototype code that can be handed off to production engineers when a concept is validated.
در این تیم، نمونه دورریختنی نیست؛ اگر ایده تأیید شود، کد به تیم دیگری می‌رسد. پس سرعت نباید به قیمت کدی تمام شود که هیچ‌کس نتواند ادامه‌اش دهد.
Develop/integrate platforms for AI models and agent behaviors assessment for performance, accuracy, robustness, and fairness, and provide actionable insights to improve reliability and developer experience.
سنجیدن هم بخشی از کار است: عملکرد، دقت، پایداری و انصاف رفتار مدل و ایجنت. نمونه‌ای که سنجیده نشده، پایهٔ خوبی برای تصمیم نیست.
نتیجه‌گیری کلی
این آگهی تصویر روشنی از این شغل می‌دهد: مهندس نرم‌افزاری با ۳ تا ۵ سال تجربه که دست‌کم یک سال با LLM کار کرده، ایده‌های تازه را در چند روز به دموی کارکردی تبدیل می‌کند، امکان‌پذیری را گزارش می‌دهد، نتیجه را برای مدیران ارائه می‌کند و کدی تحویل می‌دهد که تیم پروداکشن بتواند ادامه دهد. چند شرط الزامی آگهی دربارهٔ ارتباط، کار با تیم‌های دیگر و نمونه‌کار عمومی است، نه فقط مهارت فنی. آگهی بازهٔ حقوق اعلام نکرده است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
BLS پیش‌بینی می‌کند اشتغال گروه «توسعه‌دهندگان نرم‌افزار، تحلیلگران تضمین کیفیت و تسترها» در آمریکا از ۲۰۲۵ تا ۲۰۳۵، ۱۰٪ رشد کند که بسیار سریع‌تر از میانگین همهٔ مشاغل است. BLS گروه جداگانه‌ای برای نمونه‌سازی یا مهندسی AI ندارد و این نزدیک‌ترین گروه رسمی است.
منبع: BLS Occupational Outlook Handbook — Software Developers, QA Analysts, and Testers (2025–35)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
در گزارش Future of Jobs 2025 مجمع جهانی اقتصاد (WEF)، کارفرمایان شرکت‌کننده «متخصصان AI و یادگیری ماشین» و «توسعه‌دهندگان نرم‌افزار و اپلیکیشن» را سومین و چهارمین شغل پررشد (از نظر درصد) تا ۲۰۳۰ دانسته‌اند. توسعه‌دهندگان نرم‌افزار در همین گزارش از نظر تعداد مطلق هم جزو بزرگ‌ترین شغل‌های در حال رشدند.
BLS آمریکا پیش‌بینی می‌کند اشتغال توسعه‌دهندگان نرم‌افزار، تحلیلگران تضمین کیفیت و تسترها از ۲۰۲۵ تا ۲۰۳۵، ۱۰٪ رشد کند و یکی از دلایل را گسترش توسعهٔ نرم‌افزار برای هوش مصنوعی، اینترنت اشیا و رباتیک می‌داند.
بزرگ‌ترین ریسک این است که ساختن نمونه دیگر مهارت کمیابی نباشد. آگهی Robinhood می‌نویسد کارمندان بخش‌های مالی، منابع انسانی، حقوقی و انطباق هر هفته با ابزارهای AI نمونه‌های ابزارهای مورد نیازشان را می‌سازند؛ همان آگهی مهندسانی را می‌خواهد که این نمونه‌ها را بسنجند و تصمیم بگیرند کدام بماند. یعنی ارزش به سمت قضاوت، ارزیابی و تبدیل نمونه به سیستم قابل‌اعتماد جابه‌جا می‌شود. ریسک دوم کمیابی خود عنوان است: چون این کار بیشتر زیر عنوان‌هایی مثل AI Engineer آگهی می‌شود، باید مهارت‌هایتان را طوری بسازید که برای آن نقش‌ها هم قابل‌قبول باشد.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۲۸ منبع بررسی شده است.
- Advisory AI Prototyping Engineer — Lenovo (job posting)
- Senior Expert (Rapid Prototyping), Hyderabad — Novartis (job posting)
- Senior Expert (Rapid Prototyping), Dublin — Novartis (job posting)
- Software Engineer, Labs — Anthropic (job posting)
- Applied AI Demo Engineer — Anthropic (job posting)
- Full Stack Software Engineer, Product Explorations — OpenAI (job posting)
- Early Access Deployment Engineer — OpenAI (job posting)
- Senior R&D Software Engineer, Fivetran AI — Fivetran (job posting)
- Staff AI Engineer — Oscar Health (job posting)
- Forward Deployed Engineer, Finance [Office of the CTO] — Coinbase (job posting)
- Solutions Engineer, AI Build Team — Stripe (job posting)
- Design Engineer — tldraw (job posting)
- Senior Software Engineer, Enterprise Build — Robinhood (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 (2027 guide)
- ITJobsWatch — Artificial Intelligence Engineer (UK)
- ITJobsWatch — Rapid Prototyping (UK)
- Glassdoor — Ai Prototyping Engineer salaries (no reports)
- BLS Occupational Outlook Handbook — Software Developers, Quality Assurance Analysts, and Testers
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- GitHub Next
- Maggie Appleton — About
- Linus Lee — thesephist.com
- Geoffrey Litt — personal site
- Anthropic — Building effective AI agents
- Hamel Husain — Your AI Product Needs Evals