مهندس پشتیبانی فنی هوش مصنوعی
AI Support Engineer
مهندس پشتیبانی فنی هوش مصنوعی به شرکت‌ها و توسعه‌دهندگانی کمک می‌کند که محصولشان را روی یک پلتفرم AI ساخته‌اند و حالا جایی از کار گیر کرده است: خطای API، مشکل احراز هویت، کندی inference، شکست یک ایجنت یا خرابی استقرار. کار اصلی بازتولید مشکل، خواندن لاگ و trace، پیدا کردن علت ریشه‌ای و رساندن آن به تیم مهندسی با شواهد کامل است. عنوان «AI Technical Support Specialist» در آگهی‌های استخدام به‌عنوان عنوان شغلی به کار نمی‌رود؛ کارفرماها این کار را AI Support Engineer (مثل OpenAI و Cognition) یا Technical Support Engineer (مثل LangChain، Together AI، CoreWeave و Microsoft) می‌نامند.
مقدمه و تعریف شغل
مهندس پشتیبانی فنی هوش مصنوعی (AI Support Engineer) بعد از فروش وارد کار می‌شود: وقتی مشتری محصولش را روی یک پلتفرم AI ساخته و چیزی درست کار نمی‌کند. این پلتفرم می‌تواند API یک مدل زبانی باشد، یک ایجنت کدنویس، یک فریم‌ورک ساخت ایجنت یا یک ابر GPU برای آموزش و inference. کار او بازتولید مشکل، خواندن لاگ و trace، ساختن فرضیه دربارهٔ علت و آزمودن آن است. اگر مشکل از محصول باشد، آن را با شواهد کامل به تیم مهندسی می‌رساند؛ اگر از نحوهٔ استفادهٔ مشتری باشد، راه درست را توضیح می‌دهد. آگهی Cognition می‌نویسد این نقش «بسیار فراتر از پشتیبانی پایه» است.
در نوامبر ۲۰۲۶ آگهی‌های باز این نقش در شرکت‌های سازندهٔ مدل (OpenAI و Anthropic)، ابزارهای برنامه‌نویسی با AI (Cognition و Factory)، پلتفرم‌های ایجنت (LangChain، Braintrust و E2B)، ابرهای GPU (Together AI، CoreWeave، Lightning AI و Runpod) و شرکت‌های بزرگ ابری مثل Microsoft دیده می‌شد. عنوان‌ها فرق دارند: AI Support Engineer، Technical Support Engineer، AI Platform Support Engineer یا فقط Support Engineer. OpenAI تیمش را «نخستین تیم پشتیبانی پس از AGI» می‌نامد و می‌نویسد کار این مهندسان پشتیبانی از سیستم‌های حیاتی است که مشتری‌ها روی پلتفرم OpenAI می‌سازند. Lightning AI صریحاً نوشته این نقش «help desk یا ارجاع‌دهندهٔ تیکت نیست». در همین حال، ابزار کار هم عوض می‌شود: در E2B ایجنت‌های AI رشته‌های پشتیبانی را می‌خوانند، لاگ جمع می‌کنند و پیش‌نویس پاسخ می‌نویسند و مهندس تصمیم می‌گیرد چه چیزی درست است.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مهندس پشتیبانی فنی هوش مصنوعی
تشخیص علت ریشه‌ای و گزارش باگ قابل اقدام
Cognition از مهندس پشتیبانی می‌خواهد مشکل‌های محصول یا زیرساخت را با زمینهٔ فنی کامل به مهندسی ارجاع دهد: مراحل بازتولید، لاگ‌ها، جزئیات محیط و فرضیه‌های علت.
مدیریت ارتباط در حادثه
Together AI از مهندس پشتیبانی می‌خواهد در زمان حادثه یافته‌های فنی، مثل افت تأخیر یا قطع دسترسی شبکه، را به پیام‌هایی روشن و مستند برای مشتری تبدیل کند، بدون اینکه جزئیات داخلی پلتفرم را فاش کند.
Runbook، playbook و مقالهٔ پایگاه دانش
Braintrust می‌نویسد runbook و مستندات استقرار باید «یک پاسخ سخت‌به‌دست‌آمده را به پاسخی دائمی تبدیل کنند». LangChain هم بهبود مستندات را برای کم کردن درخواست‌های تکراری می‌خواهد.
ابزار تشخیص و اتوماسیون پشتیبانی
Braintrust از این نقش ابزارهای تشخیص، health check و اعتبارسنجی پیش از نصب می‌خواهد. E2B می‌خواهد مهندس پشتیبانی skill ها، دانش و اتوماسیون ایجنت‌های پشتیبانی را بسازد تا تیم بدون رشد هم‌اندازه کار بیشتری را پوشش دهد.
اصلاح مستقیم کد و پیکربندی
Braintrust می‌گوید مهندس پشتیبانی به‌جای سپردن هر مشکل به مهندسی، PR بفرستد. Together AI تغییرهای زیرساخت مثل پیکربندی endpoint و بالا یا پایین آوردن مدل را از راه pull request به این نقش سپرده است.
بازخورد محصول بر پایهٔ داده
Anthropic از Support Engineer می‌خواهد مشکل‌های فنی حساب‌هایش را با داده و جزئیات اثرشان به تیم محصول برساند تا درست اولویت‌بندی شوند. Together AI هم از الگوی درخواست‌های پشتیبانی برای شکل دادن نقشهٔ راه محصول استفاده می‌کند، مثلاً اینکه در آینده از کدام مدل‌ها پشتیبانی شود.
تخصص‌های مختلف مهندس پشتیبانی فنی هوش مصنوعی
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
پشتیبانی API و پلتفرم مدل
LLM API & Platform Support
پشتیبانی از مشتری‌هایی که روی API یک سازندهٔ مدل محصول ساخته‌اند: خطای API، یکپارچه‌سازی، احراز هویت و حادثهٔ پروداکشن. عنوان AI Support Engineer در OpenAI و Support Engineer در Anthropic.
پشتیبانی زیرساخت و inference
AI Infrastructure / Inference Support
کمک به تیم‌های ML که آموزش، fine-tuning و inference را روی خوشه‌های GPU اجرا می‌کنند: Kubernetes، شبکه، ذخیره‌سازی و خطاهای PyTorch و NCCL. آگهی‌های Together AI، CoreWeave، Lightning AI و Runpod.
پشتیبانی ابزارهای توسعه و ایجنت‌های کدنویس
Developer Tools & Coding Agents Support
عیب‌یابی ایجنت‌های کدنویس در محیط‌های واقعی توسعهٔ مشتری: مخزن کد، CI/CD، IDE و استقرار سازمانی. Cognition این کار را برای Devin و Windsurf آگهی کرده و Factory برای پلتفرمش.
پشتیبانی اختصاصی حساب‌های سازمانی
Dedicated / Named-Account Support
رابط فنی ثابت برای مجموعهٔ مشخصی از مشتری‌های بزرگ، حاضر در کانال‌های مشترک و جلسه‌های منظم حساب. Anthropic عنوان Support Engineer و OpenAI عنوان Dedicated Support Engineer را برای این کار به کار می‌برند.
ساخت ابزار AI برای تیم پشتیبانی
Support AI Tooling
نقشی همسایه که به‌جای پاسخ به مشتری، workflowهای AI و یکپارچه‌سازی‌های تیم پشتیبانی را می‌سازد؛ مثل Support Engineer, AI Infrastructure & Tooling در Figma که با Decagon و Zendesk کار می‌کند. مسیری برای کسی که بخش اتوماسیون این شغل را بیشتر دوست دارد.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
SRE از داخل شرکت مالک قابلیت اطمینان سرویس است: SLO، on-call و فرایند حادثه. مهندس پشتیبانی از مشکلی شروع می‌کند که مشتری گزارش داده؛ آن را بازتولید و ریشه‌یابی می‌کند و یا خودش حل می‌کند یا با شواهد کامل به مهندسی می‌سپارد. در شرکت‌های زیرساخت AI مرز باریک است: Together AI مهندس پشتیبانی را «SRE رو به مشتری» می‌نامد که باید سلامت endpoint های inference مشتری روی Kubernetes را حفظ کند و Braintrust برای Platform Support سابقهٔ SRE یا DevOps را هم می‌پذیرد. ابزارها مشترک‌اند؛ فرق در این است که کار روزانهٔ مهندس پشتیبانی از صف درخواست‌های مشتری می‌آید.
مهندس فروش فنی پیش از قرارداد فعال است: دمو، PoC و بردن ارزیابی فنی خریدار. مهندس پشتیبانی بعد از آن وارد می‌شود، وقتی مشتری محصول را به کار گرفته و چیزی در پروداکشن درست کار نمی‌کند. هر دو با همان مشتری سروکار دارند، اما مسئولیت تجاری فرق می‌کند: Anthropic از Support Engineer می‌خواهد کنار Account Executive، Customer Success Manager و تیم Applied AI در تیم حساب کار کند، «بدون اینکه خودش مالک رابطهٔ تجاری باشد».
معمار راهکار AI معماری استقرار مشتری را طراحی می‌کند و راهبرد فنی حساب را در دست دارد. مهندس پشتیبانی وقتی وارد می‌شود که سیستم ساخته شده و جایی می‌شکند: خطای API، احراز هویت، تأخیر یا خرابی استقرار. این دو در یک تیم کار می‌کنند: Anthropic تیم Applied AI را شریک Support Engineer در تیم حساب می‌داند و LangChain از مهندس پشتیبانی می‌خواهد برای مشتری‌های سازمانی حساس با تیم Deployed Engineering همکاری کند.
FAE در شرکت سازندهٔ تراشه یا سخت‌افزار است و با مهندسان مشتری از انتخاب پردازنده و راه‌اندازی برد تا اجرای مدل روی NPU یا GPU همان شرکت همراه می‌ماند. مهندس پشتیبانی AI معمولاً در شرکت نرم‌افزار یا ابر کار می‌کند و درخواست‌ها از صف تیکت، کانال Slack مشترک یا تماس زنده می‌رسد. در ابرهای GPU دو نقش به هم نزدیک می‌شوند: Lightning AI عیب‌یابی PyTorch، CUDA و NCCL و پشتیبانی از کارهای چندنودی GPU را جزو این نقش آورده است.
تأثیر در صنایع مختلف
مهندس پشتیبانی فنی هوش مصنوعی در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
سازندگان مدل و API
OpenAI می‌نویسد کار مهندس پشتیبانی‌اش پشتیبانی از سیستم‌های حیاتی است که مشتری‌ها روی پلتفرم OpenAI می‌سازند؛ Anthropic برای مهم‌ترین مشتری‌های سازمانی‌اش رابط پشتیبانی ثابت می‌گذارد
ابر GPU و inference
Together AI، CoreWeave، Lightning AI و Runpod به تیم‌هایی کمک می‌کنند که مدل آموزش می‌دهند، fine-tune می‌کنند یا سرویس inference اجرا می‌کنند؛ CoreWeave این تیم را ۲۴ ساعته در همهٔ روزهای سال فعال نگه می‌دارد
ابزارهای برنامه‌نویسی با AI
Cognition مشکل‌های مشتری‌های Devin و Windsurf را در مخزن کد، CI/CD و IDE های آن‌ها بررسی می‌کند و Factory از مهندس پشتیبانی برای چالش‌های معماری، کارایی و امنیت پلتفرمش کمک می‌گیرد
پلتفرم‌های ایجنت و observability
LangChain به تیم‌ها در دیباگ برنامه‌ها و ایجنت‌های LLM در پروداکشن کمک می‌کند و Braintrust از استقرارهای self-hosted مشتری‌ها در AWS، Azure و GCP پشتیبانی می‌کند
صوت و گفتار
ElevenLabs از این نقش تخصص در ElevenAgents می‌خواهد که LLM، تلفن و یکپارچه‌سازی‌های دیگر را هماهنگ می‌کند؛ Cartesia برای مشتری‌های مدل‌های صوتی بلادرنگش صف پشتیبانی دارد
ابر سازمانی
Microsoft برای Azure AI مهندسانی می‌خواهد که استقرار مدل، احراز هویت، شبکه، content safety، تأخیر و quota را عیب‌یابی کنند
بازاریابی و فروش سازمانی
WRITER، پلتفرم AI برای تیم‌های بازاریابی و فروش شرکت‌های بزرگ، از مهندس پشتیبانی می‌خواهد ایجنت‌هایی را که کاربران با Python یا بدون کد ساخته‌اند دیباگ و اصلاح کند
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
پشتیبانی فنی یعنی جواب دادن به تیکت‌های تکراری
Lightning AI صریحاً نوشته این نقش «help desk سنتی یا ارجاع تیکت نیست» و Cognition آن را «بسیار فراتر از پشتیبانی پایه» می‌داند. Joel Spolsky سال‌ها پیش نوشت اگر هر مشکل را از ریشه حل کنید تا تکرار نشود، در نهایت پشتیبانی تکراری باقی نمی‌ماند، «فقط دیباگ جدی و حل مسئله».
مهندس پشتیبانی کد نمی‌نویسد
Cognition توانایی خواندن و استدلال روی کد در چند زبان را می‌خواهد. Braintrust از مهندس پشتیبانی می‌خواهد خودش برای سرویس‌های بک‌اند و ماژول‌های Terraform PR بفرستد و Together AI تغییرهای زیرساخت را از راه pull request به این نقش سپرده است.
برای پشتیبانی AI باید پژوهشگر یادگیری ماشین باشید
بیشتر آگهی‌ها پایه را Linux، API، لاگ و ابر می‌دانند و آشنایی با LLM را امتیاز می‌شمارند: در Cognition جزو «nice to have» است و WRITER آن را «امتیاز بزرگ» می‌نامد. استثنا پلتفرم‌های زیرساختی‌اند: Together AI تجربه با فریم‌ورک‌های inference و LoRA fine-tuning و Lightning AI تجربهٔ کار با ML در پروداکشن را می‌خواهند.
این شغل همیشه نقطهٔ ورود بدون سابقه است
بخش زیادی از آگهی‌ها سابقه می‌خواهند: Cognition و LangChain دست‌کم ۴ سال، Anthropic دست‌کم ۵ سال و OpenAI در سان‌فرانسیسکو دست‌کم ۸ سال. درِ ورود هم هست: Runpod برای سطح ۱ دو سال تجربه با اسکریپت، Python و SQL می‌خواهد، ElevenLabs دو تا سه سال پشتیبانی فنی و CoreWeave برای سطح II دو سال برنامه‌نویسی یا «پروژه‌های شخصی قابل توجه».
AI به‌زودی کل پشتیبانی فنی را حذف می‌کند
BLS پیش‌بینی می‌کند اشتغال متخصصان پشتیبانی کاربر در آمریکا تا ۲۰۳۵ به دلیل ابزارهای خودکار مثل چت‌بات کم شود، اما همان‌جا می‌نویسد این اتوماسیون برخی را برای موارد پیچیده‌تر آزاد می‌کند. در شرکت‌های AI هم ایجنت‌ها بخشی از کار را برداشته‌اند، نه تصمیم را: در E2B ایجنت پیش‌نویس می‌نویسد و مهندس تصمیم می‌گیرد چه چیزی درست است و ارسال شود.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
بیشتر وقت روی صف تیکت می‌گذرد: حل مشکل‌های ساده‌تر، جمع کردن اطلاعات کامل برای مشکل‌های پیچیده و ارجاع آن‌ها به سطح بالاتر. یاد گرفتن محصول و سیستم‌های داخلی بخش بزرگی از کار است.
- ◆پاسخ به تیکت‌های حساب، صورت‌حساب و پیکربندی در چارچوب SLA
- ◆بازتولید خطای API یک مشتری با curl و پیدا کردن request-id مربوط
- ◆نوشتن مقالهٔ پایگاه دانش برای مشکلی که هنوز مستند نشده بود
- ◆ارجاع یک مشکل پیچیده به سطح ۲ با لاگ و مراحل بازتولید
میانی (۲–۵ سال)
مالک کامل مشکل‌های پیچیده‌اید: از گزارش مبهم مشتری تا علت ریشه‌ای. بخشی از وقت صرف ساختن ابزار و playbook می‌شود تا بررسی‌های بعدی سریع‌تر شوند.
- ◆بررسی خطای استقرار مشتری در Kubernetes از روی رویدادها و لاگ pod ها
- ◆تماس زنده با مهندسان مشتری برای دیباگ یک ایجنت در پروداکشن
- ◆نوشتن گزارش باگ با فرضیهٔ علت برای تیم مهندسی و پیگیری آن
- ◆ساخت یک اسکریپت تشخیص که بررسی‌های تکراری را خودکار کند
ارشد (۵+ سال)
نقطهٔ ارجاع نهایی و رابط ثابت مشتری‌های بزرگ‌اید. در حادثه‌های پرخطر رهبری ارتباط با مشتری را دارید و فرایندها، runbook ها و متریک‌های تیم را شکل می‌دهید.
- ◆حضور در جلسهٔ منظم حساب یک مشتری سازمانی کنار مدیر موفقیت مشتری
- ◆رهبری postmortem یک حادثهٔ جدی و رساندن درس‌هایش به محصول و مستندات
- ◆بازبینی کیفیت تیکت‌های هم‌تیمی‌ها و آموزش روش عیب‌یابی
- ◆تعریف متریک‌هایی مثل MTTR و تکرار باگ برای سنجش سلامت پشتیبانی
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈بازتولید و تشخیص مشکل‌های فنی مشتری در محیط‌های متفاوت: API، احراز هویت، container، CI/CD، ابر و استقرار
- ◈تحلیل علت ریشه‌ای با خواندن لاگ، trace و متریک و دنبال کردن مسیر کد
- ◈ارجاع باگ‌های محصول یا زیرساخت به تیم مهندسی با مراحل بازتولید، لاگ، جزئیات محیط و فرضیهٔ علت
- ◈شرکت در رسیدگی به حادثه‌ها و نوبت on-call، از جمله شیفت آخر هفته در برخی شرکت‌ها
- ◈ساخت ابزار تشخیص، اسکریپت و اتوماسیون، از جمله با ایجنت‌های AI، برای سریع‌تر کردن پشتیبانی
- ◈نوشتن و به‌روز نگه داشتن runbook، مقالهٔ پایگاه دانش و مستندات مشتری
- ◈ارتباط روشن و همدلانه با مشتری، به‌ویژه در تماس‌های زنده و حادثه‌های پرفشار
- ◈شناسایی الگوهای تکرارشونده در درخواست‌ها و رساندن بازخورد مستند به تیم محصول و مهندسی
- ◈منتورینگ و آموزش هم‌تیمی‌ها در سطوح بالاتر
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس پشتیبانی فنی هوش مصنوعی موفق به آن‌ها نیاز دارد
مهارت‌های فنی
بازتولید، جدا کردن و دیباگ مشکل از روی گزارش ناقص یا مبهم؛ شرط آگهی Cognition
خواندن درخواست و پاسخ، کدهای وضعیت و هدرها؛ Together AI «آشنایی عمیق با دیباگ REST API» را می‌خواهد
کار در ترمینال و خواندن لاگ؛ از حداقل‌های روز اول در آگهی E2B و جزو شرایط Cognition
تحلیل لاگ، trace و رفتار سیستم در سیستم‌های چندجزئی با ابزارهایی مثل Datadog، Grafana یا Prometheus
نوشتن اسکریپت برای بازتولید باگ و خودکار کردن کارهای تکراری؛ OpenAI، LangChain و Runpod آن را خواسته‌اند
بازتولید محیط مشتری و دیباگ بارهای کاری container؛ برای پلتفرم‌های زیرساختی تقریباً شرط لازم است
DNS، HTTP، TLS، load balancer و VPC؛ Cognition «مبانی شبکه» و Braintrust پیکربندی شبکه و VPC را خواسته‌اند
SSO، SAML و OAuth؛ Anthropic تجربهٔ عملی در عیب‌یابی آن‌ها را شرط کرده است
AWS، GCP یا Azure؛ در آگهی‌های Cognition، WRITER، Braintrust و Microsoft آمده است
کوئری روی لاگ و دادهٔ مصرف برای بررسی مشکل؛ Anthropic آن را امتیاز و Runpod شرط می‌داند
RAG، embedding، tool calling و workflowهای ایجنتی در حد عیب‌یابی؛ Microsoft درک این مفاهیم را شرط کرده است
PyTorch، CUDA، NCCL و سرورهای inference؛ فقط برای پشتیبانی پلتفرم‌های زیرساختی مثل Lightning AI و Together AI
مهارت‌های نرم
توضیح یافته‌های فنی هم برای مشتری و هم برای مهندسان داخلی؛ Anthropic آن را «نوشتار دقیق اما مهربان» می‌نامد
OpenAI ارتباط حرفه‌ای و آرام با مشتری‌های حساس در تماس‌های زندهٔ حادثه را می‌خواهد
دانستن اینکه کی خودتان حل کنید و کی مهندسی را درگیر کنید؛ Anthropic از «دانستن زمان کشیدن طناب ارجاع» حرف می‌زند
Cognition و Together AI راحتی با جابه‌جایی مداوم میان مشکل‌ها و اولویت‌ها را می‌خواهند
خواندن پشت سؤال کاربر و رسیدن به نیاز واقعی او؛ از شرایط آگهی Product Support Specialist در Anthropic
دانش حوزه‌ای
rate limit، بار زیاد سرور، کلید نامعتبر و request-id؛ مستندات Claude این خطاها را یک‌به‌یک توضیح داده است
نوشتن و نگهداری پایگاه دانش؛ روش KCS که Consortium for Service Innovation آن را استاندارد صنعت می‌نامد
CSAT، SLA و MTTR؛ LangChain بهبود KPI های سلامت پشتیبانی را جزو وظایف آورده و Runpod هدف CSAT بالای ۹۵٪ را دارد
مثلاً تلفن و پروتکل‌هایی مثل SIP و WebSocket در ElevenLabs، یا محیط‌های توسعه و CI/CD در Cognition
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس پشتیبانی فنی هوش مصنوعی
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایه‌ها: Linux، شبکه، Python و Git
آگهی Support Engineer در E2B فهرست روشنی از حداقل‌های روز اول دارد: راحتی با Linux و خط فرمان و خواندن لاگ برای پیدا کردن خطا، خواندن و نوشتن Python یا TypeScript در حدی که بتوانید یک باگ را بازتولید کنید، و شبکهٔ پایه (DNS، HTTP، پورت‌ها) همراه با درکی از اجرای container و ماشین مجازی. از همین‌جا شروع کنید.
API، احراز هویت و ابزار دیباگ
بیشتر تیکت‌های این شغل از یک درخواست HTTP شروع می‌شوند. Together AI «آشنایی عمیق با دیباگ REST API و معنای HTTP» و کار با curl و ابزارهای شبیه Postman را می‌خواهد. Anthropic تجربهٔ عملی در عیب‌یابی SSO، SAML و OAuth را شرط کرده و تسلط به SQL برای کوئری روی لاگ و دادهٔ مصرف را امتیاز می‌داند.
Docker، Kubernetes و Observability
شرکت‌های زیرساخت AI این بخش را جدی می‌خواهند. CoreWeave «تجربهٔ عملی اثبات‌شده با Kubernetes» را شرط کرده، LangChain دانش عملی Kubernetes و Docker را و Braintrust کسی را که بتواند «داستان یک pod خراب را از روی رویدادها و لاگ‌هایش بخواند». کار با لاگ، متریک و trace در Grafana، Prometheus یا Datadog هم در تقریباً همهٔ این آگهی‌ها آمده است.
پلتفرم‌های LLM، ایجنت‌ها و inference
باید خطاهای رایج API مدل‌ها را بشناسید: محدودیت نرخ، بار زیاد سرور، کلید نامعتبر. مستندات Claude می‌گوید هر پاسخ API یک شناسهٔ request-id دارد و برای پیگیری سریع باید آن را به پشتیبانی داد؛ همین جزئیات کار روزانهٔ این شغل است. Microsoft برای پشتیبانی Azure AI درک RAG، embedding، tool calling و workflowهای ایجنتی و توانایی عیب‌یابی تأخیر، quota و استقرار مدل را می‌خواهد.
حرفهٔ پشتیبانی: روش عیب‌یابی، مستندسازی و حادثه
کتاب SRE گوگل می‌گوید عیب‌یابی را می‌شود یاد گرفت و یاد داد و آن را چرخهٔ فرضیه و آزمون می‌داند. روش USE برندن گرگ برای مشکل‌های کارایی یک چک‌لیست ساده می‌دهد. بعد از حل مشکل، نوشتن مهم است: مقالهٔ پایگاه دانش، runbook و گزارش پس از حادثه. روش KCS که Consortium for Service Innovation آن را استاندارد صنعت می‌نامد، برای همین ساخته شده است.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
دیباگ API و شبکه
ساخت و ذخیرهٔ درخواست‌های API برای بازتولید مشکل مشتری؛ Together AI از «ابزارهای شبیه Postman» نام برده است
لاگ، متریک و trace
زیرساخت و ابزار توسعه
در پشتیبانی پلتفرم‌های زیرساختی محوری است: CoreWeave، Together AI، Lightning AI، LangChain و Braintrust آن را خواسته‌اند
زیرساخت به‌صورت کد؛ Braintrust از مهندس پشتیبانی می‌خواهد ماژول‌های Terraform را هم اصلاح کند
تیکت و همکاری با تیم مهندسی
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
پشتیبانی فنی سطح ۱ / Product Support Specialist
۰ تا ۲ سال
پاسخ به صف تیکت، حل مشکل‌های ساده‌تر (حساب، صورت‌حساب، پیکربندی، API) و ارجاع مشکل‌های پیچیده به سطح بالاتر با اطلاعات کامل؛ مثل نقش L1 در Runpod
Technical Support Engineer / AI Support Engineer
۲ تا ۵ سال
مالکیت کامل مشکل‌های فنی پیچیده: بازتولید، تحلیل لاگ و trace، علت ریشه‌ای و ارجاع به مهندسی؛ Cognition و LangChain برای این سطح دست‌کم ۴ سال سابقه می‌خواهند
Senior / Dedicated Support Engineer
۵+ سال
نقطهٔ ارجاع نهایی، مسئول حادثه‌های پرخطر و رابط فنی ثابت مشتری‌های سازمانی؛ مثل Support Engineer در Anthropic که برای مجموعهٔ مشخصی از حساب‌های سازمانی کار می‌کند
مدیر یا Staff در مهندسی پشتیبانی
پس از سطح ارشد
رهبری تیم یا ساخت ابزار و سیستم‌های پشتیبانی؛ OpenAI نقش‌های Manager, Senior Support Engineering و Head of Dedicated Support Engineering را آگهی کرده و Anthropic نقش Staff Software Engineer, Support Technology را
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
گزارش‌های ناقص و مبهم
عمومیمشتری معمولاً فقط می‌گوید «کار نمی‌کند». Cognition توانایی بازتولید و دیباگ مشکل از روی «گزارش‌های ناقص یا مبهم» را شرط کرده است. بیشتر کار پرسیدن سؤال درست و جمع کردن شواهد است، پیش از هر حدسی.
شیفت، آخر هفته و on-call
عمومیپشتیبانی باید وقتی مشتری کار می‌کند در دسترس باشد. CoreWeave تیمش را ۲۴ ساعته در همهٔ روزهای سال اداره می‌کند، Together AI شیفت چهار روزهٔ ده‌ساعته شامل شنبه و یکشنبه دارد و OpenAI و Runpod هم نقش‌هایی با شیفت آخر هفته آگهی کرده‌اند.
فشار حادثه‌های پرخطر
شرکت بزرگوقتی سیستم یک مشتری بزرگ از کار افتاده، باید هم‌زمان دیباگ کنید و آرام و دقیق گزارش بدهید. OpenAI ارتباط آرام با مشتری‌های حساس در تماس‌های زندهٔ حادثه را می‌خواهد و Together AI پیام‌هایی مستند بدون فاش کردن جزئیات داخلی پلتفرم.
پهنای زیاد دانش فنی
عمومییک روز مشکل از احراز هویت است، روز بعد از شبکه یا یک pod در Kubernetes. Cognition از این نقش بررسی مشکل در زیرساخت ابری، CI/CD، API، container، کنترل نسخه، IDE و استقرارهای سازمانی را می‌خواهد. هیچ‌کس همه را از روز اول بلد نیست؛ روش عیب‌یابی است که جای کمبود دانش را پر می‌کند.
محصولی که مدام عوض می‌شود
استارتاپAnthropic از Product Support Specialist می‌خواهد با «چشم‌انداز محصولی که مدام در حال تغییر است» کنار بیاید و E2B می‌نویسد محصول، فرایندها و ابزارهایش «اغلب از نو ساخته می‌شوند». مستنداتی که ماه پیش درست بود ممکن است امروز غلط باشد.
اتوماسیون و تغییر شکل کار
عمومیBLS کاهش اشتغال پشتیبانی کاربر را به ابزارهای خودکار مثل چت‌بات نسبت می‌دهد و OpenAI از مهندس پشتیبانی می‌خواهد با اتوماسیون و ایجنت‌ها شیوهٔ کار پشتیبانی را عوض کند. یعنی بخش ساده‌تر کار به ابزار سپرده می‌شود و ارزش شما در دیباگ عمیق و ساختن همان ابزارهاست.
حقوق و بازار کار جهانی
حقوق جهانی مهندس پشتیبانی فنی 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:
- Runpod posting, Technical Support Engineer (L1) (Remote US; 2+ years shell scripting/Python/SQL), posted Oct 26, 2026: base pay range; median = midpoint
- Cartesia posting, Product Support Specialist (San Francisco; 2+ years technical support for an API/developer product), posted Nov 5, 2026: salary range; median = midpoint
- CoreWeave posting, Technical Support Engineer II - CoreWeave Forge (NJ/NY; 2+ years programming experience), posted Sep 4, 2026: base salary range; median = midpoint
- CoreWeave posting, Technical Support Engineer III (NJ/NY/SF/Sunnyvale/Bellevue; 5+ years), posted May 16, 2025, still open Nov 2026: base salary range; median = midpoint
- OpenAI posting, AI Support Engineer - San Francisco (8+ years), posted Feb 24, 2026: salary range; median = midpoint
- Anthropic posting, Support Engineer (SF/NYC/Seattle; 5+ years), posted May 22, 2026: annual salary range; median = midpoint
- Lightning AI posting, AI Platform Support Engineer (US) (NY/SF/Seattle; years not stated), posted May 22, 2026: base salary range; median = midpoint
- PayScale US, Technical Support Engineer (all industries, not AI-specific), updated Sep 2026, 821 base salaries: 10th–90th pct; median
- OpenAI posting, AI Support Engineer - Toronto (Ontario remote; 5+ years), posted Aug 15, 2026: salary range; median = midpoint
- LangChain posting, EMEA Technical Support Engineer (London; 4+ years), posted Oct 29, 2026: annual salary range; median = midpoint
- Lightning AI posting, AI Platform Support Engineer (EMEA) (London; years not stated), posted May 21, 2026: base salary range; median = midpoint
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: HTTP، API و ابزار دیباگ
با curl و Postman درخواست بفرستید، کدهای وضعیت را بشناسید و پاسخ‌های JSON را با jq بخوانید. یک API عمومی را انتخاب کنید و خطاهایش را عمداً بسازید.
ماه ۲: احراز هویت و SQL
جریان OAuth را قدم‌به‌قدم بفهمید و با SQL روی یک لاگ نمونه کوئری بزنید.
ماه ۳: Docker و Kubernetes
یک سرویس را در container اجرا کنید، روی minikube یا kind ببرید و خطاهای رایج pod را بازتولید و دیباگ کنید.
ماه ۴: API مدل‌های زبانی
با API یک مدل کار کنید و خطاهای رایجش را بشناسید؛ یک برنامهٔ کوچک RAG یا ایجنت بسازید و از آن trace بگیرید.
ماه ۵: روش عیب‌یابی و نوشتن
فصل Effective Troubleshooting را بخوانید و برای پروژه‌هایتان runbook و مقالهٔ پایگاه دانش بنویسید.
ماه ۶: پورتفولیو و درخواست
دو سه پروژهٔ پورتفولیو را با README روشن منتشر کنید و برای نقش‌های سطح ۱ و II در شرکت‌های AI اقدام کنید. در رزومه به زبان آگهی‌ها بنویسید: بازتولید، علت ریشه‌ای، ارجاع با شواهد.
پروژه‌های پیشنهادی برای رزومه
بازتولید یک باگ واقعی در یک SDK متن‌باز
مبتدییک issue باز در مخزن یک SDK یا فریم‌ورک LLM پیدا کنید، آن را در یک مخزن کوچک بازتولید کنید و گزارشی بنویسید که مراحل بازتولید، لاگ، جزئیات محیط و فرضیهٔ علت را داشته باشد؛ همان چیزی که Cognition در ارجاع به مهندسی می‌خواهد.
ابزار خط فرمان برای تشخیص خطاهای API
مبتدیاسکریپتی بنویسید که لاگ JSON درخواست‌ها را بخواند، خطاها را بر اساس کد وضعیت (مثل 401، 429 و 529) دسته‌بندی کند و برای هر دسته علت محتمل و قدم بعدی را پیشنهاد دهد. شناسهٔ درخواست را هم در خروجی نگه دارید.
پایگاه دانش و دستیار پاسخ‌گو با ارزیابی
متوسطده تا پانزده مقالهٔ پایگاه دانش برای یک محصول فرضی به سبک KCS بنویسید، بعد یک دستیار RAG بسازید که از روی همین مقاله‌ها پیش‌نویس پاسخ بدهد و با چند ده پرسش نمونه دقتش را بسنجید.
آزمایشگاه خرابی روی Kubernetes
پیشرفتهیک سرور مدل کوچک (مثلاً Ollama) را روی kind یا minikube با Prometheus و Grafana بالا بیاورید. بعد عمداً خرابی بسازید: کمبود حافظه، پیکربندی اشتباه، قطع شبکه. برای هر کدام runbook و یک گزارش پس از حادثه بنویسید.
دیباگ یک ایجنت از روی trace
پیشرفتهیک ایجنت ساده با یکی دو ابزار بسازید، از هر اجرا trace بگیرید و چند حالت خطا (ابزار کند، خروجی نامعتبر، پرامپت مبهم) طراحی کنید. در README نشان دهید هر خطا را از روی trace چطور پیدا کردید؛ LangChain دقیقاً کمک به دیباگ برنامه‌ها و ایجنت‌های LLM در پروداکشن را از این نقش می‌خواهد.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
نویسندهٔ وبلاگ Joel on Software. به نوشتهٔ خودش، Fog Creek Software، شرکتی که بدون سرمایهٔ بیرونی راه افتاده بود، در سال‌های اول توان استخدام نیروی پشتیبانی نداشت و او و Michael خودشان به مشتری‌ها جواب می‌دادند.
در ۲۰۰۷ مقالهٔ «Seven steps to remarkable customer service» را نوشت که قاعدهٔ اولش «هر چیزی را از دو راه درست کن» است: یک بار مشکل همین مشتری را حل کن و یک بار کاری کن که دیگر تکرار نشود. به گفتهٔ خودش با این روش فروش ده برابر شد، در حالی که هزینهٔ پشتیبانی فقط دو برابر شد. او نتیجه گرفت که بعد از حل مشکل‌های ساده، فقط دیباگ جدی باقی می‌ماند و باید به نیروی پشتیبانی دیباگ کردن یاد داد.
همین ایده امروز در آگهی‌های AI دیده می‌شود: Anthropic کسی را می‌خواهد که از درست کردن یک باگ «برای همهٔ کاربران مشابه» انرژی بگیرد. به نظر می‌رسد مهندس پشتیبانی خوب هر تیکت را فرصتی برای حذف یک دستهٔ کامل از مشکل‌ها می‌بیند.
بعد از دبیرستان دانشگاه را نیمه‌کاره گذاشت و گواهی CompTIA A+ گرفت. در ۱۹ سالگی در BellSouth سرویس DSL نصب می‌کرد، بعد یک مشاوره و فروشگاه IT راه انداخت و مدتی هم تکنسین Google بود.
در ۲۰۱۳ به‌عنوان مهندس نرم‌افزار به Puppet رفت، در ۲۰۱۴ از اعضای اولیهٔ CoreOS شد و سهم قابل‌توجهی در پروژهٔ Kubernetes داشت. از نوامبر ۲۰۱۵ در بخش ابری Google مهندس و developer advocate بود، در اکتبر ۲۰۲۲ سمت distinguished engineer را داشت و در ژوئن ۲۰۲۳ بازنشستگی‌اش را اعلام کرد.
مسیر او از کار فنی رو به مشتری به یکی از چهره‌های شناخته‌شدهٔ Kubernetes رسید؛ همان فناوری‌ای که امروز در آگهی‌های پشتیبانی CoreWeave، Together AI، Lightning AI و LangChain آمده است. شروع از پشتیبانی و کار عملی ظاهراً می‌تواند سکوی پرتاب باشد، نه بن‌بست.
مهندس کامپیوتر استرالیایی که به کارش در حوزهٔ کارایی سیستم‌ها شناخته می‌شود و در Intel، Netflix، Sun Microsystems، Oracle و Joyent کار کرده است.
روش USE (Utilization، Saturation، Errors) را برای تحلیل کارایی منابع سیستم ساخت و نمودارهایی مثل flame graph و latency heat map را ابداع کرد. در ۲۰۱۳ جایزهٔ LISA Outstanding Achievement را از USENIX گرفت و کتاب‌های Systems Performance و BPF Performance Tools را نوشته است.
وقتی مشتری می‌گوید «کند است»، یک چک‌لیست ساده مثل USE جلوی حدس زدن را می‌گیرد. کار او نشان می‌دهد روش منظم عیب‌یابی را می‌شود نوشت و به دیگران یاد داد.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
AI Support Engineer
تحلیل نیازمندی‌ها
4+ years of experience in a technical role such as software engineering, infrastructure engineering, solutions engineering, technical support engineering, or developer tooling.
سابقه لازم نیست حتماً در پشتیبانی باشد؛ مهندسی نرم‌افزار، زیرساخت یا solutions engineering هم پذیرفته می‌شود. این نشان می‌دهد کارفرما دنبال مهندس است، نه اپراتور تیکت.
ضروریWorking knowledge of Linux, Docker, Git, CI/CD pipelines, cloud platforms such as AWS/GCP/Azure, and networking fundamentals.
مشکل‌های مشتری در همین لایه‌ها رخ می‌دهند. «working knowledge» یعنی تسلط کامل لازم نیست، اما باید بتوانید در هر کدام راه خودتان را پیدا کنید و یک محیط را بازسازی کنید.
ضروریDemonstrated ability to reproduce, isolate, and debug technical issues from incomplete or ambiguous reports.
مهارت اصلی این شغل. در مصاحبه احتمالاً یک گزارش مبهم به شما می‌دهند و می‌خواهند ببینند چه سؤال‌هایی می‌پرسید و مشکل را چطور محدود می‌کنید.
ضروریExperience analyzing logs, traces, errors, and system behavior across distributed or multi-component systems.
باید بتوانید رد یک درخواست را در چند سرویس دنبال کنید و بفهمید کجا شکسته است. پروژه‌ای که در آن خودتان trace و لاگ را بررسی کرده‌اید، بهترین شاهد این مهارت است.
ضروریStrong ability to read and reason about code in multiple languages, such as Python, TypeScript, Java, Go, or similar.
لازم نیست در همهٔ این زبان‌ها برنامه بنویسید، اما باید بتوانید کد مشتری یا محصول را بخوانید و بفهمید چه می‌کند. یک زبان را خوب بلد باشید و خواندن بقیه را تمرین کنید.
مهمStrong written communication skills, especially when explaining technical findings to customers and internal engineering teams.
دو مخاطب متفاوت دارید: مشتری که می‌خواهد بداند چه کند، و مهندسی که می‌خواهد بداند دقیقاً چه چیزی شکسته است. نوشتن برای هر دو یک مهارت جداگانه است.
ضروریAbility to operate with urgency in a fast-paced environment while managing a steady stream of incoming issues.
حجم کار بالاست و کیفیت بررسی نباید پایین بیاید. باید بتوانید اولویت بگذارید و میان چند مشکل جابه‌جا شوید.
مهمFamiliarity with LLMs, AI-assisted development tools, IDEs, or developer productivity platforms.
این مورد در بخش «nice to have» آمده است: آشنایی با LLM امتیاز است، نه شرط. پایهٔ مهندسی و عیب‌یابی مهم‌تر از دانش تخصصی هوش مصنوعی است.
مفیدتحلیل مسئولیت‌ها
Investigate, reproduce, and diagnose complex customer issues across diverse development environments, including cloud infrastructure, CI/CD systems, APIs, containers, version control, IDEs, and enterprise deployment setups.
مشتری‌های یک ایجنت کدنویس آن را در محیط‌های بسیار متفاوت به کار می‌برند. بخش بزرگ کار این است که محیط مشتری را بفهمید و مشکل را در محیطی مشابه بازتولید کنید.
Perform root-cause analysis by reading logs, tracing code paths, correlating system behavior, forming hypotheses, and isolating failures.
همان چرخه‌ای که کتاب SRE گوگل توصیف می‌کند: مشاهده، فرضیه، آزمون. هدف پیدا کردن علت است، نه فقط دور زدن نشانه.
Escalate product or infrastructure issues to engineering with complete technical context, including reproduction steps, logs, environment details, and root-cause hypotheses.
ارجاع خوب وقت مهندسی را نجات می‌دهد. اگر مهندس بتواند از روی گزارش شما مشکل را بی‌سؤال بازتولید کند، کارتان را درست انجام داده‌اید.
Educate customers on best practices, workarounds, deployment patterns, and product capabilities to improve adoption and reduce recurring issues.
بخشی از مشکل‌ها از نحوهٔ استفاده می‌آید، نه از باگ. آموزش مشتری هم مشکل امروز را حل می‌کند و هم درخواست‌های آینده را کم می‌کند.
Build internal playbooks, tooling, automations, and documentation that make future investigations faster and more systematic.
هر بررسی تکراری فرصتی برای یک اسکریپت یا playbook است. در شرکت‌های AI این ابزارها اغلب خودشان از مدل‌های زبانی استفاده می‌کنند.
Identify recurring failure modes and share actionable feedback with product, engineering, and deployment teams.
مهندس پشتیبانی بیش از هر کس دیگری می‌بیند محصول کجا می‌شکند. تبدیل این دید به بازخورد مشخص، ارزش شما را از حل تک‌تک تیکت‌ها فراتر می‌برد.
Support release testing and quality efforts across the range of environments, languages, IDEs, and workflows our customers use.
چون محیط‌های مشتری را می‌شناسید، در آزمودن نسخه‌های تازه پیش از انتشار هم نقش دارید؛ این کار شما را به تیم کیفیت و مهندسی نزدیک می‌کند.
نتیجه‌گیری کلی
این آگهی تصویر روشنی از مهندس پشتیبانی در شرکت‌های AI در ۲۰۲۶ می‌دهد: مهندسی با دست‌کم ۴ سال سابقهٔ فنی که مشکل مبهم مشتری را بازتولید و ریشه‌یابی می‌کند، با شواهد کامل به مهندسی می‌رساند و ابزار و playbook می‌سازد تا بررسی بعدی سریع‌تر شود. دانش LLM امتیاز است و پایهٔ کار Linux، Docker، Git، ابر، شبکه و خواندن کد است. آگهی بازهٔ حقوق اعلام نکرده است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
آمار رسمی جداگانه‌ای برای این شغل وجود ندارد. نزدیک‌ترین گروه رسمی در BLS آمریکا، «متخصصان پشتیبانی کامپیوتر» (Computer Support Specialists) که بیشترش پشتیبانی کاربر و help desk است، از ۲۰۲۵ تا ۲۰۳۵، ۳٪ کاهش پیش‌بینی شده است؛ با این حال BLS به‌طور میانگین سالانه حدود ۴۸٬۷۰۰ فرصت شغلی در این گروه پیش‌بینی می‌کند که همه از جایگزینی افراد بازنشسته یا جابه‌جاشده می‌آید. این گروه با نقش این صفحه یکی نیست: در نوامبر ۲۰۲۶ آگهی‌های باز مهندس پشتیبانی در OpenAI، Anthropic، Cognition، LangChain، Together AI، CoreWeave، Lightning AI و Microsoft دیده می‌شد.
منبع: BLS OOH, Computer Support Specialists (2025–35)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
BLS پیش‌بینی می‌کند اشتغال متخصصان پشتیبانی کاربر در آمریکا از ۲۰۲۵ تا ۲۰۳۵، ۳٪ کم شود، چون سازمان‌ها ابزارهای خودکاری مثل چت‌بات را برای عیب‌یابی به کار می‌گیرند. به نوشتهٔ BLS این اتوماسیون برخی را برای موارد پیچیده‌تر آزاد می‌کند، اما در مجموع به نیروی کمتری نیاز خواهد بود.
در همان پیش‌بینی BLS، اشتغال متخصصان پشتیبانی شبکهٔ کامپیوتر از ۲۰۲۵ تا ۲۰۳۵، ۱٪ رشد می‌کند؛ یعنی پشتیبانی فنی‌تر و زیرساختی‌تر وضع بهتری از پشتیبانی کاربر عمومی دارد.
ریسک اصلی اتوماسیون است. BLS کاهش اشتغال پشتیبانی کاربر را به ابزارهای خودکار مثل چت‌بات نسبت می‌دهد. خود شرکت‌های AI هم همین مسیر را می‌روند: OpenAI از مهندس پشتیبانی می‌خواهد با اتوماسیون، ایجنت‌ها و فناوری AI خود شرکت شیوهٔ کار پشتیبانی را عوض کند، و در E2B ایجنت‌ها رشته‌ها را می‌خوانند، لاگ و trace جمع می‌کنند و پیش‌نویس پاسخ می‌نویسند. آنچه برای انسان می‌ماند، تصمیم دربارهٔ درستی پاسخ، دیباگ عمیق و ساختن همین ابزارهاست. کسی که فقط پاسخ‌های آماده را تکرار کند در معرض حذف است. ریسک دیگر فرسایش است: شیفت آخر هفته، on-call و حادثه‌های پرفشار بخشی از بسیاری از این آگهی‌هاست.
منابع
اطلاعات این صفحه در تاریخ ۲۱ آبان ۱۴۰۵ از این ۳۱ منبع بررسی شده است.
- AI Support Engineer — Cognition (job posting)
- AI Support Engineer - San Francisco — OpenAI (job posting)
- AI Support Engineer - Toronto — OpenAI (job posting)
- Support Engineer — Anthropic (job posting)
- Product Support Specialist, Sydney — Anthropic (job posting)
- EMEA Technical Support Engineer — LangChain (job posting)
- Technical Support Engineer (Inference) - India Weekends — Together AI (job posting)
- AI Platform Support Engineer (US) — Lightning AI (job posting)
- AI Platform Support Engineer (EMEA) — Lightning AI (job posting)
- Technical Support Engineer III — CoreWeave (job posting)
- Technical Support Engineer II - CoreWeave Forge — CoreWeave (job posting)
- Technical Support Engineer (L1) — Runpod (job posting)
- Product Support Specialist — Cartesia (job posting)
- Support Engineer — E2B (job posting)
- Technical Support Engineer - Azure AI — Microsoft (job posting, LinkedIn)
- Technical Customer Support Specialist — ElevenLabs (job posting)
- Support engineer (UK) — WRITER (job posting)
- Platform Support Engineer — Braintrust (job posting)
- Technical Support Engineer - US — Factory (job posting)
- Support Engineer, AI Infrastructure & Tooling — Figma (job posting)
- Manager, Senior Support Engineering — OpenAI (job posting)
- Staff Software Engineer, Support Technology — Anthropic (job posting)
- PayScale — Technical Support Engineer salary, United States
- BLS Occupational Outlook Handbook — Computer Support Specialists
- Joel Spolsky — Seven steps to remarkable customer service (2007)
- Kelsey Hightower — Wikipedia
- Brendan Gregg — Wikipedia
- Google SRE Book — Effective Troubleshooting
- Brendan Gregg — The USE Method
- Claude API errors — Claude Platform Docs
- Consortium for Service Innovation — Knowledge-Centered Success (KCS)