مهندس DevOps و پلتفرم
DevOps / Platform Engineer
مهندس DevOps و پلتفرم زیرساخت و ابزارهایی را می‌سازد و اداره می‌کند که تیم‌های نرم‌افزار با آن‌ها کد را از commit تا پروداکشن می‌برند و سرویس را سالم نگه می‌دارند: pipeline های CI/CD، زیرساخت به‌صورت کد با Terraform، خوشه‌های Kubernetes، پایش و رسیدگی به خطا. در آگهی‌های ۲۰۲۶ دو تغییر دیده می‌شود: کار روزمره با ابزارهای AI، و نگهداری زیرساختی که سرویس‌ها، مدل‌ها و ایجنت‌های AI روی آن اجرا می‌شوند.
مقدمه و تعریف شغل
مهندس DevOps و پلتفرم زیرساخت و ابزارهایی را می‌سازد و اداره می‌کند که تیم‌های نرم‌افزار با آن‌ها کد را از commit تا پروداکشن می‌برند و سرویس را سالم نگه می‌دارند. ویکی‌پدیا DevOps را یکپارچه‌سازی و خودکارسازی توسعهٔ نرم‌افزار و عملیات IT تعریف می‌کند و می‌نویسد DevOps در بهترین حالت ترکیبی از روش‌های مشخص، تغییر فرهنگ و ابزار است. در آگهی‌های ۲۰۲۶ همین کار با چند عنوان آمده است: DevOps Engineer، Platform Engineer، Cloud Platform Engineer یا Software Engineer, Platform Engineering. هستهٔ مشترک آن‌ها CI/CD، زیرساخت به‌صورت کد (بیشتر Terraform)، Kubernetes، یکی از ابرهای AWS، GCP یا Azure، پایش و شرکت در on-call است. Platform Engineer بیشتر روی «مسیرهای آماده» (paved roads) و ابزار self-service برای تیم‌های دیگر تمرکز دارد؛ Duolingo در آگهی خود دقیقاً همین را می‌نویسد. این نقش با MLOps فرق دارد: مهندس MLOps مسئول چرخهٔ عمر خود مدل است و مهندس DevOps زیرساخت و مسیر تحویلی را می‌سازد که سرویس‌ها، و حالا مدل‌ها و ایجنت‌ها، روی آن اجرا می‌شوند.
طبق ویکی‌پدیا، اولین کنفرانس DevOps Days در ۲۰۰۹ در گنت بلژیک برگزار شد و Patrick Debois آن را راه انداخت. گوگل از ۲۰۰۳ رویکرد مشابهی با نام Site Reliability Engineering ساخته بود؛ Ben Treynor Sloss در کتاب SRE گوگل می‌نویسد SRE یعنی اینکه از یک مهندس نرم‌افزار بخواهید یک تیم عملیات طراحی کند. در ۲۰۱۶ معیارهای DORA برای سنجش تحویل نرم‌افزار (دفعات استقرار، زمان رسیدن تغییر به پروداکشن، نرخ شکست تغییر و زمان بازیابی) در گزارش State of DevOps منتشر شد. بعد نوبت پلتفرم داخلی رسید: DORA می‌نویسد تا ۲۰۲۵، ۹۰٪ سازمان‌ها از یک internal developer platform استفاده می‌کنند و ۷۶٪ تیم پلتفرم جداگانه دارند. موج تازه AI است. در گزارش DORA ۲۰۲۵ که از نزدیک ۵ هزار متخصص نظرسنجی کرده، ۹۰٪ گفته‌اند در کارشان از AI استفاده می‌کنند، و آگهی‌ها هم کار با ابزارهای AI را می‌خواهند و هم نگهداری زیرساخت سرویس‌های AI را. تعداد آگهی‌های این عنوان در بریتانیا در یک سال گذشته بیشتر شده است: ITJobsWatch در شش ماه منتهی به ۲۲ اکتبر ۲۰۲۶، ۱٬۵۶۲ آگهی استخدام دائم با عنوان DevOps Engineer ثبت کرده که ۱٫۳۰٪ کل آگهی‌های IT است؛ در همین بازه در ۲۰۲۵ این عدد ۴۵۴ (۰٫۹۲٪) بود.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مهندس DevOps و پلتفرم
pipeline تحویل نرم‌افزار (CI/CD)
Scale AI در آگهی DevOps Engineer می‌نویسد می‌خواهد از استقرارهای دستی و پراکنده به یک سیستم یکپارچه و خودکار برسد و امنیت در همهٔ مراحل pipeline باشد. در Shield AI همین کار برای نرم‌افزار هواپیماهای خودران است: کوتاه کردن چرخهٔ build و تست و اتصال CI به محیط‌های شبیه‌سازی.
زیرساخت به‌صورت کد
در آگهی GitLab، مهندس ماژول‌های Terraform قابل استفادهٔ مجدد می‌نویسد و بازبینی می‌کند، با روش روشن برای مدیریت state و تشخیص drift. SumUp هم از مهندس ارشد DevOps ماژول‌ها و الگوهایی می‌خواهد که بقیهٔ تیم‌های مهندسی روی آن‌ها بسازند.
پلتفرم Kubernetes و مسیرهای آماده
تیم Compute در Duolingo اجزای محاسباتی مبتنی بر Kubernetes را در چند منطقه و چند ارائه‌دهندهٔ ابری می‌سازد و قابلیت‌های پلتفرم را به abstraction های self-service تبدیل می‌کند تا مهندسان محصول بدون نگرانی منتشر کنند.
پایش، SLO و رسیدگی به خطا
Duolingo از Platform Engineer می‌خواهد SLO تعریف کند، داشبورد و هشدار بسازد، runbook بنویسد و در on-call شرکت کند. Kobie هم هشداردهی مبتنی بر SLO، runbook و post-mortem بدون سرزنش را جزو کار می‌داند.
زیرساخت برای بارهای کاری AI
AI Hub گروه Schwarz راه‌حل‌های بینایی ماشین را روی Kubernetes اجرا می‌کند و مهندس DevOps با Argo Workflows پایپ‌لاین‌های ETL و آموزش مدل را می‌چرخاند. Kobie پلتفرم داخلی ایجنت‌ها می‌سازد و NVIDIA در آگهی Cloud Simulation از کانتینرهای GPU-aware می‌گوید.
pipeline برای کار مشترک انسان و ایجنت
Anthropic یک DevOps / AgentOps Engineer می‌خواهد که pipeline ای با سه حالت بسازد: کاملاً agentic، human-in-the-loop و AI-assisted. بخشی از کار تعیین این است که ایجنت‌ها در pipeline چه ابزار و دسترسی دارند و کجا بدون نظارت قابل اعتماد نیستند.
تخصص‌های مختلف مهندس DevOps و پلتفرم
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
مهندس پلتفرم
Platform Engineer
ساخت internal developer platform: ابزار، قالب و مسیرهای آماده‌ای که تیم‌ها با آن بدون تیکت زدن سرویس بسازند و مستقر کنند. Gemini می‌نویسد پلتفرم داخلی را مثل نرم‌افزار پروداکشن، با کاربر، SLO، نقشهٔ راه و مستندات، می‌سازد و نه مثل مجموعه‌ای از تنظیمات.
مهندس قابلیت اطمینان
Site Reliability Engineer (SRE)
تمرکز روی پایداری سرویس: SLO و error budget، پایش، on-call، post-mortem و برنامه‌ریزی ظرفیت. این رویکرد طبق ویکی‌پدیا از ۲۰۰۳ در گوگل شروع شد و در Meta کار مشابه production engineering نام دارد.
امنیت و انطباق در زیرساخت
DevSecOps / Security & Compliance
SumUp از مهندس ارشد DevOps می‌خواهد کار امنیت و انطباق با PCI DSS و SOC2 را همراه تیم امنیت رهبری کند. Kobie هم policy-as-code (OPA، Checkov)، مدیریت secrets و اسکن آسیب‌پذیری را می‌خواهد.
Build و تجربهٔ توسعه‌دهنده
Build & Developer Experience
تمرکز روی سرعت کار مهندسان: سیستم build، زمان تست و گلوگاه‌های pipeline. آگهی Shield AI یک «DevOps Build Engineer» برای سیستم build نرم‌افزار C++ هواپیماهای خودران می‌خواهد که بیشتر روی Developer Experience متمرکز است.
زیرساخت AI و AgentOps
AI Infrastructure & AgentOps
نگهداری زیرساختی که مدل‌ها و ایجنت‌ها روی آن اجرا می‌شوند: زمان‌بندی GPU، زیرساخت model serving، پایگاه‌دادهٔ برداری و پایش LLM (امتیازهای آگهی Kobie)، یا طراحی pipeline برای ایجنت‌ها (Anthropic). مرز با MLOps اینجاست که خود مدل را نمی‌سازید.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
مدیر سیستم سرورها و سرویس‌ها را نگه می‌دارد. مهندس DevOps همین مسئولیت را با نرم‌افزار انجام می‌دهد: آگهی Wealthfront نقش را ترکیب مهارت مدیریت سیستم لینوکس با مهندسی نرم‌افزار توصیف می‌کند و می‌خواهد همهٔ عملیات زیرساخت خودکار شود. Gemini صریحاً می‌نویسد تجربهٔ configuration management به‌تنهایی برای این نقش کافی نیست. دانش لینوکس پایهٔ مشترک هر دو است و از مسیرهای طبیعی ورود به این شغل.
طبق ویکی‌پدیا، SRE پیاده‌سازی مشخصی از DevOps است که روی ساختن سیستم‌های قابل اعتماد تمرکز دارد، در حالی که DevOps دامنهٔ وسیع‌تری از عملیات را در بر می‌گیرد. ابزارهای اصلی SRE هدف‌های قابلیت اطمینان (SLI، SLO و error budget) و کم کردن toil است و گوگل سهم کار عملیاتی هر SRE را حداکثر ۵۰٪ نگه می‌دارد. در بازار مرز نرم است: Kobie برای Lead DevOps تجربهٔ «DevOps، SRE یا platform engineering» را می‌پذیرد.
مهندس MLOps چرخهٔ عمر مدل را مدیریت می‌کند: آموزش، استقرار و پایش کیفیت مدل. مهندس DevOps زیرساخت و مسیر تحویلی را می‌سازد که این کارها روی آن انجام می‌شود. آگهی Scale AI همین تقسیم را نشان می‌دهد: باید اجزای ML را در چرخهٔ توسعه ادغام کنید، اما به نوشتهٔ آگهی، تخصص مستقیم ML لازم نیست. آگهی Schwarz هم فقط درک پایه از workflow های AI را می‌خواهد. برای نقش مدیریتی آن حوزه، صفحهٔ MLOps Lead را ببینید.
Cloud Engineer بیشتر روی خود زیرساخت ابری کار می‌کند: شبکه، محاسبه، ذخیره‌سازی و دسترسی‌ها. مهندس DevOps همین را با مسیر تحویل نرم‌افزار و تجربهٔ توسعه‌دهنده ترکیب می‌کند. در راهنمای حقوق ۲۰۲۶ Robert Half در بریتانیا هر دو در گروه «Cloud and infrastructure» آمده‌اند؛ میانهٔ حقوق شروع DevOps Engineer ۷۰٬۷۵۰ پوند و Cloud Engineer ۶۶٬۲۵۰ پوند است.
تأثیر در صنایع مختلف
مهندس DevOps و پلتفرم در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
پرداخت و فین‌تک
SumUp پلتفرم Fleet را روی AWS، Kubernetes و Terraform برای همهٔ تیم‌های مهندسی می‌سازد و تیم Container Services در Adyen زیرساخت ارکستراسیون کانتینری را اداره می‌کند که به نوشتهٔ آگهی پایهٔ پلتفرم پرداخت جهانی این شرکت است
آموزش و اپلیکیشن‌های مصرفی
تیم Compute در Duolingo پلتفرم محاسباتی مبتنی بر Kubernetes را در چند منطقه و چند ارائه‌دهندهٔ ابری اداره می‌کند و مسیر کد تا پروداکشن را با GitOps امن‌تر و سریع‌تر می‌کند
ارتباطات و ایمیل
به گفتهٔ آگهی Twilio، سیستم‌هایش در رویدادهایی مثل Black Friday بیش از ۱۲ میلیارد ایمیل پردازش می‌کنند و روی زیرساخت دو ابری AWS و Azure اجرا می‌شوند؛ Resend هم تیم پلتفرمی دارد که سرویس ایمیل توسعه‌دهندگان را روی AWS پایدار نگه می‌دارد
هوافضا و دفاع
Shield AI سیستم build نرم‌افزار هواپیماهای خودرانش را به مهندس DevOps سپرده و CI را به محیط‌های HIL و شبیه‌سازی وصل می‌کند؛ نقش DevOps در Scale AI برای بخش دولتی مجوز امنیتی TS/SCI می‌خواهد
شرکت‌های AI
Anthropic یک pipeline تحویل AI-first می‌سازد، Perplexity برای زیرساخت جستجو مهندس DevOps می‌خواهد و NVIDIA اجرای اعتبارسنجی شبیه‌سازی را روی سرویس‌های ابری GPU مقیاس می‌دهد
خرده‌فروشی و IT سازمانی
Schwarz IT Hub، شاخهٔ رومانیایی IT گروهی که Lidl و Kaufland را در بر دارد، برای AI Hub بینایی ماشین خود مهندس DevOps می‌خواهد
بازاریابی و وفاداری مشتری
Kobie پلتفرم داخلی ایجنت‌ها را روی Dataiku و Snowflake می‌سازد و Lead DevOps مسئول زیرساخت، CI/CD، امنیت و اجرای پایدار سرویس‌ها و ایجنت‌هاست
ابزار توسعه و SaaS
تیم Runway در GitLab پلتفرم مبتنی بر Kubernetes و GitOps را برای سازمان مهندسی می‌سازد؛ در incident.io یک تیم سه‌نفرهٔ پلتفرم همهٔ زیرساخت، CI/CD و پایگاه‌های داده را در اختیار دارد
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
DevOps یک ابزار یا اسم یک تیم است
ویکی‌پدیا DevOps را در بهترین حالت ترکیبی از روش‌های مشخص، تغییر فرهنگ و ابزار می‌داند. نظرسنجی سالانهٔ CNCF هم نشان می‌دهد بزرگ‌ترین مانع امروز فنی نیست: «تغییرات فرهنگی در تیم توسعه» با ۴۷٪ در صدر چالش‌ها قرار گرفته است. خرید ابزار بدون تغییر روش کار، مشکل را حل نمی‌کند.
DevOps یعنی مدیریت پیشرفتهٔ لینوکس
لینوکس لازم است، اما کافی نیست. SumUp تجربهٔ عملی توسعهٔ نرم‌افزار (ترجیحاً Go) می‌خواهد و Gemini تجربهٔ ساختن سرویس، CLI، API یا ابزار توسعه‌دهنده، و نه فقط اسکریپت و تنظیمات یک‌باره. کتاب SRE گوگل هم سهم کار عملیاتی را حداکثر ۵۰٪ نگه می‌دارد تا بقیهٔ وقت صرف مهندسی شود.
AI به‌زودی جای مهندسان DevOps را می‌گیرد
در آگهی‌های ۲۰۲۶ عکس این دیده می‌شود: AI به شرح وظایف اضافه شده است. Twilio کار با ابزارهایی مثل Claude Code را از مهندس تازه‌کار می‌خواهد، Shield AI از راه‌حل‌های agentic برای پیدا کردن علت شکست build استفاده می‌کند و Anthropic یک DevOps / AgentOps Engineer استخدام می‌کند. DORA می‌نویسد افزایش سرعت کدنویسی با AI اغلب در گلوگاه‌های تست، بازبینی امنیتی و استقرار گم می‌شود؛ یعنی همان جایی که این نقش مسئول آن است.
DevOps، SRE و Platform Engineer همه یک چیزند
ویکی‌پدیا DevOps را فلسفه و اصول کلی می‌داند و SRE و Platform Engineering را روش‌های مشخص برای اجرای آن: SRE روی قابلیت اطمینان، و Platform Engineering روی پلتفرم داخلی و self-service. در عمل آگهی‌ها هم‌پوشانی زیادی دارند؛ SumUp برای Senior DevOps تجربه در «DevOps، پلتفرم یا مهندسی زیرساخت» را می‌پذیرد.
می‌شود از صفر مستقیم مهندس DevOps شد
بیشتر آگهی‌های بررسی‌شده تجربه می‌خواهند: SumUp، Resend و Kobie ۸+ سال، Shield AI ۷+ سال و Gemini ۵+ سال. آگهی‌های سطح میانی مثل Schwarz ۲ تا ۴ سال می‌خواهند. نقطهٔ ورود واقع‌بینانه نقش‌هایی مثل L2 در Twilio (۱ تا ۲ سال تجربهٔ مهندسی نرم‌افزار) است، و Duolingo تجربهٔ کار روی سیستم پروداکشن را از راه کارآموزی یا مشارکت جدی در پروژه‌های متن‌باز هم می‌پذیرد.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
کارها مشخص‌اند و زیر نظر مهندسان ارشد انجام می‌شوند. بخش زیادی از وقت صرف یاد گرفتن زیرساخت موجود، code review و کارهای کوچک روی Terraform، Kubernetes و پایش می‌شود.
- ◆بررسی و اصلاح یک تنظیم Terraform برای یک سرویس و فرستادن آن برای review
- ◆اضافه کردن metric و هشدار برای سرویسی که پوشش پایش ندارد
- ◆پیدا کردن علت شکست یک build یا استقرار با کمک ابزارهای AI-assisted
- ◆شرکت در sprint planning و گزارش بدهی فنی یا باگ‌هایی که در مسیر دیده‌اید
میانی (۲–۵ سال)
مسئول بخشی از زیرساخت هستید و خودتان آن را نگه می‌دارید و بهبود می‌دهید. با تیم‌های دیگر، از جمله مهندسان AI، زیاد کار می‌کنید و در چرخهٔ on-call هستید.
- ◆بهبود یک pipeline استقرار در Argo CD تا rollout امن‌تر و سریع‌تر شود
- ◆بررسی داشبوردهای Prometheus و Grafana برای پیدا کردن یک گلوگاه
- ◆آماده کردن محیط برای تیم AI و کمک به رساندن یک مدل تازه به پروداکشن
- ◆به‌روزرسانی ماژول‌های Terraform و نوشتن runbook برای یک سرویس
- ◆رسیدگی به یک هشدار در شیفت on-call
ارشد و Staff (۵+ سال)
تمرکز روی طراحی، استانداردها و کمک به دیگران است. تصمیم‌هایتان روی کار چند تیم اثر دارد و بخشی از کار نوشتن سند طراحی و منتورینگ است.
- ◆طراحی الگوی زیرساخت یا ماژول مشترک که تیم‌های دیگر روی آن بسازند
- ◆برنامه‌ریزی ارتقای خوشه‌های Kubernetes و service mesh
- ◆کار با تیم امنیت روی الزامات انطباق مثل PCI DSS یا SOC2
- ◆تبدیل نتیجهٔ یک post-mortem به بهبود ماندگار
- ◆منتورینگ مهندسان تیم و بازبینی طراحی‌ها
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈ساخت و نگهداری pipeline های CI/CD، از build و تست تا اسکن امنیتی، استقرار و rollback
- ◈نوشتن و بازبینی زیرساخت به‌صورت کد (بیشتر Terraform) با مدیریت state و تشخیص drift
- ◈اداره، ارتقا و مقیاس‌دهی خوشه‌های Kubernetes و جریان‌های GitOps مثل Argo CD
- ◈ساخت پایش و هشدار (metrics، logs و traces) و تعریف SLO برای سرویس‌ها
- ◈شرکت در on-call، رسیدگی به incident و نوشتن post-mortem بدون سرزنش
- ◈پیاده‌سازی کنترل‌های امنیتی و انطباق: RBAC، network policy، مدیریت secrets و اسکن آسیب‌پذیری
- ◈پشتیبانی از مهندسان AI: آماده کردن محیط، اجرای pipeline های داده و آموزش، و رساندن مدل‌ها و ایجنت‌ها به پروداکشن
- ◈همکاری با تیم‌های محصول برای onboard کردن سرویس‌ها و ساخت مستندات، runbook و ابزار self-service
- ◈اندازه‌گیری و کاهش کار تکراری (toil) و تعیین اولویت سرمایه‌گذاری بعدی روی قابلیت اطمینان
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس DevOps و پلتفرم موفق به آن‌ها نیاز دارد
مهارت‌های فنی
مدیریت سیستم لینوکس (Duolingo) و مبانی شبکه مثل DNS، load balancing، ingress و service mesh (GitLab)
استقرار، شبکه، ذخیره‌سازی، مقیاس‌دهی و عیب‌یابی؛ در بیشتر آگهی‌های بررسی‌شده آمده است
ساخت image، کار با registry و اجرای امن کانتینر
ماژول، state، workspace و تشخیص drift؛ تقریباً در همهٔ آگهی‌ها آمده است
GitHub Actions، GitLab CI یا Jenkins؛ تست خودکار، اسکن امنیتی، استقرار تدریجی و rollback
AWS، GCP یا Azure، با IAM، شبکه و سرویس‌های محاسباتی؛ Twilio حتی دو ابر AWS و Azure را با هم دارد
اسکریپت و اتوماسیون؛ در سطوح بالاتر ساختن سرویس و ابزار. Calendly برای Staff تسلط به Go و Kubernetes API می‌خواهد
metrics، logs و traces با Prometheus، Grafana، OpenTelemetry یا Datadog، و هشداری که واقعاً قابل اقدام باشد
Argo CD یا Flux برای همگام نگه داشتن خوشه با Git
RBAC، network policy، مدیریت secrets و اسکن آسیب‌پذیری (GitLab و Kobie)
نگهداری و بهینه‌سازی پایگاه‌های دادهٔ رابطه‌ای و key-value (Perplexity) و کار با PostgreSQL و object storage (Schwarz)
استفادهٔ روزمره از ابزارهایی مثل Claude Code و Cursor برای کد، تست و عیب‌یابی (Twilio و incident.io)
مهارت‌های نرم
Duolingo و GitLab هر دو نوشتن مستندات و runbook را صریحاً خواسته‌اند
فهم نیاز تیم‌های محصول و تبدیل آن به ابزار و پلتفرم؛ Calendly کار مستقیم با مشتریان داخلی را می‌خواهد
incident.io کسی را می‌خواهد که منتظر دستور نماند و خودش چیزی را که کار همه را کند کرده درست کند
رسیدگی سیستماتیک به خرابی در شیفت on-call و نوشتن post-mortem بدون سرزنش
SumUp و Resend توضیح روشن تصمیم‌های فنی را می‌خواهند و نقش‌های ارشد منتورینگ را
دانش حوزه‌ای
SLI، SLO، error budget، استانداردهای آمادگی برای پروداکشن و کاهش toil (آگهی Gemini و کتاب SRE گوگل)
حالت‌های خطا، ارتباط سرویس‌ها، cache و صف؛ هم Duolingo و هم Twilio آن را می‌خواهند
PCI DSS و SOC2 در SumUp، ردپای حسابرسی SOX در Anthropic و الگوهای سازگار با PCI در Kobie
زمان‌بندی GPU، model serving، پایگاه‌دادهٔ برداری و پایش LLM؛ امتیاز در آگهی Kobie و بخشی از کار در Schwarz و NVIDIA
مدیریت و بهینه‌سازی هزینهٔ ابر؛ Kobie آن را جزو مهارت‌های امتیازی آورده است
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس DevOps و پلتفرم
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
لینوکس، شبکه و اسکریپت‌نویسی
همهٔ کارهای بعدی روی این پایه سوار می‌شوند. آگهی Duolingo «دانش کاربردی مدیریت سیستم لینوکس و اتوماسیون» را می‌خواهد و آگهی GitLab مبانی شبکه مثل DNS، load balancing و ingress را. کتاب SRE گوگل هم می‌نویسد رایج‌ترین مهارت‌های تکمیلی که برای SRE دنبالش هستند، دانش درونی سیستم‌عامل‌های Unix و شبکه است.
کانتینر و CI/CD
یاد بگیرید یک سرویس را در Docker بسته‌بندی کنید و با یک pipeline خودکار build، تست، اسکن و مستقر کنید. GitHub Actions، GitLab CI و Jenkins هر سه در آگهی‌ها آمده‌اند؛ آگهی Kobie از pipeline ای می‌گوید که build، تست، اسکن امنیتی، استقرار blue-green یا canary و rollback خودکار را پوشش دهد.
ابر و زیرساخت به‌صورت کد
یکی از AWS، GCP یا Azure را عمیق یاد بگیرید و زیرساخت را با کد بسازید. Terraform تقریباً در همهٔ آگهی‌های بررسی‌شده آمده است؛ GitLab تسلط به remote state، workspace و طراحی ماژول را می‌خواهد و تشخیص drift (فاصله گرفتن زیرساخت واقعی از کد) را جزو کار روزمره می‌داند.
Kubernetes و GitOps
Kubernetes در بیشتر آگهی‌ها آمده و طبق نظرسنجی سالانهٔ CNCF (ژانویهٔ ۲۰۲۶)، ۸۲٪ کاربران کانتینر آن را در پروداکشن اجرا می‌کنند. بعد از مفاهیم پایه، استقرار با Helm و GitOps با Argo CD را یاد بگیرید؛ Argo CD در آگهی‌های GitLab، Duolingo، Twilio، Kobie و Schwarz آمده است. RBAC، network policy و مدیریت secrets هم بخشی از همین مرحله‌اند.
Observability، قابلیت اطمینان، پلتفرم و AI
در این مرحله از «راه انداختن» به «پایدار نگه داشتن» می‌رسید: metrics، logs و traces، تعریف SLO، on-call و post-mortem. بعد سراغ پلتفرم داخلی بروید؛ DORA پلتفرم را محصولی داخلی می‌داند که مشتری‌اش توسعه‌دهندگان‌اند. لایهٔ تازه AI است: آگهی Kobie تجربهٔ پشتیبانی از بارهای کاری ML و LLM (زمان‌بندی GPU، زیرساخت model serving، پایگاه‌دادهٔ برداری و LangSmith یا Langfuse) را امتیاز می‌داند.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
CI/CD و GitOps
CI/CD داخل GitHub؛ در آگهی‌های Duolingo، Scale AI، Kobie، SumUp و Anthropic نام برده شده است
استقرار GitOps روی Kubernetes: وضعیت خوشه از روی Git همگام می‌شود؛ در آگهی‌های GitLab، Duolingo، Twilio، Kobie و Schwarz آمده است
CI/CD یکپارچه با GitLab؛ آگهی‌های Scale AI و Kobie آن را در کنار GitHub Actions و Jenkins آورده‌اند
کانتینر و ارکستراسیون
ارکستراسیون کانتینر؛ در بیشتر آگهی‌های بررسی‌شده آمده و طبق CNCF، ۶۶٪ سازمان‌هایی که مدل‌های مولد را خودشان میزبانی می‌کنند بخشی یا همهٔ inference را روی آن اجرا می‌کنند
زیرساخت به‌صورت کد
ابزار IaC متن‌باز زیر نظر بنیاد Linux که طبق سایت خودش جایگزین مستقیم Terraform است و همان پیکربندی‌ها را می‌پذیرد
مدیریت پیکربندی سرورها؛ در آگهی‌های Gemini، Shield AI و Adyen آمده است. Gemini تأکید می‌کند این مهارت به‌تنهایی کافی نیست
Observability، امنیت و پلتفرم
استاندارد متن‌باز برای metrics، logs و traces؛ طبق CNCF دومین پروژهٔ پرتحرک این بنیاد با بیش از ۲۴ هزار مشارکت‌کننده است
پورتال توسعه‌دهنده و کاتالوگ نرم‌افزار برای ساخت پلتفرم داخلی؛ طبق CNCF پنجمین پروژهٔ پرتحرک این بنیاد
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
مهندس DevOps / پلتفرم جونیور
۰ تا ۲ سال
کار روی وظایف مشخص زیر نظر مهندسان ارشد: سرویس‌ها و اتوماسیون پیرامون Kubernetes، تنظیمات Terraform، پوشش پایش و code review. آگهی L2 در Twilio با ۱ تا ۲ سال تجربهٔ مهندسی نرم‌افزار نمونهٔ این سطح است
مهندس DevOps / پلتفرم
۲ تا ۵ سال
نگهداری و بهبود CI/CD و GitOps، به‌روزرسانی زیرساخت با Terraform، پایش، شرکت در on-call و پشتیبانی از تیم‌های دیگر؛ آگهی‌های Schwarz (۲ تا ۴ سال) و Scale AI (۲ تا ۳ سال) در این سطح‌اند
مهندس ارشد DevOps / پلتفرم
۵+ سال
طراحی ماژول‌ها و الگوهای زیرساخت برای تیم‌های دیگر، اداره و ارتقای خوشه‌ها، رهبری کار امنیت و انطباق و منتورینگ. SumUp و Resend ۸+ سال و Gemini ۵+ سال تجربه می‌خواهند
Staff / Lead Platform Engineer
پس از سطح ارشد
تعیین نقشهٔ راه DevOps و observability (مثل آگهی Lead DevOps در Kobie) و ساخت پلتفرم self-service برای کل سازمان. Calendly برای Staff Platform Engineer ۱۰+ سال تجربه و ۴+ سال رهبری پروژه‌های فنی می‌خواهد
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
on-call و کار خارج از ساعت اداری
عمومیبیشتر آگهی‌ها شرکت در چرخهٔ on-call را می‌خواهند؛ Calendly صریحاً می‌نویسد باید برای هشدارهای حیاتی خارج از ساعت کاری در دسترس باشید. Gemini از چرخهٔ on-call با «نیروی کافی» می‌گوید. در مصاحبه بپرسید on-call چطور تقسیم می‌شود و چند نفر در چرخه‌اند.
امنیت و انطباق بدون کند کردن تیم‌ها
شرکت بزرگدر فین‌تک و شرکت‌های تحت حسابرسی، زیرساخت باید با استانداردهایی مثل PCI DSS، SOC2 یا SOX سازگار باشد. SumUp کسی را می‌خواهد که در این چارچوب کار کند «بدون اینکه تیم‌ها را کند کند» و Anthropic ردپای حسابرسی را بخشی از خود محصول می‌داند.
پلتفرمی که کسی از آن استفاده نکند
عمومیDORA پلتفرم داخلی را محصولی می‌داند که مشتری‌اش توسعه‌دهندگان‌اند و برایش مدیر محصول و نقشهٔ راه پیشنهاد می‌کند. اگر پلتفرم را فقط مجموعه‌ای از تیکت‌های زیرساخت ببینید، تیم‌ها دورش می‌زنند. Gemini هم می‌نویسد تیم پلتفرم نباید به «لایهٔ عملیاتی مبتنی بر تیکت» تبدیل شود.
AI سرعت تولید کد را بالا می‌برد، اما گلوگاه به pipeline منتقل می‌شود
عمومیDORA می‌نویسد افزایش سرعت کدنویسی با AI اغلب در تست، بازبینی امنیتی و استقرارهای پیچیده گم می‌شود و ۳۰٪ پاسخ‌دهندگان گزارش ۲۰۲۵ به کد تولیدشده با AI اعتماد کمی دارند یا اصلاً ندارند. Anthropic برای همین کسی را می‌خواهد که پیش از مسیر موفق، به دامنهٔ خرابی، sandbox و دسترسی‌ها فکر کند.
ابزارها و استانداردها مدام تغییر می‌کنند
عمومیاکوسیستم cloud native پرتحرک است؛ طبق CNCF، پروژهٔ OpenTelemetry به‌تنهایی بیش از ۲۴ هزار مشارکت‌کننده دارد. incident.io کسی را می‌خواهد که اخبار امنیت، ابر و تجربهٔ توسعه‌دهنده را دنبال کند. یادگیری مداوم بخشی از شغل است، نه کار اضافه.
ورود سخت برای تازه‌کارها
عمومیبیشتر آگهی‌ها برای سطح ارشد هستند و ۵ تا ۸ سال یا بیشتر تجربه می‌خواهند. آگهی‌های مناسب تازه‌کار کمترند و معمولاً عنوان Software Engineer یا Platform Engineer سطح پایین‌تر دارند، مثل L2 در Twilio. پورتفولیوی واقعی و تجربه در نقش‌های نزدیک (مدیریت سیستم، توسعهٔ backend، پشتیبانی فنی) راه را کوتاه‌تر می‌کند.
حقوق و بازار کار جهانی
حقوق جهانی مهندس DevOps و پلتفرم
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Robert Half 2027 Salary Guide, US national: low–high range; median = mid tier
- Robert Half 2027 Salary Guide, Canada national: low–high range; median = mid tier
- Robert Half 2026 UK Salary Guide (starting salaries): 25th–75th pct; median = 50th pct
- Robert Half Gehaltsübersicht 2027, Germany national: 25th–75th pct; median = 50th pct
- levels.fyi, Oct 2026, total comp (54 submissions): 25th–75th pct; median
- Robert Half 2027 Salary Guide, Switzerland national: 25th–75th pct; median = 50th pct
- Robert Half 2026 Salary Guide, Australia national (starting salaries): 25th–75th pct; median = 50th pct
- Robert Half 2026 Salary Guide, Singapore national (starting salaries): 25th–75th pct; median = 50th pct
- levels.fyi, Oct 2026, total comp (207 submissions): 25th–75th pct; median
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: لینوکس، Bash و شبکه
تا جایی پیش بروید که بدون رابط گرافیکی روی یک سرور کار کنید، سرویس راه بیندازید و مشکل شبکه را پیدا کنید.
ماه ۲: Docker و CI/CD
یک سرویس را در Docker بسته‌بندی کنید و یک pipeline کامل با GitHub Actions بسازید (پروژهٔ اول پورتفولیو).
ماه ۳: یک ابر و Terraform
مبانی یک ابر را یاد بگیرید و زیرساخت پروژه را با Terraform بسازید.
ماه ۴: Kubernetes
مفاهیم پایه را با مستندات رسمی یاد بگیرید و در محیط‌های تمرینی دست به کار شوید.
ماه ۵: GitOps و پایش
Argo CD و Prometheus را روی خوشهٔ خودتان راه بیندازید و برای یک سرویس SLO تعریف کنید.
ماه ۶: پورتفولیو و درخواست کار
سه پروژه با README روشن آماده کنید و رزومه را با زبان آگهی‌ها بنویسید: CI/CD، Terraform، Kubernetes و پایش. نقش‌هایی مثل Platform Engineer سطح پایین یا L2 را هدف بگیرید.
پروژه‌های پیشنهادی برای رزومه
pipeline کامل CI/CD برای یک سرویس کوچک
مبتدییک API ساده بنویسید و با GitHub Actions این مراحل را خودکار کنید: lint، تست، ساخت image، اسکن آسیب‌پذیری، push به registry و استقرار. در README توضیح دهید هر مرحله چه خطایی را زود پیدا می‌کند و اگر استقرار خراب شد چطور برمی‌گردید.
زیرساخت چندمحیطی با Terraform
متوسطشبکه، یک سرویس و پایگاه داده را روی یک ابر با ماژول‌های Terraform بسازید و برای dev و prod جدا کنید. state را remote نگه دارید و در CI یک بررسی بگذارید که drift را گزارش کند؛ همان کاری که آگهی GitLab می‌خواهد.
Kubernetes با پایش، SLO و post-mortem
متوسطیک برنامهٔ چندسرویسی را روی kind یا minikube با Helm مستقر کنید، Prometheus و Grafana را راه بیندازید و برای یک سرویس SLO تعریف کنید. بعد یک خرابی را عمداً ایجاد کنید، با داشبورد پیدایش کنید و یک post-mortem کوتاه بنویسید.
GitOps با Argo CD در دو محیط
پیشرفتهتنظیمات برنامه را در یک مخزن Git نگه دارید و با Argo CD روی دو محیط همگام کنید. ارتقای نسخه از staging به production فقط با merge انجام شود و rollback با revert. مثال‌های رسمی Argo CD نقطهٔ شروع خوبی‌اند.
اجرای یک سرویس LLM در پروداکشن
پیشرفتهیک برنامهٔ ساده مبتنی بر LLM (مثلاً پرسش و پاسخ روی چند سند) را آماده دریافت کنید و کار شما فقط بخش DevOps باشد: کانتینر، استقرار روی Kubernetes، autoscaling، و پایش تأخیر، خطا، مصرف توکن و هزینه با Langfuse یا OpenTelemetry. آموزش مدل جزو این پروژه نیست؛ این مرز DevOps با MLOps است.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
طبق ویکی‌پدیا، پس از دبیرستان وارد دانشگاه Clayton State شد، اما درس‌های فناوری را کافی ندید و ادامه نداد. گواهی CompTIA A+ گرفت و در ۱۹ سالگی در BellSouth نصب‌کنندهٔ سرویس DSL شد؛ بعد شرکت مشاورهٔ IT خودش را راه انداخت. در ۲۰۱۳ به‌عنوان مهندس نرم‌افزار به Puppet رفت و اوایل ۲۰۱۴ از اعضای اولیهٔ CoreOS شد و مشارکت جدی در پروژهٔ Kubernetes را شروع کرد.
از نوامبر ۲۰۱۵ در بخش ابری گوگل مهندس و developer advocate بود و تا اکتبر ۲۰۲۲ به سطح distinguished engineer رسید. در ۲۰۱۵ کنفرانس KubeCon را هم‌بنیان گذاشت که بعدها مدیریتش به CNCF رسید، و در ۲۰۱۷ کتاب Kubernetes: Up and Running را با دو هم‌بنیان‌گذار Kubernetes نوشت. در ژوئن ۲۰۲۳ بازنشستگی‌اش از گوگل را اعلام کرد.
مسیر او از نصب DSL و پشتیبانی IT به یکی از چهره‌های شناخته‌شدهٔ Kubernetes نشان می‌دهد در این حوزه مهارت عملی و کار در جامعهٔ متن‌باز می‌تواند جای مدرک را بگیرد. توضیح دادن فناوری برای دیگران هم، در مورد او، به اندازهٔ کد نوشتن اثر داشته است.
طبق صفحهٔ معرفی Honeycomb، سال‌ها سیستم‌های توزیع‌شدهٔ بزرگ را در Parse (که Facebook آن را خرید)، Facebook و Linden Lab، سازندهٔ Second Life، ساخته و اداره کرده است.
هم‌بنیان‌گذار و CTO شرکت Honeycomb است؛ صفحهٔ معرفی این شرکت می‌نویسد او مفهوم observability مدرن را پایه گذاشت. هم‌نویسندهٔ دو کتاب Observability Engineering و Database Reliability Engineering است.
مسیر او نشان می‌دهد تجربهٔ اداره سیستم‌های واقعی در پروداکشن می‌تواند به ایدهٔ یک محصول تبدیل شود. برای کسی که وارد این شغل می‌شود، یعنی پایش را از سؤال‌هایی شروع کند که باید دربارهٔ سیستم بپرسد، نه از تعداد داشبوردها.
به گفتهٔ خودش در سایت شخصی‌اش، اصطلاح DevOps را در ۲۰۰۹ به‌طور اتفاقی ساخت و از نویسندگان کتاب The DevOps Handbook است.
امروز سایت jedi.be را به‌عنوان سایت پژوهشی شخصی دربارهٔ توسعهٔ AI-native، مهندسی context و آیندهٔ تیم‌های نرم‌افزاری اداره می‌کند. به گفتهٔ همان صفحه، در راه‌اندازی AI Native DevCon برای وصل کردن متخصصانی که در مرز مهندسی AI-native کار می‌کنند نقش داشت.
کسی که به گفتهٔ خودش اصطلاح DevOps را ساخت، حالا روی توسعهٔ نرم‌افزار با AI کار می‌کند. به نظر می‌رسد برای مهندس DevOps، AI ادامهٔ همان مسیر خودکارسازی است و ارزش دارد زود یاد گرفته شود.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
DevOps Engineer AI - Focus on Operations & Infrastructure (m/f/d)
تحلیل نیازمندی‌ها
You have a solid base in software engineering. You bring about 2 to 4 years of professional experience in DevOps, MLOps, or Data Engineering, with practical experience in running and maintaining software solutions.
این یک نقش سطح میانی است و تجربه در نقش‌های نزدیک (MLOps یا مهندسی داده) هم پذیرفته می‌شود. عبارت «اجرا و نگهداری» مهم است: کارفرما کسی را می‌خواهد که نرم‌افزار را در پروداکشن سالم نگه داشته باشد، نه فقط ساخته باشد.
ضروریContainerization & Orchestration: You have solid, hands-on experience working with Docker and Kubernetes (ideally 2+ years).
هستهٔ فنی این نقش. «عملی» یعنی اداره کردن و عیب‌یابی خوشه، نه فقط اجرای چند دستور آموزشی؛ پروژهٔ Kubernetes با پایش و یک incident شبیه‌سازی‌شده در پورتفولیو بهترین نشانهٔ آن است.
ضروریInfrastructure as Code: You have practical experience working with Terraform (ideally 1–2 years).
زیرساخت این تیم با Terraform مدیریت می‌شود. باید بتوانید ماژول موجود را بخوانید، تغییر بدهید و بدون خراب کردن state اعمال کنید.
ضروریCloud Platforms: You possess practical experience with at least one major cloud provider (GCP, Azure or StackIT).
یک ابر کافی است؛ مفاهیم بین ابرها مشترک‌اند. StackIT ابری است که در فهرست محصولات Schwarz Digits روی همین سایت آمده، پس انتظار نمی‌رود قبلاً با آن کار کرده باشید.
مهمData & Storage: Familiarity with relational databases (PostgreSQL) and object storage (S3).
در تیم‌های AI داده حجیم است: آگهی می‌گوید متادیتا در PostgreSQL و داده‌های تصویری در S3 نگهداری می‌شوند. «آشنایی» کافی است، اما باید بدانید پشتیبان‌گیری و دسترسی به این دو چطور کار می‌کند.
مهمProgramming & ML Foundations: You have good programming skills in Python and a foundational understanding of AI/Deep Learning workflows
Python برای اتوماسیون لازم است. دانش ML فقط در حد «پایه» خواسته شده: باید بدانید آموزش مدل چه مراحلی دارد و چه منابعی مصرف می‌کند، نه اینکه مدل بسازید. همین مرز DevOps با MLOps است.
مهمFirst exposure to Argo CD or Argo Workflows is a strong advantage.
Argo CD برای استقرار GitOps و Argo Workflows برای اجرای pipeline های داده و آموزش روی Kubernetes است. یک پروژهٔ کوچک با Argo CD در پورتفولیو شما را از بقیهٔ متقاضیان جدا می‌کند.
مفیدتحلیل مسئولیت‌ها
Support System Operations: You assist in ensuring the stable, secure, and reliable operation of our existing cloud infrastructure and production Computer Vision pipelines.
فعل «assist» نشان می‌دهد در تیمی کار می‌کنید که معماری را ساخته؛ کار شما پایدار، امن و قابل اعتماد نگه داشتن آن است. معماری اصلی، به نوشتهٔ آگهی، از قبل راه افتاده است.
Pipeline Maintenance and Optimization: You manage, maintain and optimize existing CI/CD processes via Argo CD and help run ETL and ML training pipelines using Argo Workflows.
دو نوع pipeline دارید: pipeline تحویل نرم‌افزار (Argo CD) و pipeline داده و آموزش مدل (Argo Workflows). مهندس DevOps هر دو را اجرا و بهینه می‌کند، اما محتوای آموزش مدل کار تیم AI است.
Monitoring & Observability: You work with our monitoring and observability stack (Prometheus, Loki, Grafana) to track system health, identify bottlenecks, and resolve technical issues.
Prometheus برای metrics، Loki برای logs و Grafana برای نمایش. باید بتوانید از روی داشبورد گلوگاه را پیدا کنید و مشکل را تا ریشه دنبال کنید.
Infrastructure and scaling: You help maintain and update our existing infrastructure landscape using Terraform and contribute to enhancing it.
بیشتر کار روی زیرساخت موجود است، نه ساختن از صفر. توانایی خواندن کد Terraform دیگران و تغییر امن آن مهم‌تر از نوشتن ماژول تازه است.
Collaboration with AI Engineers: You work closely with our AI development team, support them by provisioning developer VMs, and help ensure that new machine learning models are smoothly integrated into the production environment.
مشتری اصلی شما تیم AI است: برایشان محیط کار آماده می‌کنید و کمک می‌کنید مدل تازه بی‌دردسر به پروداکشن برسد. این همان جایی است که DevOps در شرکت‌های AI ارزش پیدا می‌کند.
نتیجه‌گیری کلی
این آگهی تصویر روشنی از مهندس DevOps در یک تیم AI می‌دهد: سطح میانی (۲ تا ۴ سال)، با ابزارهای استاندارد DevOps یعنی Docker، Kubernetes، Terraform، Argo CD و Prometheus، Loki و Grafana. AI زمینهٔ کار است، نه خود کار: آگهی فقط درک پایه از workflow های AI می‌خواهد و ساختن مدل با تیم AI است. بازهٔ حقوق در آگهی اعلام نشده است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
در گزارش Future of Jobs 2025 مجمع جهانی اقتصاد (WEF)، «Devops Engineer» رتبهٔ ۱۴ را در فهرست ۱۵ شغل با سریع‌ترین رشد خالص (درصدی) در بازهٔ ۲۰۲۵ تا ۲۰۳۰ دارد. این فهرست بر پایهٔ پیش‌بینی بیش از ۱٬۰۰۰ کارفرمای بزرگ در ۵۵ اقتصاد است.
منبع: WEF Future of Jobs Report 2025
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
به پیش‌بینی کارفرمایانی که WEF در گزارش Future of Jobs 2025 از آن‌ها نظرسنجی کرده، Devops Engineer از ۲۰۲۵ تا ۲۰۳۰ جزو ۱۵ شغل با سریع‌ترین رشد خالص است (رتبهٔ ۱۴).
BLS آمریکا پیش‌بینی می‌کند اشتغال گروه رسمی Software Developers، که O*NET عنوان DevOps Engineer را جزو عنوان‌های نمونهٔ آن آورده، از ۲۰۲۵ تا ۲۰۳۵، ۱۰٪ رشد کند و یکی از دلایل را گسترش توسعهٔ نرم‌افزار برای AI می‌داند. BLS گروه جداگانه‌ای برای DevOps ندارد.
گزارش DORA ۲۰۲۵ می‌گوید AI تیم را درست نمی‌کند، بلکه آنچه هست را بزرگ‌تر می‌کند. DORA در صفحهٔ platform engineering می‌نویسد افزایش سرعت کدنویسی با AI اغلب در گلوگاه‌های تست، بازبینی امنیتی و استقرار پیچیده گم می‌شود، و وقتی کیفیت پلتفرم داخلی پایین است اثر AI بر عملکرد سازمان ناچیز است. یعنی AI فشار بیشتری روی همان بخشی می‌آورد که مهندس DevOps و پلتفرم مسئول آن است. آگهی‌ها هم این تغییر را نشان می‌دهند: Twilio از مهندس تازه‌کار کار با ابزارهایی مثل Claude Code را می‌خواهد، Shield AI برای پیدا کردن علت شکست build از راه‌حل‌های agentic استفاده می‌کند و Anthropic مهندسی می‌خواهد که pipeline را برای کار مشترک انسان و ایجنت طراحی کند. ریسک بیشتر متوجه کسی است که فقط اجرای دستی تیکت را بلد است؛ Gemini صریحاً نمی‌خواهد تیم پلتفرمش به «لایهٔ عملیاتی مبتنی بر تیکت» تبدیل شود.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۴۲ منبع بررسی شده است.
- DevOps Engineer AI - Focus on Operations & Infrastructure — Schwarz IT Hub (job posting)
- Cloud Platform Engineer — GitLab (job posting)
- Platform Engineer II — Duolingo (job posting)
- Software Engineer, Platform Engineering (L2) — Twilio (job posting)
- Lead DevOps Engineer — Kobie (job posting)
- Senior DevOps Engineer — SumUp (job posting)
- Senior Platform Engineer — SumUp (job posting)
- Platform Engineer — Resend (job posting)
- Platform Engineer — incident.io (job posting)
- DevOps Engineer, Infrastructure & Security — Scale AI (job posting)
- DevOps Engineer (5431) — Shield AI (job posting)
- DevOps / AgentOps Engineer, GTM Systems — Anthropic (job posting)
- Member of Technical Staff (Search Core DevOps Engineer) — Perplexity (job posting)
- Senior Platform Engineer — Gemini (job posting)
- Software Engineer – DevOps Platform — Wealthfront (job posting)
- Senior Platform Engineer - Container Services — Adyen (job posting)
- Staff Platform Engineer — Calendly (job posting)
- Senior DevOps Engineer, Cloud Simulation Infrastructure — NVIDIA (job posting)
- Robert Half — DevOps Engineer salary, United States (2027 guide)
- Robert Half — DevOps Engineer salary, Canada (2027 guide)
- Robert Half — 2026 Salary Guide, United Kingdom (PDF)
- Robert Half — Gehalt DevOps Engineer, Deutschland (2027)
- Robert Half — DevOps Engineer salary, Switzerland (2027 guide)
- Robert Half — DevOps Engineer salary, Australia (2026 guide)
- Robert Half — DevOps Engineer salary, Singapore (2026 guide)
- levels.fyi — DevOps Engineer salary in the Netherlands
- levels.fyi — DevOps Engineer salary in India
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- BLS Occupational Outlook Handbook — Software Developers, QA Analysts, and Testers
- O*NET OnLine — 15-1252.00 Software Developers
- ITJobsWatch — DevOps Engineer (UK)
- ITJobsWatch — Platform Engineer (UK)
- Google Cloud Blog — Announcing the 2025 DORA Report
- DORA — Capabilities: Platform engineering
- CNCF — Annual Cloud Native Survey announcement (January 2026)
- Google SRE Book — Chapter 1: Introduction
- DevOps — Wikipedia
- Site reliability engineering — Wikipedia
- Platform engineering — Wikipedia
- Kelsey Hightower — Wikipedia
- Honeycomb — Leadership team (Charity Majors)
- Patrick Debois — About (jedi.be)