مهندس پلتفرم ایجنت
Agent Platform Engineer
«مهندس لایهٔ ارکستراسیون مدل‌های بزرگ» (LLM Orchestration Engineer) عنوان شغلی نیست: در بررسی ما در اکتبر ۲۰۲۶ روی ۳۷٬۵۷۱ آگهی باز در تابلوی استخدام ۴۱۷ شرکت، حتی یک آگهی این عنوان را نداشت. خودِ کار اما واقعی است و با عنوان‌هایی مثل Software Engineer, Agent Platform (در Decagon، Replit و Anduril)، Agent Runtime (در Sierra، Glean و OpenAI) و Agent Infrastructure (در Cohere و Roblox) آگهی می‌شود. مهندس پلتفرم ایجنت لایه‌ای را می‌سازد که ایجنت‌ها روی آن اجرا می‌شوند: موتور orchestration، فراخوانی ابزار، مسیریابی بین مدل‌ها، نگه‌داشتن state و حافظه، streaming، guardrail، اجرای امن کد و پایش. کاربران این لایه معمولاً مهندسان دیگری‌اند که خودِ ایجنت را می‌سازند؛ برای همین هستهٔ کار مهندسی backend و سیستم‌های توزیع‌شده است، نه نوشتن prompt.
مقدمه و تعریف شغل
مهندس پلتفرم ایجنت (Agent Platform Engineer) لایهٔ مشترکی را می‌سازد که ایجنت‌های مبتنی بر LLM روی آن اجرا می‌شوند. Decagon این لایه را «runtime و لایهٔ orchestration مدل‌ها» می‌نامد: مسیریابی، منطق اجرا، هماهنگی ابزارها و control plane که تعیین می‌کند ایجنت در یک گفتگوی زنده چه کند. Glean همین کار را «Agentic Runtime» می‌نامد و فهرستش را این‌طور می‌دهد: orchestration چندنوبتی، فراخوانی ابزار، مسیریابی مدل، حافظه، streaming و ایمنی. خروجی این مهندس معمولاً خودِ ایجنت نیست؛ SDK، سرویس و primitive هایی است که مهندسان دیگر با آن ایجنت می‌سازند و انتظار دارند سریع، پایدار، امن و قابل اندازه‌گیری باشد.
این صفحه قبلاً با عنوان «LLM Orchestration Engineer» منتشر شده بود، اما بازار چنین عنوانی ندارد. در ۲۲ اکتبر ۲۰۲۶ آگهی‌های باز ۴۱۷ شرکت را از طریق API عمومی Greenhouse، Ashby و Lever بررسی کردیم (۳۷٬۵۷۱ آگهی): هیچ عنوانی «LLM Orchestration» نداشت. ۳۰ عنوان کلمهٔ orchestration داشتند، اما بیشترشان دربارهٔ orchestration داده، cluster، ناوگان یا workflow بودند و از میان عنوان‌های مهندسی فقط یکی به ایجنت‌های LLM مربوط بود: «Engineering Manager, Agent Orchestration» در Decagon. در عوض همین کار با سه خانوادهٔ عنوان آگهی می‌شود: Agent Platform (Decagon، Replit، Anduril، GitLab Duo Agent Platform و JPMorganChase)، Agent Runtime (Sierra، Glean، OpenAI و Klaviyo) و Agent Infrastructure (Cohere، Roblox و Relativity Space). آگهی‌های تقریباً هم‌نام که در جستجو پیدا کردیم یا بسته شده بودند (Multiverse Computing و Peraton) یا فقط در سایت‌های جمع‌آوری آگهی بودند. نکتهٔ مهم برای تصمیم شغلی این است که همین شرکت‌ها ساختن پلتفرم را از ساختن ایجنت جدا کرده‌اند: Sierra هم «Software Engineer, Agent Runtime» دارد که روی Agent SDK و موتور orchestration کار می‌کند و هم «Software Engineer, Agent» که با مشتری کار می‌کند و ایجنت می‌سازد. سطح ورود هم بالاست: از ۱۱ آگهی که سابقه را به عدد نوشته بودند، کمترین ۳ سال (Glean) بود و ۸ آگهی ۵ سال یا بیشتر می‌خواستند.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مهندس پلتفرم ایجنت
Agent harness و control plane
در Decagon، تیم Agent Platform مالک کل چرخهٔ اجرای هر گفتگوست: انتخاب workflow، هماهنگی چند مدل با الگوهای router، planner و supervisor، هماهنگی فراخوانی ابزارها، اعمال محدودیت‌های ایمنی و پاسخ به کاربر.
Agent SDK و موتور orchestration
در Sierra، تیم Agent Runtime روی Agent SDK کار می‌کند: موتور orchestration، runtime و primitive هایی که تعیین می‌کنند ایجنت چطور استدلال کند، اقدام کند و با کاربر و سیستم‌ها تعامل داشته باشد.
سرویس‌های runtime کم‌تأخیر
در Glean: سرویس‌های چرخهٔ عمر session، پاسخ streaming با gRPC یا WebSocket، اجرای ساختاریافتهٔ ابزار، حافظه و state، و policy و guardrail.
State پایدار و اجرای ناهمگام
در OpenAI، تیم Agent Runtime سیستم‌هایی برای state پایدار ایجنت، اجرای ناهمگام، orchestration و گزارش پیشرفت می‌سازد تا ایجنت بتواند کار را در طول زمان جلو ببرد.
Sandbox و اجرای امن
در Roblox، کد غیرقابل‌اعتماد در sandbox هایی اجرا می‌شود که credential را از دسترس ایجنت دور نگه می‌دارند و کنترل می‌کنند ایجنت به کجای شبکه دسترسی دارد. Cohere هم محیط اجرای امن برای کدِ تولیدشده توسط ایجنت و مدیریت هویت ایجنت‌ها را جزو کار این نقش می‌داند.
SDK داخلی برای تیم‌های دیگر
در JPMorganChase، پلتفرم ایجنت یک SDK و چند فریم‌ورک orchestration است که تیم‌های دیگر با آن ایجنت گفتگو، صوتی و استخراج سند می‌سازند. Anduril هم برای مالکیت فریم‌ورک داخلی ایجنت خود یک مهندس backend می‌خواهد.
تخصص‌های مختلف مهندس پلتفرم ایجنت
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
runtime و harness ایجنت
Agent Runtime & Harness
منطق اجرای هر گفتگو یا کار: حلقهٔ ایجنت، مسیریابی، فراخوانی ابزار و محدودیت‌های ایمنی؛ مثل Agent Platform در Decagon، Agent Runtime در Sierra، Agentic Runtime در Glean و Agent Harness در Cartesia برای ایجنت‌های صوتی.
پلتفرم و SDK داخلی ایجنت
Internal Agent Platform & SDK
فریم‌ورک و SDK که تیم‌های دیگر شرکت با آن ایجنت می‌سازند؛ مثل AI Agent Platform در JPMorganChase، فریم‌ورک داخلی ایجنت در Anduril و Duo Agent Platform در GitLab.
زیرساخت و sandbox ایجنت
Agent Infrastructure & Sandboxing
اجرای ایجنت‌های طولانی، اجرای امن کد و مدیریت منابع؛ مثل Agent Infrastructure در Roblox و Cohere و Agent Runtime Platform در Anthropic.
مسیریابی مدل و gateway
Model Routing & Inference Gateway
یک رابط برای همهٔ ارائه‌دهنده‌ها، fail over، backpressure و کنترل ورود ترافیک؛ مثل Model Routing & Inference در Cursor. Cohere هم مسیریابی و orchestration بین انواع مدل را جزو زیرساخت ایجنت آورده است.
هویت ایجنت و دسترسی به ابزار
Agent Identity & Tool Access
اینکه ایجنت به کدام ابزار و داده با چه توکنی دسترسی دارد و چه ردی از کارش می‌ماند؛ مثل Agent Gateway در Okta که مجوزها را اعمال می‌کند، credential را جدا نگه می‌دارد و audit trail می‌سازد.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
نزدیک‌ترین نقش و بیشترین هم‌پوشانی. مهندس سیستم‌های ایجنتیک خودِ ایجنت را برای یک کاربرد یا مشتری می‌سازد؛ مهندس پلتفرم ایجنت لایه‌ای را می‌سازد که آن ایجنت‌ها روی آن اجرا می‌شوند. همین شرکت‌ها این دو را جدا آگهی می‌کنند: در Sierra، «Software Engineer, Agent» با مشتری کار می‌کند و ایجنت تحویل می‌دهد، و «Software Engineer, Agent Runtime» روی Agent SDK و موتور orchestration کار می‌کند. در Decagon هم مدیر تیم Agent Orchestration با «Agent SWE» همکاری می‌کند. صفحهٔ مهندس سیستم‌های ایجنتیک این کار را یکی از تخصص‌های خود (Agent Infrastructure & Runtime) می‌شمارد.
مهندس پلتفرم API لایهٔ دسترسی به مدل را می‌سازد: API عمومی، gateway، rate limit و fail over بین ارائه‌دهنده‌ها. نمونه‌اش آگهی Cursor است که یک inference gateway می‌خواهد تا همهٔ ارائه‌دهنده‌ها پشت یک رابط بروند و قطعی یکی به کاربر نرسد. پلتفرم ایجنت یک لایه بالاتر است: از gateway مدل استفاده می‌کند و روی آن گفتگوی چندنوبتی، ابزار، state و ایمنی را مدیریت می‌کند. مسیریابی مدل در هر دو دیده می‌شود: Glean و Cohere آن را جزو runtime و زیرساخت ایجنت آورده‌اند.
تیم پلتفرم AI معمولاً زیرساخت عمومی‌تر را برای همهٔ کاربردهای مدل در شرکت می‌سازد: سرو کردن مدل، gateway، استقرار و زیرساخت ارزیابی. پلتفرم ایجنت روی اجرای ایجنت تمرکز دارد: کارهای طولانی، فراخوانی ابزار، اجرای کد و هویت ایجنت. صفحهٔ LLMOps پلتفرم ایجنت را یکی از تخصص‌های خود می‌شمارد و مرز این دو گاهی در یک عنوان جمع می‌شود؛ مثل «Staff AI Platform Engineer - Inference & Agentic Systems» در Paytm Labs.
AI Engineer قابلیت‌های AI را در محصول می‌سازد: RAG، دستیار، استخراج داده یا یک ایجنت مشخص، و بیشتر با prompt، داده و کیفیت پاسخ سروکار دارد. مهندس پلتفرم ایجنت کمتر با یک قابلیت خاص و بیشتر با زیرساخت مشترک کار می‌کند و آگهی‌هایش پیش از هر چیز سابقهٔ سیستم‌های توزیع‌شده می‌خواهند؛ OpenAI حتی تجربهٔ قبلی با runtime ایجنت را «مفید اما نه لازم» می‌داند.
تأثیر در صنایع مختلف
مهندس پلتفرم ایجنت در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
خدمات مشتری
Decagon و Sierra پلتفرم ایجنت خدمات مشتری برای برندهای بزرگ می‌سازند و هر دو تیم جداگانه‌ای برای runtime و orchestration دارند
جستجو و دستیار سازمانی
Glean ایجنت‌ها و دستیار سازمانی را روی یک Agentic Runtime مشترک اجرا می‌کند
ابزارهای توسعه‌دهنده
GitLab پلتفرم Duo Agent Platform را برای اجرای ایجنت در کل چرخهٔ توسعهٔ نرم‌افزار می‌سازد و Replit پلتفرم ایجنت کدنویسی خود را
بانکداری و خدمات مالی
JPMorganChase یک AI Agent Platform داخلی با SDK، حافظه، guardrail و رویه‌های قابل ممیزی برای تیم‌های شرکت دارد
دفاعی
تیم Frontier AI در Anduril فریم‌ورک داخلی ایجنت LLM را برای تیم‌هایی می‌سازد که ایجنت را در محیط‌های حساس مستقر می‌کنند؛ خودکارسازی برنامه‌ریزی مأموریت از کاربردهای نام‌برده است
بازی و پلتفرم سازندگان محتوا
Roblox زیرساخت ایجنت را هم برای سازندگان تجربه روی پلتفرمش و هم برای مهندسان خودش می‌سازد
بازاریابی و تجارت الکترونیک
Klaviyo برای ایجنت مشتری خود مهندس runtime می‌خواهد که استفاده از ابزار، orchestration، مدیریت context، بازیابی و workflow های چندمرحله‌ای را بسازد
Voice AI
Cartesia پلتفرم ایجنت‌های صوتی را می‌سازد و تأخیر کل مسیر تبدیل گفتار به متن، LLM و تبدیل متن به گفتار را کم می‌کند
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
هر آگهی که کلمهٔ orchestration دارد دربارهٔ LLM است
در بررسی ما از ۳۰ عنوانی که orchestration داشتند، فقط یک عنوان مهندسی دربارهٔ ایجنت‌های LLM بود. بیشترِ بقیه orchestration داده، cluster، ناوگان خودروهای خودران یا workflow بودند؛ مثلاً Orchestration Platform در Scale AI زیرساخت workflow پایدار با Temporal و Cadence است. برای کار LLM دنبال Agent Platform، Agent Runtime و Agent Infrastructure بگردید.
این کار یعنی نوشتن prompt
آگهی‌ها پیش از هر چیز سیستم‌های توزیع‌شده می‌خواهند: Decagon «تجربهٔ جدی ساختن سیستم‌های توزیع‌شده یا پلتفرم backend» و OpenAI ۷+ سال مهندسی نرم‌افزار با مالکیت سیستم‌های backend. Prompt بخشی از کار است، اما بخش کوچکی.
یک فریم‌ورک مثل LangGraph کار را تمام می‌کند
مستندات LangGraph خودش را «بسیار سطح پایین» می‌داند و Anthropic پیشنهاد می‌کند کار را با API مدل شروع کنید و اگر فریم‌ورک به کار بردید، کد زیر آن را بفهمید. بسیاری از این شرکت‌ها runtime خود را می‌سازند: Sierra یک Agent SDK دارد و Anduril فریم‌ورک داخلی ایجنت.
برای این کار باید مدل آموزش داده باشید
بیشتر آگهی‌ها مهندسی backend و زیرساخت می‌خواهند و OpenAI تجربهٔ قبلی با runtime ایجنت را هم لازم نمی‌داند. آموزش مدل در برخی آگهی‌ها امتیاز است، نه شرط: Anduril آشنایی با post-training را خواسته و Klaviyo fine-tuning را در بخش «خوب است داشته باشید» آورده است.
ایجنت فقط یک درخواست به API مدل است
به تعبیر آگهی Roblox، workload ایجنت فرض‌های معمول زیرساخت را می‌شکند: ساعت‌ها اجرا می‌شود، غیرقطعی است، کدی را اجرا می‌کند که کسی ننوشته و برای مفید بودن به credential واقعی روی سیستم‌های واقعی نیاز دارد. بیشتر کار این نقش مدیریت همین پیامدهاست.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
در آگهی‌هایی که بررسی کردیم موقعیت جونیور برای پلتفرم ایجنت نبود. در این سطح معمولاً با عنوان مهندس backend یا AI Engineer کار می‌کنید و اگر در شرکتی باشید که پلتفرم ایجنت دارد، بخشی کوچک و مشخص از آن را تحویل می‌گیرید.
- ◆افزودن یک ابزار تازه به runtime با اعتبارسنجی ورودی و تست
- ◆بررسی trace یک درخواست کند تا معلوم شود تأخیر از مدل بوده، از ابزار یا از سرویس خودتان
- ◆نوشتن تست برای حالت‌های خطا مثل timeout ارائه‌دهنده
- ◆code review و یاد گرفتن الگوهای تیم
میانی (۲–۵ سال)
مالک یک بخش از runtime هستید، مثلاً streaming، اجرای ابزار یا حافظه، و هم کد آن را می‌نویسید و هم مسئول رفتارش در پروداکشن هستید. آگهی Glean با ۳+ سال سابقه نمونهٔ این سطح است.
- ◆کم کردن تأخیر p95 یک مسیر پرترافیک
- ◆اتصال یک ارائه‌دهندهٔ LLM تازه با timeout و fallback
- ◆افزودن retry و circuit breaker به یک ابزار ناپایدار
- ◆تحلیل یک incident و نوشتن playbook برای on-call
- ◆همکاری با تیمی که روی پلتفرم ایجنت می‌سازد تا نیازش به یک primitive تازه تبدیل شود
ارشد (۵+ سال)
روی معماری و تصمیم‌هایی کار می‌کنید که روی همهٔ ایجنت‌های شرکت اثر می‌گذارد: harness، مسیریابی، امنیت اجرا و شیوهٔ ارزیابی. هنوز کد می‌نویسید، اما بخش بزرگی از وقت صرف طراحی، بازبینی و هماهنگی با تیم‌های پژوهش، امنیت و محصول می‌شود.
- ◆تحلیل خطاهای واقعی ایجنت‌ها و تصمیم دربارهٔ اینکه کدام باید در لایهٔ orchestration حل شود
- ◆طراحی آزمایش online برای مقایسهٔ دو نسخهٔ harness
- ◆بازبینی طراحی sandbox با تیم امنیت
- ◆نوشتن سند طراحی برای state پایدار ایجنت‌های طولانی
- ◆منتورینگ مهندسان میانی
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈طراحی و نگهداری runtime ایجنت: چرخهٔ عمر session، streaming پاسخ، اجرای ساختاریافتهٔ ابزار، حافظه و state، و policy و guardrail
- ◈ساختن منطق control plane برای مسیریابی، برنامه‌ریزی و فراخوانی ابزار، و هماهنگی چند مدل در یک گفتگو یا کار
- ◈نگه‌داشتن ایجنت‌های طولانی در برابر deploy، restart و قطعی با state پایدار و اجرای ناهمگام
- ◈مقاوم‌سازی پلتفرم با ایزوله کردن خطا، retry، timeout، circuit breaking، backpressure و کاهش تدریجی سرویس
- ◈کم کردن تأخیر p50 و p95 و بهینه کردن بودجهٔ توکن و ابزار، و اتصال به چند ارائه‌دهندهٔ LLM
- ◈اجرای امن کد ایجنت در sandbox، مدیریت credential و تعیین مرز اعتماد و هویت ایجنت‌ها
- ◈ساختن tracing، metric و ارزیابی offline و online تا هر تغییر در مدل، ابزار یا orchestration سنجیده شود
- ◈کار با تیم‌های محصول، پژوهش و مهندسانی که ایجنت می‌سازند، و تبدیل نیازهای مبهم آن‌ها به primitive و SDK قابل استفادهٔ مجدد
- ◈تعیین استاندارد قابلیت اطمینان، تست و پایش در کل لایهٔ orchestration و شرکت در on-call
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس پلتفرم ایجنت موفق به آن‌ها نیاز دارد
مهارت‌های فنی هسته
state، هم‌روندی، کار ناهمگام، بازیابی پس از خطا و ایزوله کردن خطا؛ شرط اول تقریباً همهٔ آگهی‌ها
ساختن و ادارهٔ سرویس و API با Python، Go، TypeScript یا Java، همراه با تست
tool calling، خروجی ساختاریافته، streaming و انتخاب یا مسیریابی مدل
workflow در برابر agent، routing، orchestrator-workers، planner و supervisor، و human-in-the-loop
نگه‌داشتن state و ادامهٔ کار پس از crash یا deploy با Temporal، checkpointer یا معادل آن
tracing (مثلاً OpenTelemetry)، metric، داشبورد و دیباگ پروداکشن
اجرای سرویس روی Kubernetes و دست‌کم یک cloud بزرگ
ایزوله کردن کد غیرقابل‌اعتماد با gVisor، Firecracker یا microVM و کنترل دسترسی شبکه
مهارت‌های نرم
OpenAI از این نقش می‌خواهد بفهمد مردم و توسعه‌دهندگان چطور از ایجنت استفاده می‌کنند و آن را به abstraction روشن تبدیل کند
از طراحی تا پروداکشن و on-call؛ Glean، Decagon و OpenAI همه این را خواسته‌اند
Decagon این کار را «بسیار تجربی» و این حوزه را «پرسرعت و مبهم» توصیف می‌کند؛ باید بتوانید بدون الگوی جاافتاده تصمیم بگیرید
GitLab سند طراحی و ثبت تصمیم‌هایی را می‌خواهد که تیم‌های دیگر بر اساس آن هم‌جهت تصمیم بگیرند
کار مداوم با تیم‌های پژوهش، امنیت، زیرساخت و تیم‌هایی که روی پلتفرم ایجنت می‌سازند
در سطح Staff و Principal بخشی از کار است (GitLab، Roblox)
دانش حوزه‌ای
سنجش تکمیل کار، درستی فراخوانی ابزار، کیفیت مسیر اجرا، تأخیر و هزینه؛ offline و online
کم کردن p50 و p95 و مدیریت بودجهٔ توکن و ابزار
OAuth، تبادل توکن، مدیریت credential و audit trail برای کارهایی که ایجنت از طرف کاربر انجام می‌دهد
طراحی رابط پایدار بین ایجنت و سیستم‌های داخلی و بیرونی
دفاع در برابر ورودی مخرب و محدود کردن کارهایی که ایجنت مجاز است انجام دهد
برای پلتفرم‌های ایجنت صوتی مثل Cartesia و بخش صوتی Decagon
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس پلتفرم ایجنت
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایهٔ backend و سیستم‌های توزیع‌شده
همهٔ آگهی‌های این کار پیش از هر چیز سابقهٔ backend می‌خواهند: Glean دست‌کم ۳ سال کار روی سیستم‌های توزیع‌شده در پروداکشن، و OpenAI درک state، هم‌روندی، کار ناهمگام و بازیابی پس از خطا. پس اول یک زبان سرور (Python، Go یا TypeScript) را جدی یاد بگیرید و بفهمید سیستم توزیع‌شده کجا و چطور خراب می‌شود.
بلوک‌های ساختمانی LLM: ابزار، خروجی ساختاریافته و streaming
Glean صریحاً «درک عملی از بلوک‌های ساختمانی LLM و ایجنت» را می‌خواهد: فراخوانی ابزار (tool/function calling)، خروجی ساختاریافته، streaming و انتخاب یا مسیریابی مدل. این‌ها را مستقیم با API چند ارائه‌دهنده تمرین کنید تا تفاوت رفتارشان را ببینید؛ لایهٔ orchestration دقیقاً روی همین تفاوت‌ها ساخته می‌شود.
الگوهای orchestration و ساختن runtime ایجنت
Anthropic دو نوع سیستم را از هم جدا می‌کند: workflow، که در آن مدل و ابزارها در مسیرهای از پیش نوشته‌شده در کد هماهنگ می‌شوند، و agent، که خود مدل مسیر و ابزار را انتخاب می‌کند. الگوهایی مثل routing و orchestrator-workers را یاد بگیرید؛ Decagon هم در آگهی‌اش از الگوهای router، planner و supervisor نام می‌برد. بعد یک فریم‌ورک مثل LangGraph را یاد بگیرید، اما طبق توصیهٔ Anthropic بدانید زیر آن چه می‌گذرد.
اجرای پایدار، قابلیت اطمینان و observability
به تعبیر آگهی Roblox، ایجنت‌ها ساعت‌ها اجرا می‌شوند نه چند میلی‌ثانیه، و باید از deploy، restart و قطعی جان سالم به در ببرند. Durable execution (مثلاً با Temporal یا checkpointer های LangGraph) همین را حل می‌کند. Glean هم retry، timeout، circuit breaking، backpressure و tracing با OpenTelemetry را از این نقش می‌خواهد.
اجرای امن، دسترسی ایجنت به ابزار و ارزیابی
ایجنت کدی را اجرا می‌کند که کسی ننوشته و با credential واقعی به سیستم‌های واقعی وصل می‌شود. Cohere و Roblox برای این کار تجربه با sandbox هایی مثل gVisor و Firecracker را امتیاز می‌دانند و Okta تیمی جدا برای هویت و مجوز دسترسی ایجنت به ابزارها دارد. در کنار امنیت، باید ارزیابی را هم بلد باشید: GitLab از این نقش می‌خواهد نرخ تکمیل کار، درستی فراخوانی ابزار، تأخیر و هزینهٔ هر کار را بسنجد.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
فریم‌ورک‌ها و SDK های orchestration
به گفتهٔ مستنداتش فریم‌ورک و runtime سطح پایین orchestration برای ایجنت‌های طولانی و دارای state، با durable execution، streaming و human-in-the-loop؛ JPMorganChase آن را در آگهی‌اش نام برده است
SDK سبک OpenAI با چند primitive محدود (ایجنت، handoff، guardrail) و tracing داخلی؛ در آگهی Cartesia آمده است
همان ابزارها، حلقهٔ ایجنت و مدیریت context که Claude Code را می‌سازد، به‌صورت کتابخانهٔ Python و TypeScript؛ Anduril و Cartesia «Claude SDK» را نام برده‌اند
فریم‌ورک متن‌باز گوگل برای ساختن، دیباگ و استقرار ایجنت در Python، TypeScript، Go، Java و Kotlin؛ در آگهی JPMorganChase آمده است
اجرای پایدار، صف و state
اجرای پایدار workflow: به گفتهٔ مستنداتش اگر پروسه crash کند، کار از همان نقطه با متغیرها و پیشرفتش ادامه می‌یابد. Roblox آن را امتیاز می‌داند و تیم Orchestration Platform در Scale AI روی آن کار می‌کند
پلتفرم متن‌باز event streaming؛ Glean و Klaviyo سیستم‌های event و صف (Kafka، Pub/Sub، SQS) را خواسته‌اند
مسیریابی مدل و gateway
Router با منطق پایهٔ اطمینان میان چند deployment و ارائه‌دهنده: cooldown، fallback، timeout و retry
gateway مدیریت‌شده برای متمرکز کردن credential ها، ثبت درخواست‌ها، کنترل هزینه و fail over بین ارائه‌دهنده‌ها
پایش، ارزیابی و ایزوله‌سازی
چارچوب متن‌باز و مستقل از فروشنده برای تولید و جمع‌آوری trace، metric و log؛ Glean tracing با OpenTelemetry را صریحاً خواسته است
ابزار متن‌باز tracing برای اپ‌های LLM: prompt ارسالی، پاسخ مدل، مصرف توکن، تأخیر و مراحل ابزار در هر درخواست
کرنل سطح اپلیکیشن که لایهٔ ایزوله میان برنامه و سیستم‌عامل میزبان می‌سازد؛ Cohere و Roblox آن را برای اجرای کد ایجنت نام برده‌اند
فناوری مجازی‌سازی متن‌باز برای سرویس‌های چندمستأجری امن با microVM؛ در آگهی‌های Cohere و Roblox آمده است
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
ورود: Backend یا AI Engineer
۰ تا ۲ سال
در آگهی‌هایی که دیدیم هیچ موقعیت تازه‌کار برای پلتفرم ایجنت نبود و کمترین سابقه‌ای که به عدد نوشته شده بود ۳ سال بود (Glean). مسیر معمول این است که اول به‌عنوان مهندس backend یا AI Engineer سرویس واقعی بسازید و اداره کنید.
Software Engineer, Agent Runtime / Platform
۳ تا ۵ سال
~$195K
میانگین سالانه (آمریکا)
مالک یک بخش از runtime: مثلاً چرخهٔ عمر session، streaming، اجرای ابزار یا حافظه؛ مثل آگهی Glean با ۳+ سال سابقه.
Senior / Staff Engineer, Agent Platform
۵+ سال
~$300K
میانگین سالانه (آمریکا)
طراحی harness و منطق control plane برای مسیریابی، برنامه‌ریزی و فراخوانی ابزار، همراه با آزمایش و ارزیابی؛ مثل آگهی‌های Senior و Staff در Decagon.
Principal Engineer / Engineering Manager
۸+ سال
تعیین جهت فنی کل پلتفرم ایجنت در چند تیم، استانداردهای امنیت و ارزیابی و هماهنگی با تیم‌های Security و Infrastructure؛ مثل آگهی‌های GitLab و Roblox (۸+ سال) و مدیر مهندسی Agent Runtime Platform در Anthropic (۱۰+ سال).
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
ایجنت‌های طولانی و غیرقطعی
عمومیایجنت ممکن است ساعت‌ها کار کند و هر بار مسیر متفاوتی برود. زیرساخت باید آن را از deploy، restart و قطعی عبور دهد و وقتی چیزی خراب شد، بتوان فهمید کجا و چرا.
اجرای کدی که کسی ننوشته
شرکت بزرگایجنت کد تولید و اجرا می‌کند و به credential واقعی نیاز دارد. ساختن sandbox که هم امن باشد و هم آن‌قدر کند نباشد که ایجنت بی‌فایده شود، کار ساده‌ای نیست؛ Anthropic، Roblox و Cohere هر سه این را جزو مسئولیت تیم آورده‌اند.
تأخیر در مسیر حساس
استارتاپهر لایهٔ اضافه، از مسیریابی تا guardrail، تأخیر را بالا می‌برد. در ایجنت صوتی محدودیت تأخیر سخت‌تر است و Decagon و Cartesia هر دو آن را بخشی از کار می‌دانند.
وابستگی به ارائه‌دهندگان مدل
عمومیارائهدهنده ممکن است کند شود، خطا بدهد یا محدودیت نرخ بگذارد. fail over بین ارائه‌دهنده‌ها و backpressure باید جلوی این را بگیرد که یک قطعی یا جهش ترافیک به همهٔ کاربران برسد؛ آگهی Cursor دقیقاً همین را می‌خواهد.
اندازه‌گیری کیفیت
عمومیوقتی رفتار سیستم غیرقطعی است، فهمیدن اینکه یک تغییر در harness بهتر بوده یا بدتر، به ارزیابی offline و آزمایش online نیاز دارد. GitLab از این نقش می‌خواهد پیش از اینکه مشتری متوجه شود، افت کیفیت را پیدا کند.
زمین متحرک
تحقیقاتیبا بهتر شدن مدل‌ها، طراحی لایهٔ orchestration هم باید عوض شود. Decagon می‌نویسد تیمش با تغییر توانایی مدل‌ها مرتب طراحی سیستم را بازبینی می‌کند، و Cohere از «مسائلی با الگوهای جاافتادهٔ کم» حرف می‌زند.
حقوق و بازار کار جهانی
حقوق جهانی مهندس پلتفرم ایجنت
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Glean posting, Software Engineer, Agentic Runtime (Mountain View, 3+ years), posted Oct 12, 2026: base range; median = midpoint
- Decagon posting, Senior Software Engineer, Agent Platform (San Francisco), posted Nov 19, 2025, open Oct 2026: base range; median = midpoint
- levels.fyi, updated Oct 22, 2026, proxy 'Backend Software Engineer' title, total comp (6,341 salaries): 25th–75th pct; median
- Cohere posting, Staff/Senior Staff Software Engineer, Agent Infrastructure (Toronto), posted Oct 22, 2026: Canada base range; median = midpoint
- levels.fyi, updated Oct 22, 2026, proxy 'Backend Software Engineer' title, total comp (915 salaries): 25th–75th pct; median
- ITJobsWatch, 6 months to 22 Oct 2026: UK permanent ads citing LangGraph (skill, not job title); 25th–75th pct, median (106 salaries)
- levels.fyi, updated Oct 22, 2026, proxy 'Backend Software Engineer' title, total comp (542 salaries): 25th–75th pct; median
- levels.fyi, updated Oct 22, 2026, proxy 'Backend Software Engineer' title, total comp (372 salaries): 25th–75th pct; median
- levels.fyi, updated Oct 22, 2026, proxy 'Backend Software Engineer' title, total comp (57 salaries): 25th–75th pct; median
- levels.fyi, updated Oct 22, 2026, proxy 'Backend Software Engineer' title, total comp (266 salaries): 25th–75th pct; median
- levels.fyi, updated Oct 22, 2026, proxy 'Backend Software Engineer' title, total comp (74 salaries): 25th–75th pct; median
- levels.fyi, updated Oct 22, 2026, proxy 'Backend Software Engineer' title, total comp (271 salaries): 25th–75th pct; median
- levels.fyi, updated Oct 22, 2026, proxy 'Backend Software Engineer' title, total comp (5,283 salaries): 25th–75th pct; median
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: بلوک‌های ساختمانی LLM
tool calling، خروجی ساختاریافته و streaming را مستقیم با API دو ارائه‌دهنده تمرین کنید و پروژهٔ «حلقهٔ ایجنت بدون فریم‌ورک» را بسازید.
ماه ۲: الگوهای orchestration
راهنمای Anthropic را بخوانید و routing و orchestrator-workers را پیاده کنید. بعد همان را با LangGraph بنویسید و مقایسه کنید.
ماه ۳: durable execution
یکی از دوره‌های Temporal را بگذرانید و پروژهٔ «ایجنتی که بعد از crash ادامه می‌دهد» را بسازید.
ماه ۴: مسیریابی و قابلیت اطمینان
Router مدل با fallback، timeout و سقف هزینه بسازید و فصل cascading failures کتاب SRE را بخوانید.
ماه ۵: tracing، ارزیابی و امنیت
OpenTelemetry را به پروژه‌ها اضافه کنید، مجموعهٔ ارزیابی بسازید و یک sandbox ساده برای اجرای کد ایجنت راه بیندازید.
ماه ۶: جمع‌بندی و درخواست
پروژه‌ها را در یک مخزن مرتب کنید و برای هر کدام توضیح دهید چه خطایی را چطور مدیریت کرده‌اید. در جستجوی کار عنوان‌های Agent Platform، Agent Runtime و Agent Infrastructure را بگردید.
پروژه‌های پیشنهادی برای رزومه
حلقهٔ ایجنت با streaming، بدون فریم‌ورک
مبتدییک سرویس FastAPI بسازید که پاسخ مدل را با SSE به کاربر stream کند و دو یا سه ابزار ساده (جستجو در فایل، خواندن یک API عمومی) را با tool calling صدا بزند. هر فراخوانی ابزار را با ورودی، خروجی و زمانش لاگ کنید. این همان شروعی است که Anthropic پیشنهاد می‌کند: کار مستقیم با API مدل.
Router مدل با fallback و سقف هزینه
متوسطلایهای بسازید که درخواست ساده را به مدل کوچک‌تر و درخواست سخت را به مدل قوی‌تر بفرستد (الگوی routing در راهنمای Anthropic)، و اگر یک ارائه‌دهنده خطا داد یا کند شد، با timeout و retry به دیگری برود. هزینه و تأخیر هر درخواست را ثبت کنید و نشان دهید router چه تغییری ایجاد کرد.
ایجنتی که بعد از crash ادامه می‌دهد
متوسطیک کار چندمرحله‌ای (مثلاً جمع‌آوری چند منبع و نوشتن گزارش) را با Temporal یا checkpointer های LangGraph بنویسید، وسط اجرا پروسه را ببندید و نشان دهید کار از همان مرحله ادامه پیدا می‌کند. یک مرحلهٔ تأیید انسانی هم بگذارید که اجرا منتظر آن بماند.
Sandbox اجرای کد برای ایجنت
پیشرفتهسرویسی بسازید که کدِ تولیدشده توسط مدل را در محیط ایزوله (gVisor یا Firecracker یا دست‌کم کانتینر با محدودیت) اجرا کند، دسترسی شبکه را محدود کند و credential ها را از دسترس کد دور نگه دارد؛ همان چیزی که آگهی Roblox توصیف می‌کند. محدودیت زمان و حافظه هم بگذارید و رفتار سیستم را با کد مخرب آزمایش کنید.
Tracing و مجموعهٔ ارزیابی برای runtime
پیشرفتهبه یکی از پروژه‌های قبلی tracing با OpenTelemetry اضافه کنید تا مسیر هر درخواست از مدل تا ابزار دیده شود. بعد مجموعه‌ای از نمونهٔ تست بسازید که درستی فراخوانی ابزار، تکمیل کار، تأخیر p50 و p95 و هزینهٔ هر کار را بسنجد (معیارهایی که GitLab و Glean نام برده‌اند) و در CI اجرا شود.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
طبق ویکی‌پدیا، LangChain را در اکتبر ۲۰۲۲ زمانی که در استارتاپ یادگیری ماشین Robust Intelligence کار می‌کرد، به‌صورت پروژهٔ متن‌باز منتشر کرد.
LangChain بعداً به شرکت تبدیل شد و طبق همان مقاله، در مه ۲۰۲۵ LangGraph Platform را برای استقرار ایجنت‌های طولانی و دارای state عرضه کرد. LangGraph امروز در آگهی‌هایی مثل JPMorganChase جزو فریم‌ورک‌های orchestration نام برده می‌شود.
مسیر LangChain از کتابخانهٔ زنجیر کردن فراخوانی‌ها به runtime ایجنت‌های طولانی رسید. به نظر می‌رسد نیاز اصلی بازار هم در همین جهت حرکت کرده است: از فراخوانی مدل به اجرای پایدار کار.
طبق ویکی‌پدیا، اواخر ۲۰۲۲ مدیر مهندسی یادگیری ماشین در Robust Intelligence بود و پیش‌تر پژوهشگر بخش خودروی خودران Uber.
در نوامبر ۲۰۲۲ ابزار کوچکی به نام GPT Tree Index را در GitHub منتشر کرد که در آوریل ۲۰۲۳ به شرکت و پروژهٔ LlamaIndex تبدیل شد. یک نظرسنجی InfoWorld بعدها LlamaIndex را ارائه‌دهندهٔ orchestration توصیف کرد که LLM ها را به منابع دادهٔ خصوصی وصل می‌کند.
شروع او یک مشکل مشخص بود: مدل با دادهٔ خصوصی و context محدود خوب کار نمی‌کرد. ساختن ابزار برای یک گلوگاه واقعی، نقطهٔ شروع خوبی برای کار پلتفرمی به نظر می‌رسد.
طبق صفحهٔ معرفی Temporal، هشت سال و نیم در Amazon معماری و توسعهٔ AWS Simple Workflow Service و بخش ذخیره‌سازی Simple Queue Service را رهبری کرد و نقش‌های مهندسی در Google و Microsoft هم داشته است.
در Uber سیستم پیام‌رسانی Cherami را ساخت و موتور workflow به نام Cadence را هم‌بنیان‌گذاری کرد که هر دو متن‌باز شدند. اکنون CTO و هم‌بنیان‌گذار Temporal است؛ پلتفرمی که در آگهی‌های Roblox و Scale AI از آن نام برده شده و در صفحهٔ Temporal، معاون زیرساخت اپ OpenAI اجرای پایدار را «نیاز اصلی سیستم‌های AI مدرن» می‌نامد.
مسئلهٔ ایجنت‌های طولانی، یعنی ادامه دادن کار پس از خرابی، پیش از LLM ها در workflow های توزیع‌شده حل شده بود. کسی که این پایه را بلد است، در پلتفرم ایجنت از جای محکمی شروع می‌کند.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Software Engineer, Agentic Runtime
تحلیل نیازمندی‌ها
3+ years of software engineering experience building production distributed systems or cloud‑native applications.
کمترین سابقه‌ای که در آگهی‌های این نقش دیدیم. منظور سیستمی است که واقعاً در پروداکشن کار کرده و شما مسئول رفتارش بوده‌اید؛ پروژهٔ شخصی جای آن را نمی‌گیرد.
ضروریStrong coding skills in at least one of: Python, Go, Java, Javascript, Typescript, C++, with a focus on reliability, performance, and tests.
زبان خاصی شرط نیست؛ آنچه سنجیده می‌شود کیفیت کد است: تست، کارایی و رفتار درست در حالت خطا.
ضروریExperience operating services on Kubernetes and at least one major cloud (e.g., GCP, AWS, or Azure).
«operating» یعنی اداره کردن، نه فقط deploy کردن: مقیاس‌دهی، رفع اشکال و پایش سرویس در حال اجرا.
ضروریFamiliarity with event/streaming systems (e.g., Pub/Sub, Kafka), caching (e.g., Redis), and data stores for low‑latency paths.
runtime ایجنت در مسیر حساس به تأخیر است. باید بدانید کجا صف، کجا cache و کجا پایگاه داده لازم است و هر کدام چه هزینه‌ای در تأخیر دارد.
مهمPractical understanding of LLM/agents building blocks: tool/function calling, structured outputs, streaming, and model selection/routing.
تنها شرطی که مخصوص LLM است، و «عملی» است نه پژوهشی. با چند پروژه که این چهار مورد را با API واقعی پیاده کرده باشد می‌توانید نشانش دهید.
ضروریStrong observability and debugging skills: tracing (e.g., OpenTelemetry), metrics, dashboards, and production forensics.
در سیستم غیرقطعی، trace تنها راه فهمیدن این است که یک درخواست کجا کند یا خراب شد. تجربهٔ پیدا کردن علت یک incident واقعی اینجا ارزش زیادی دارد.
ضروریProduct‑minded: you prioritize customer impact, clear SLAs/SLOs, and pragmatic iteration.
پلتفرم برای کاربر نهایی و تیم‌های داخلی ساخته می‌شود. باید بتوانید هدف قابل اندازه‌گیری (SLO) تعیین کنید و بین کامل بودن و تحویل سریع انتخاب کنید.
مهمBackground in one or more areas is a plus: policy/guardrails, multi‑tenant isolation, rate‑limiting, concurrency control, cost optimization.
این‌ها امتیازند، نه شرط. هر کدام را در یک پروژه نشان دهید (مثلاً rate limit برای هر مستأجر یا guardrail روی خروجی) تا از بقیهٔ متقاضیان جدا شوید.
مفیدتحلیل مسئولیت‌ها
Build and evolve core services for session lifecycle, streaming responses (e.g., gRPC/WebSockets), structured tool execution, memory/state, and policy/guardrails.
این خلاصهٔ کل لایهٔ orchestration است: از شروع تا پایان یک گفتگو، فرستادن پاسخ به‌صورت تدریجی، اجرای ابزار با ورودی و خروجی مشخص، نگه‌داشتن حافظه و اعمال قوانین.
Design for performance, correctness, and cost: reduce p50/p95 latency, improve tail behavior, and optimize token/tool budgets.
کار با عدد سنجیده می‌شود: تأخیر میانه و صدک ۹۵ و هزینهٔ توکن هر درخواست. «tail behavior» یعنی کندترین درخواست‌ها که کاربر بیشتر از همه حسشان می‌کند.
Integrate with leading LLM providers (e.g., OpenAI, Anthropic, Google Gemini) and internal evaluation frameworks to improve quality and predictability.
runtime به چند ارائه‌دهنده وصل است و تفاوت رفتار آن‌ها را پنهان می‌کند. اتصال به فریم‌ورک ارزیابی داخلی یعنی هر تغییر باید سنجیده شود.
Harden the platform with fault isolation, retries, timeouts, circuit‑breaking, backpressure, and graceful degradation.
الگوهای کلاسیک قابلیت اطمینان در سیستم‌های توزیع‌شده، این بار برای مدل و ابزار. اگر این‌ها را پیش‌تر در سرویس‌های backend پیاده کرده‌اید، مهم‌ترین بخش کار را بلدید.
Instrument deep observability (tracing, metrics, logs) and create playbooks/SLOs for high availability and on‑call excellence.
این نقش on-call دارد. نوشتن playbook یعنی وقتی نیمه‌شب هشدار آمد، نفر بعدی بداند چه کند.
Collaborate closely with product, quality, and application teams to prioritize the most impactful roadmap investments.
مشتری اصلی شما تیم‌هایی‌اند که روی این runtime قابلیت می‌سازند. تشخیص اینکه کدام نیازشان ارزش ساختن در پلتفرم را دارد، بخشی از کار است.
نتیجه‌گیری کلی
این آگهی نشان می‌دهد «لایهٔ orchestration» در عمل یعنی یک سرویس backend کم‌تأخیر و پایدار که گفتگو، ابزار، حافظه، مسیریابی مدل و ایمنی را مدیریت می‌کند. تنها شرط مخصوص LLM درک عملی tool calling، خروجی ساختاریافته، streaming و مسیریابی مدل است؛ بقیه شرط‌ها مهارت‌های مهندسی سیستم‌های توزیع‌شده‌اند. پایهٔ حقوق این موقعیت ۱۸۰ تا ۲۱۰ هزار دلار در سال است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
طبق ITJobsWatch، آگهی‌های دائم بریتانیا که LangGraph (یک فریم‌ورک orchestration ایجنت) را خواسته‌اند در شش ماه منتهی به ۲۲ اکتبر ۲۰۲۶ به ۱۵۷ رسید، در برابر ۱۳ در همین بازهٔ ۲۰۲۵ و صفر در ۲۰۲۴. این آمار یک مهارت است، نه عنوان شغلی، و هنوز فقط ۰٫۱۳٪ آگهی‌های دائم بریتانیاست.
منبع: ITJobsWatch — LangGraph (UK, 6 months to 22 Oct 2026)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
در گزارش Future of Jobs ۲۰۲۵ مجمع جهانی اقتصاد (WEF)، کارفرمایان شرکت‌کننده «AI and Machine Learning Specialists» و «Software and Applications Developers» را در فهرست سریع‌ترین شغل‌های در حال رشد از ۲۰۲۵ تا ۲۰۳۰ (از نظر درصد) آورده‌اند.
همان گزارش WEF انتظار دارد روندهای هوش مصنوعی و پردازش اطلاعات تا ۲۰۳۰، ۱۱ میلیون شغل ایجاد کنند و هم‌زمان ۹ میلیون شغل دیگر را از بین ببرند.
سه ریسک برای این مسیر دیده می‌شود. اول، نبود عنوان ثابت: این کار زیر چند عنوان مختلف آگهی می‌شود و گاهی با کارهای دیگر در یک نقش می‌آید؛ مثلاً Klaviyo runtime ایجنت را با workflow های مشتری و کار مستقیم با مشتری در یک آگهی آورده است. پس جستجوی کار با یک عنوان کافی نیست. دوم، سطح ورود بالا: در آگهی‌هایی که دیدیم کمترین سابقه ۳ سال بود و بیشترشان ۵ تا ۸ سال یا بیشتر می‌خواستند. سوم، تغییر سریع ابزار و طراحی: Decagon می‌نویسد با تغییر توانایی مدل‌ها طراحی سیستمش را مرتب بازبینی می‌کند، و سرویس‌های آماده بخشی از کار را برعهده می‌گیرند؛ مثلاً طبق مستندات LangGraph، Agent Server زیرساخت persistence را خودش مدیریت می‌کند و Vercel AI Gateway متمرکز کردن credential ها، ثبت درخواست‌ها و fail over بین ارائه‌دهنده‌ها را به‌صورت سرویس مدیریت‌شده می‌دهد. آنچه در برابر این تغییرات ارزش خود را نگه می‌دارد، پایهٔ سیستم‌های توزیع‌شده، قابلیت اطمینان، امنیت اجرا و ارزیابی است.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۴۵ منبع بررسی شده است.
- Software Engineer, Agentic Runtime — Glean (job posting)
- Software Engineer, Agentic Runtime — Glean (archived copy)
- Senior Software Engineer, Agent Platform — Decagon (job posting)
- Staff Software Engineer, Agent Platform — Decagon (job posting)
- Engineering Manager, Agent Orchestration — Decagon (job posting)
- Software Engineer, Agent Runtime — Sierra (job posting)
- Software Engineer, Agent - Financial Services — Sierra (job posting)
- Software Engineer, Product Infrastructure - Agent Runtime — OpenAI (job posting)
- Principal Engineer, Duo Agent Platform — GitLab (job posting)
- Lead Software Engineer - AI/ML - AI Agent Platform — JPMorganChase (job posting)
- Software Engineer, Agent Platform — Anduril Industries (job posting)
- Staff/Senior Staff Software Engineer, Agent Infrastructure — Cohere (job posting)
- Principal Software Engineer, Agent Infrastructure — Roblox (job posting)
- Senior Software Engineer, Agent Runtime & Customer Workflows — Klaviyo (job posting)
- Staff Software Engineer, Agent Platform — Replit (job posting)
- Software Engineer, Agent Harness — Cartesia (job posting)
- Senior Software Engineer, Agent Gateway — Okta (job posting)
- Software Engineer, Model Routing & Inference — Cursor (job posting)
- Senior Software Engineer, Agentic Infrastructure — Relativity Space (job posting)
- Engineering Manager, Agent Runtime Platform — Anthropic (job posting)
- Senior Software Engineer, Orchestration Platform — Scale AI (job posting)
- Staff AI Platform Engineer - Inference & Agentic Systems — Paytm Labs (job posting)
- ITJobsWatch — LangGraph job trends and salaries (UK)
- levels.fyi — Backend Software Engineer salary, United States
- levels.fyi — Backend Software Engineer salary, Canada
- levels.fyi — Backend Software Engineer salary, Germany
- levels.fyi — Backend Software Engineer salary, Netherlands
- levels.fyi — Backend Software Engineer salary, Switzerland
- levels.fyi — Backend Software Engineer salary, Australia
- levels.fyi — Backend Software Engineer salary, United Arab Emirates
- levels.fyi — Backend Software Engineer salary, Singapore
- levels.fyi — Backend Software Engineer salary, India
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- Anthropic — Building effective AI agents
- Anthropic — Demystifying evals for AI agents
- LangGraph overview — Docs by LangChain
- LangGraph Persistence — Docs by LangChain
- Understanding Temporal — Temporal Documentation
- About Temporal (founders)
- LiteLLM — Router: load balancing, fallbacks, retries
- LangChain — Wikipedia
- LlamaIndex — Wikipedia
- Model Context Protocol — What is MCP?
- gVisor — What is gVisor?
- Firecracker microVM