مهندس پرامپت و LLM
Prompt Engineer / LLM Specialist
مهندسان پرامپت متخصصانی هستند که با طراحی دستورالعملهای بهینه، حداکثر کارایی را از مدلهای زبانی بزرگ (LLM) استخراج میکنند. این نقش ترکیبی از زبانشناسی، روانشناسی، مهندسی نرمافزار و علم تجربی است. در ۲۰۲۶ تقاضا برای Prompt Engineer به سرعت در حال shift است — کار بیشتر به سمت ساخت AI applications، evaluation framework و RAG systems تکامل یافته و مرز بین Prompt Engineer و AI Engineer در حال محو شدن است.
مقدمه و تعریف شغل
Prompt Engineer (که در ۲۰۲۶ اغلب با عنوان AI Engineer یا LLM Specialist شناخته میشود) متخصصی است که با استفاده از LLM ها، AI features و applications میسازد. کار اصلی او شامل design prompt های موثر، ساخت RAG systems، طراحی AI agents، evaluation systematic، و یکپارچهسازی AI در محصولات است. نام «Prompt Engineer» در ۲۰۲۲ پس از launch ChatGPT popular شد ولی scope این رول به سرعت تکامل یافته — امروز فقط «نوشتن prompt» کافی نیست، بلکه ساخت end-to-end AI systems با rigor مهندسی expected است. در نتیجه، عناوین «Prompt Engineer» و «AI Engineer» در ۲۰۲۶ تقریباً همگرا شدهاند.
نقش Prompt Engineer در ۲۰۲۲ پس از موفقیت ChatGPT و GPT-3 ظهور کرد. در آن زمان، prompting یک هنر بود — هیچکس دقیقاً نمیدانست چطور بهترین خروجی از LLM بگیرد. شرکتهایی مثل Anthropic «Prompt Engineer» با salary $300k+ استخدام میکردند. در ۲۰۲۳–۲۰۲۴ صنعت متوجه شد که «نوشتن prompt صرف» جایگاه شغلی پایدار ندارد — کاری که شامل ساخت end-to-end AI systems است value بیشتری دارد. در ۲۰۲۵–۲۰۲۶ این رول evolve کرده: امروز Prompt Engineer modern کسی است که با LLM ها AI applications میسازد — شامل prompt design، RAG، agents، evaluation و production deployment. مرز بین Prompt Engineer و AI Engineer در حال محو شدن است. توصیه عملی: positioning خود را بهعنوان «AI Engineer» انعطافپذیرتر است از «Prompt Engineer صرف». مهارتهای اصلی شامل: deep prompting، programming، system design، و evaluation rigor. حقوقها برای متخصصان قوی همچنان بسیار بالا هستند ($200k+ در آمریکا).
چه چیزی میسازید؟
مثالهای واقعی از خروجی کار یک مهندس پرامپت و LLM
AI Assistants و Copilots
یک شرکت SaaS میخواهد یک «AI Assistant» در محصول خود اضافه کند. شما system prompt را طراحی میکنید، function calling برای access به data شرکت setup میکنید، streaming UI، error handling، rate limiting و evaluation framework میسازید.
RAG Systems برای Knowledge Bases
یک شرکت میخواهد employees بتوانند با ۱۰,۰۰۰ سند داخلی chat کنند. شما chunking strategy طراحی میکنید، embedding model انتخاب میکنید، vector database (pgvector یا Pinecone) راه میاندازید، retrieval logic مینویسید، prompt ها را با context optimize میکنید.
AI Agents و Workflow Automation
یک سرویس customer support میخواهد agent بسازد که ticket ها را categorize، respond، escalate کند. شما با LangGraph یک agent میسازید که چند tool استفاده میکند: database lookup، email sending، knowledge base search.
Content Generation Systems
یک marketing team میخواهد content production scale کند. شما یک system میسازید که با LLM، blog posts، social media، product descriptions تولید میکند — با brand voice consistent و quality control loops.
Evaluation Frameworks
محصول AI شما گاهی hallucinate میکند، گاهی off-topic میرود. شما یک evaluation framework میسازید: golden dataset (۱۰۰+ examples)، automated evals با LLM-as-judge، human review interface، dashboards برای monitoring quality drift.
Fine-tuned Specialized Models
GPT-4 برای task شما گران است و overkill. شما یک model کوچکتر (Llama 7B یا GPT-3.5) را fine-tune میکنید روی dataset شرکت. نتیجه: cost ۹۰٪ پایینتر، latency نصف، quality مشابه.
تخصصهای مختلف مهندس پرامپت و LLM
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
مهندس اپلیکیشن LLM
LLM Application Engineer
ساخت end-to-end AI applications. عمومیترین مسیر و معمولترین positioning.
متخصص RAG
RAG Specialist
تخصص ساخت retrieval systems پیچیده — chunking، embedding، advanced retrieval techniques.
مهندس Agent AI
AI Agent Engineer
ساخت agentic systems با LangGraph، AutoGen. ترند پر تقاضای ۲۰۲۶.
مهندس ارزیابی LLM
LLM Evaluation Engineer
تخصصی شدن روی evaluation framework ها — niche جدید با تقاضای بسیار بالا.
مهندس AI چندوجهی
Multimodal AI Engineer
کار با text + image + audio (Whisper، DALL-E، Vision models). ترند رو به رشد.
تفاوت با شغلهای مشابه
کجا این شغل تمام میشود و شغل دیگری شروع میشود؟
در ۲۰۲۲–۲۰۲۳ این دو نقش متفاوت بودند — Prompt Engineer روی prompts و AI Engineer روی full systems. در ۲۰۲۶ این مرز عملاً از بین رفته — هر Prompt Engineer مدرن باید systems هم بسازد. توصیه: positioning خود را بهعنوان «AI Engineer» عمومیتر و resilientتر است.
ML Engineer روی custom model training و deployment تمرکز دارد — کار با PyTorch، TensorFlow، MLOps. Prompt Engineer از مدلهای آماده (foundation models) استفاده میکند و روی application layer کار میکند. ML Engineer عمیقتر فنی، Prompt Engineer سریعتر در shipping features.
Data Scientist روی analysis، statistics و insights تمرکز دارد. Prompt Engineer روی building AI features. در شرکتهایی که DS با LLM ها کار میکند، overlap وجود دارد، اما تمرکز اصلی متفاوت است.
AI Researcher در labs (OpenAI، Anthropic، DeepMind) novel models را میسازد. Prompt Engineer از این مدلها برای application استفاده میکند. Researcher معمولاً PhD نیاز دارد، Prompt Engineer نه. مسیر شغلی کاملاً متفاوت.
تأثیر در صنایع مختلف
مهندس پرامپت و LLM در همه صنایع مشغول به کار است — نه فقط شرکتهای فناوری
SaaS و B2B
AI features در همه محصولات SaaS — copilot، assistant، automation. تقاضای عظیم
Legal Tech
Harvey، Hebbia، Casetext — contract analysis، legal research، document review
Customer Support
AI agent ها، automated triage، agent-assist tools — Zendesk، Intercom AI features
Education
AI tutors، personalized learning، Khan Academy Khanmigo، Duolingo Max
Healthcare
AI scribes (Abridge، Nuance DAX)، clinical decision support، patient triage
Creative و Content
AI writing (Jasper)، AI design (Adobe Firefly)، AI music (Suno) — explosion of tools
Coding
GitHub Copilot، Cursor، Cognition Devin — کار AI coding در حال revolutionize توسعه نرمافزار
Sales و Marketing
AI SDRs (Clay، 11x)، AI email writers، personalization engines
تصورات غلط رایج
قبل از تصمیمگیری، این باورهای اشتباه را بشناسید
Prompt Engineer فقط یعنی نوشتن prompts خوب
این تصور قدیمی است. Prompt Engineer modern یعنی ساخت AI applications کامل: prompts + RAG + agents + evaluation + production deployment. صرفاً «حرف زدن با ChatGPT» شغل نمیسازد.
Prompt Engineering یک passing trend است
نام «Prompt Engineer» شاید gradually با «AI Engineer» جایگزین شود، اما مهارتهای زیربنایی (کار با LLM، RAG، agents) همچنان valuable باقی میمانند. این چیزی نیست که disappear شود — تکامل مییابد.
بدون پسزمینه ML نمیتوان Prompt Engineer شد
Prompt Engineer مدرن نیاز به نوشتن ML model ندارد — از foundation models استفاده میکند. مهارتهای لازم: software engineering (Python/TS)، problem solving، experimentation. ML PhD نه ضروری است نه helpful اغلب.
هر کسی که LLM استفاده کرده Prompt Engineer است
تفاوت بزرگ بین «استفاده از ChatGPT» و «ساخت یک production AI feature که میلیونها request handle میکند، با evaluation rigorous و quality assurance». این تمایز در بازار بهسرعت در حال شفاف شدن.
Prompt Engineering ساده است — هر کسی میتواند
design یک prompt که در ۹۹٪ موارد reliably کار کند، edge cases را graceful handle کند، و در scale ارزان باشد — این یک hard problem است. Prompt engineering عالی نیاز به scientific mindset و rigor دارد.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
بیشتر روز را روی task های مشخص با راهنمایی Senior کار میکنید. focus بر یادگیری LLM patterns و codebase شرکت است.
- ◆صبح: standup + بررسی evaluation results دیشب — کشف یک regression
- ◆بلاک اول: iterate روی یک prompt برای یک feature جدید — testing با ۲۰ scenarios
- ◆بعد از ناهار: نوشتن golden examples برای evaluation set
- ◆code review برای PR یک junior دیگر
- ◆pair programming session با Senior روی یک complex agent
- ◆پایان روز: یادگیری یک LLM concept جدید (مثلاً constrained generation)
میانی (۲–۵ سال)
ownership کامل یک AI feature. ارتباط با product team و users. منتورینگ junior. design decisions هر روز.
- ◆صبح: بررسی LangSmith traces — کشف یک pattern نگرانکننده در quality
- ◆جلسه با PM: planning AI feature بعدی و scope
- ◆بلاک کاری: design یک RAG pipeline جدید — embedding model، chunking، retrieval logic
- ◆بعد از ناهار: pair programming با junior روی evaluation framework
- ◆incident response: investigate یک hallucination report از customer
- ◆عصر: نوشتن RFC برای migration از GPT-4 به Claude برای cost optimization
ارشد (۵+ سال)
تمرکز روی architecture، AI strategy و رهبری. کمتر hands-on، بیشتر design review و roadmap.
- ◆صبح: جلسه با CTO درباره AI strategy فصل بعدی
- ◆review پیشنهاد یک Senior engineer برای ساخت agent جدید
- ◆deep work: نوشتن یک proposal RFC برای multi-model orchestration
- ◆بعد از ناهار: vendor meeting با Anthropic — discussing custom requirements
- ◆research: مطالعه paper جدید درباره agentic AI
- ◆mentor session با ۲–۳ engineers + interview یک کاندیدای Senior
مسئولیتها و وظایف
مسئولیتهای اصلی
وظایف روزانه و مهارتهای مورد نیاز در این شغل
- ◈طراحی و بهینهسازی prompt های پیچیده برای LLM های مختلف
- ◈ساخت pipeline های RAG برای اپلیکیشنهای مبتنی بر داده شرکت
- ◈ارزیابی و benchmark گذاری مدلهای زبانی مختلف
- ◈پیادهسازی سیستمهای AI Agent برای اتوماسیون workflows
- ◈Fine-tuning مدلها برای task های تخصصی
- ◈ساخت evaluation framework و monitoring برای production AI features
- ◈پیگیری آخرین مقالات و مدلهای جدید و ارزیابی applicability
- ◈همکاری با تیم محصول برای ادغام AI در محصول
مهارتهای مورد نیاز
مهارتهای فنی، نرم و حوزهای که یک مهندس پرامپت و LLM موفق به آنها نیاز دارد
مهارتهای فنی
تسلط بر CoT، ReAct، few-shot، structured outputs، prompt chaining
تجربه deep با حداقل دو از این سه provider اصلی
توانایی coding تا سطح production — اغلب TypeScript برای web و Python برای ML
chunking، embedding، vector DB، advanced retrieval techniques
Vercel AI SDK یا LangChain — حداقل یکی deep
tool calling، agent loops، state management، LangGraph
golden datasets، LLM-as-judge، automated eval، A/B testing
Pinecone، pgvector، Weaviate — یکی deep
LoRA، QLoRA، dataset preparation، OpenAI fine-tuning API
model selection، caching، batching، prompt optimization for tokens
مهارتهای نرم
Prompt Engineering ذاتاً experimental است — patience for iteration حیاتی
توضیح LLM limitations به PM، executive ها بدون اصطلاحات
نوشتن واضح prompts، evaluation reports، architecture decisions
questioning AI outputs، detection hallucinations، healthy skepticism
AI field هر هفته تغییر میکند — staying updated غیرقابل مذاکره
کار با engineering، product، design، legal — همه stakeholders در AI
دانش حوزهای
آگاهی از models جدید، providers، tools — Twitter AI community
bias، hallucination، PII handling، responsible AI principles
آشنایی با attack vectors و defenses در LLM apps
فهم چگونگی monetize کردن AI features و cost/value trade-offs
اگر در vertical AI کار میکنید (legal، healthcare)، domain expertise critical است
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس پرامپت و LLM
این مسیر گام به گام شما را از صفر تا حرفهای هدایت میکند.
درک LLM ها
بدون درک عمیق چگونگی کار LLM ها (tokenization، context window، sampling)، شما فقط با مدل حدس میزنید
تکنیکهای Prompting پیشرفته
تمام techniques مدرن prompt engineering — Zero/Few-shot، CoT، ReAct، Self-Consistency و ابزار جدیدتر
LLM APIs و فریمورکها
کار حرفهای با APIs اصلی (OpenAI، Anthropic، Google) و فریمورکهای ساخت AI apps
RAG، Agents و Evaluation
Prompt Engineering مدرن فقط prompt نیست — RAG، agents، tool use و evaluation سیستماتیک
Fine-tuning، Production و Evaluation سیستماتیک
تفاوت Prompt Engineer متوسط و عالی در evaluation rigor و production readiness است
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دستهبندیشده بر اساس اولویت
LLM Providers و Playgrounds
Frameworks و Libraries
محبوبترین TypeScript framework برای AI apps — streaming، tool calling، structured output
RAG و Vector Databases
Evaluation و Observability
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارتهایی نیاز دارید و چه درآمدی انتظار داشته باشید
Junior Prompt Engineer / AI Assistant Developer
۰ تا ۲ سال
~$80K
میانگین سالانه (آمریکا)
نوشتن prompts برای features مشخص، testing، documentation، یادگیری LLM patterns
Prompt Engineer / AI Application Developer
۲ تا ۵ سال
~$115K
میانگین سالانه (آمریکا)
design systems prompt پیچیده، RAG implementation، evaluation framework، tool calling
Senior AI Engineer (formerly Senior Prompt Engineer)
۵ تا ۸ سال
~$175K
میانگین سالانه (آمریکا)
architecture AI products، رهبری evaluation strategy، fine-tuning، agent systems
Staff / Principal AI Engineer
۸+ سال
~$250K
میانگین سالانه (آمریکا)
تعریف AI strategy شرکت، تصمیم درباره foundation models، رهبری cross-team AI initiatives
چالشها و جنبههای منفی
واقعیتهایی که کمتر در آگهیهای شغلی میبینید — قبل از ورود بدانید
Hallucination Management
عمومیLLM ها گاهی اطلاعات غلط با confidence میگویند. در production این یک bug critical است. مدیریت این uncertainty با evaluation frameworks، fallbacks و user UX design یکی از سختترین کارهای Prompt Engineer است.
Cost Sprawl در Scale
عمومیAPI calls به GPT-4 یا Claude گران هستند. وقتی محصول scale میکند، monthly bill میتواند $100k+ شود. مدیریت cost با model selection، caching، prompt optimization و monitoring critical است.
Prompts Don't Evolve Linearly
عمومییک تغییر کوچک در prompt میتواند behavior را به طور غیرقابل پیشبینی تغییر دهد. ۹۹٪ test cases pass میکنند، ۱٪ break میشوند. این non-linearity تنها با evaluation rigorous قابل کنترل است.
Model Deprecation و Migration
عمومیOpenAI، Anthropic، Google مرتباً models را deprecate میکنند. migration به model جدید یعنی re-tune کردن prompts، re-evaluation، potential regression. این overhead مداوم است.
Evaluation Difficulty
عمومیچطور میفهمید AI خروجی شما خوب است؟ classical metrics (accuracy) برای generative outputs کار نمیکنند. ساخت evaluation rubric های subjective، LLM-as-judge، و human review labor-intensive است.
Title Identity Crisis
عمومیاسم رول shift میکند: Prompt Engineer → AI Engineer → LLM Engineer. این تغییر naming باعث uncertainty در career planning میشود. توصیه: focus روی skills، نه titles. positioning خود را flexible نگه دارید.
حقوق و بازار کار جهانی
حقوق جهانی مهندس پرامپت و LLM
میانگین حقوق سالانه بر اساس تجربه در کشورهای مختلف
| کشور | میانه | ارز |
|---|---|---|
🇦🇪امارات | AED 215,000 | AED |
🇺🇸آمریکا | $175,000 | USD |
🇸🇬سنگاپور | SGD 160,000 | SGD |
🇦🇺استرالیا | A$145,000 | AUD |
🇨🇦کانادا | CA$142,000 | CAD |
🇬🇧انگلستان | £100,000 | GBP |
🇩🇪آلمان | €92,000 | EUR |
* ارقام سالانه و تقریبی هستند و بر اساس میانگین بازار در سال ۲۰۲۵ محاسبه شدهاند.
چگونه از صفر شروع کنیم
برنامه گامبهگام برای ورود به مهندسی هوش مصنوعی
ماه ۱: LLM Fundamentals
Andrej Karpathy videos، DeepLearning.AI ChatGPT Prompt Engineering. کار عملی با OpenAI Playground.
ماه ۲: Advanced Prompting Techniques
Prompt Engineering Guide، Anthropic prompt engineering docs. تجربه با CoT، ReAct، structured outputs.
ماه ۳: AI Apps با Vercel AI SDK
ساخت ۲–۳ AI app کوچک با Vercel AI SDK + Next.js. streaming UI، tool calling.
ماه ۴: RAG Implementation
Building RAG Applications course + ساخت chatbot روی documents شخصی با pgvector.
ماه ۵: Agents و Evaluation
LangGraph course، Promptfoo برای testing. ساخت یک agent با چند tools.
ماه ۶: پورتفولیو و جستجوی شغل
۳–۵ پروژه روی GitHub، blog در Medium/Substack، apply برای Junior AI Engineer.
پروژههای پیشنهادی برای رزومه
Prompt Library برای یک Niche
مبتدییک collection از ۳۰–۵۰ prompt تستشده برای یک niche خاص (مثل writing، coding، research) بسازید. برای هر prompt: use case، example output، failure modes، evaluation rubric. روی GitHub منتشر کنید.
Custom Chatbot با RAG
متوسطیک chatbot بسازید که روی documents شخصی شما (یا یک domain خاص) جواب میدهد. Vercel AI SDK + OpenAI + pgvector. streaming UI، conversation history، citations. مستندسازی evaluation method.
AI Agent با Tool Calling
متوسطیک agent بسازید که چند tool را استفاده میکند: web search، calculator، database query. روی یک use case واقعی (مثل research assistant یا customer support agent). LangGraph برای state management.
LLM Evaluation Framework
پیشرفتهیک framework end-to-end برای evaluation یک AI feature خاص بسازید: golden dataset (۵۰+ examples)، automated eval scripts، LLM-as-judge، human review interface، A/B testing infrastructure.
Fine-tuned Specialized Model
پیشرفتهیک model کوچک (مثل GPT-3.5 fine-tune یا Llama 7B با LoRA) را روی یک specific task (مثل sentiment analysis تخصصی یا content moderation) fine-tune کنید. مقایسه با base model و gpt-4. مستندسازی کامل.
مثالهای واقعی و Case Studies
داستانهای واقعی از مهندسانی که در این حوزه تأثیرگذار بودهاند
Data Scientist قبلی. در ۲۰۲۲ بهعنوان «Staff Prompt Engineer» در Scale AI استخدام شد — یکی از اولین high-profile prompt engineering roles. در ۲۰۲۵ به یکی از مؤثرترین صداهای حوزه تبدیل شد.
از pioneers مفاهیمی مثل prompt injection و prompt-based jailbreaking. در Twitter بسیار تأثیرگذار با hundreds of thousands of followers. بهطور regular techniques جدید را discover و share میکند. مشاور به startups روی AI safety و prompt engineering practices.
Goodside نشان داد که شما میتوانید با experimentation rigorous و sharing findings در public، یک thought leader شوید. درس مهم: در فیلدهای جدید (مثل prompt engineering در ۲۰۲۲)، early adopters که contribute میکنند میتوانند موقعیتهای unique بسازند. Social media presence + technical depth = success formula.
co-creator of Django framework (۲۰۰۵). کار طولانی بهعنوان software engineer و entrepreneur. در ۲۰۲۲ شروع به نوشتن extensively درباره LLMs کرد و در ۲۰۲۳–۲۰۲۶ به یکی از مرجعها در LLM application development تبدیل شد.
blog شخصی او (simonwillison.net) مرجع technical در صنعت است — بهطور regular drill downs درباره new models، features، vulnerabilities. خالق «llm» CLI tool و Datasette. مفهوم «prompt injection» را popularize کرد. در توییتر بسیار تأثیرگذار با technical insights عمیق.
Willison نشان داد که writing consistent و deep technical sharing میتواند به یک industry voice تبدیل شود — حتی بهعنوان independent. درس مهم: blog بهعنوان «بهترین رزومه» — وقتی recruiter ها نام شما را در Google search میکنند، high-quality content بهترین selling point است.
Applied scientist با ۱۰+ سال تجربه ML. کار در Amazon (Senior Applied Scientist) و startups. در ۲۰۲۳–۲۰۲۶ یکی از مؤثرترین صداهای industry در LLM production patterns.
blog شخصی (eugeneyan.com) reference در صنعت برای best practices در LLM applications. مقالات معروف مثل «Patterns for Building LLM-based Systems & Products» را نوشت. سخنران conference های مهم. مشاور برای startups روی AI strategy.
Yan نشان داد که combining deep technical work با thoughtful writing میتواند به influence بزرگ منجر شود. درس مهم: تخصص در یک niche specific (production LLM systems) و sharing learnings systematically میتواند یک career path strong بسازد. consistency بیش از brilliance.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Member of Technical Staff - Applied AI
تحلیل نیازمندیها
3+ years of experience building production AI/ML systems
Anthropic انعطاف بیشتری در سالهای تجربه نسبت به سایر AI labs دارد. کیفیت کار از سالها مهمتر است. اگر تجربه با LLM-based products شما strong است، apply کنید حتی با ۲ سال.
ضروریStrong programming skills in Python or TypeScript
Anthropic stack مخلوط است. توانایی نوشتن کد production-quality (نه فقط prototype) لازم است. در مصاحبه code-heavy expected است.
ضروریDeep understanding of LLMs and prompt engineering
این Anthropic است — انتظار خواهد رفت LLM ها را very deeply بفهمید. در مصاحبه پرسشهای detailed درباره tokenization، context window، training، RLHF expected است.
ضروریExperience designing and shipping AI products
Anthropic روی «applied AI» تمرکز دارد — نه research. شما باید tangible AI products را که shipped کردهاید نشان دهید. portfolio با launched products critical است.
ضروریStrong writing skills — you communicate ideas clearly
Anthropic بسیار writing-heavy است. در application خود sample writing (blog، essay، technical doc) ارسال کنید. کیفیت writing از مهمترین filters است.
ضروریCuriosity about AI safety and responsible AI development
Anthropic mission AI safety دارد. اگر صرفاً «AI hype» شما را جذب میکند، interview نخواهید پاس کرد. familiarity با Anthropic papers (Constitutional AI، Sleeper Agents) مفید است.
ضروریTrack record of working in fast-paced, ambiguous environments
Anthropic startup-style culture دارد علیرغم اندازه. توانایی کار در ambiguity و سرعت بالا مهم است. تجربه قبلی استارتاپ یا fast-scaling environments plus است.
مهمتحلیل مسئولیتها
Design and build Claude-powered applications that demonstrate state-of-the-art AI capabilities
scope بزرگ — کار شما بهعنوان showcase برای Claude های capabilities خدمت میکند. این یعنی applications شما باید reference quality باشند که دیگران الگو کنند.
Develop prompt engineering best practices and share them with the community
Anthropic فرهنگ knowledge sharing strong دارد. شما content technical خواهید نوشت، tutorials، demos. این از pure engineering جداست — کسانی که نوشتن دوست ندارند مناسب نیستند.
Collaborate with researchers to inform model improvements
feedback loop بین applied team و research team strong است. observation های شما درباره limitations Claude میتواند به research direction influence کند. این unique opportunity است.
Engage with customers and partners to understand their needs
Anthropic customer-facing aspects دارد. شما با enterprise customers صحبت میکنید، نیازهای آنها را میفهمید، feedback را به product team منتقل میکنید.
نتیجهگیری کلی
Anthropic یکی از top destinations برای AI engineers در ۲۰۲۶ است — mission-driven، high bar، great compensation، با direct interaction با cutting-edge AI. اما رقابت extremely intense است. توصیه: قبل از apply، Anthropic papers (مخصوصاً «Constitutional AI») را عمیق مطالعه کنید، Claude documentation و prompt engineering guide را master کنید، روی high-quality blog یا open-source project با Claude کار کنید. mission alignment critical است — اگر فقط «AI hype» شما را جذب میکند، honest باشید و alternatives بهتری (مثل startups generic AI) را consider کنید.
آینده و روندها
پیشبینی ۵–۱۰ ساله و مهارتهایی که باید یاد بگیرید
بازار LLM applications از ۶ میلیارد دلار در ۲۰۲۴ به ۳۶+ میلیارد دلار تا ۲۰۲۸ میرسد — رشد ۵۶٪ سالانه (Bessemer State of the Cloud)
منبع: Bessemer State of the Cloud 2025 + LinkedIn Workforce Insights 2025
مهارتهای نوظهور که باید یاد بگیرید
پیشبینیهای آینده
عنوان «Prompt Engineer» tail میشود؛ «AI Engineer» dominant میشود. salary پکیجها از $250k+ در Big Tech عبور میکنند. demand برای evaluation engineers انفجار میکند
Agent Engineering به niche جدید با high pay تبدیل میشود. شرکتها روی multi-agent systems serious investment میکنند. Auto-prompting tools برای optimization automatic ظهور میکنند
Multimodal AI (vision، voice، video) به default میشود. AI Engineer هایی که در یک modality خاص (مثل voice یا video) عمیق هستند به specialists با تقاضای بالا تبدیل میشوند
مرز بین «AI Engineer» و «Software Engineer» در بسیاری از شرکتها محو میشود — هر engineer مدرن AI integration میداند. specialists پردرآمد در RAG، agents، یا evaluation deep باقی میمانند
صنعت Prompt Engineering در ۲۰۲۶ یک phase transformation عمیق را تجربه میکند. اولاً: نام رول evolve میکند — «Prompt Engineer» صرف در حال جایگزینی با «AI Engineer» یا «LLM Engineer» است. این یک downgrade نیست بلکه upgrade — scope گستردهتر میشود و حقوقها بالاتر میروند. دوماً: مهارتها deeper میشوند. صرف «نوشتن prompt» کافی نیست — Engineer مدرن باید RAG، agents، evaluation، fine-tuning، و production engineering را بداند. سوماً: AI tools (مثل OpenAI's structured outputs، Claude's prompt improver) برخی از prompt engineering manual را automate میکنند. ریسک واقعی: کسانی که فقط «prompt writer» هستند بدون software engineering depth، در trouble میافتند. کسانی که full-stack AI engineering میسازند (prompts + RAG + agents + evaluation + production)، تقاضای عظیمی دارند. توصیه عملی: positioning خود را بهعنوان «AI Engineer» انعطافپذیر است؛ مهارتهای software engineering را تقویت کنید؛ روی production-grade systems تمرکز کنید نه demo ها.
ویدیوهای آموزشی
یک روز در زندگی یک Prompt Engineer / LLM Specialist
ویدیوهای واقعی از متخصصان این حوزه که روزانه چه کارهایی انجام میدهند
Prompt Engineer: The Job Everyone's Lying About
Patrick Storm
How to Become an AI Engineer FAST (2026) | AI Engineering Roadmap
Sajjaad Khader
Day in life of an AI Engineer | Fort 500 Comp | Job tips| Realistic #dayinmylife #ai #aiengineering
Om Gandhi
Become An AI Engineer in 2025 | The 6 Step Roadmap
Greg Kamradt
An AI Prompt Engineer Shares Her Secrets
Fortune Magazine
Don't Waste 2026 on the Wrong Career (ML vs AI Engineer)
Zen van Riel