مهندس پرامپت و LLM
Prompt Engineer / LLM Specialist
مهندس پرامپت رفتار مدل‌های زبانی بزرگ (LLM) را با نوشتن و آزمودن دستورها، و اطلاعاتی که همراه آن‌ها به مدل داده می‌شود، شکل می‌دهد و کیفیت خروجی را با مجموعه‌های تست می‌سنجد. این عنوان در ۲۰۲۳ بسیار پرطرفدار بود اما امروز به‌صورت مستقل کمتر آگهی می‌شود و همین کار اغلب زیر عنوان‌هایی مثل AI Engineer، Model Behavior و Conversation Designer استخدام می‌شود. خودِ مهارت از بین نرفته است: دست‌کم در بریتانیا، شمار آگهی‌هایی که آن را می‌خواهند بیشتر شده است.
مقدمه و تعریف شغل
مهندس پرامپت (Prompt Engineer) با نوشتن و آزمودن دستورهایی که به مدل زبانی داده می‌شود، و اطلاعاتی که همراه آن‌ها به مدل می‌رسد، رفتار مدل را در یک محصول شکل می‌دهد و کیفیت خروجی را اندازه می‌گیرد. آگهی Netomi این نقش را چنین تعریف می‌کند: نوشتن، بهینه‌سازی، ارزیابی و benchmark کردن پرامپت‌ها برای بهتر شدن عملکرد AI. در عمل یعنی نوشتن system prompt و توضیح ابزارها برای ایجنت‌ها، ساختن مجموعه‌های تست، مقایسهٔ مدل‌ها و مستند کردن آنچه جواب می‌دهد. Anthropic مرحلهٔ بعدی همین کار را context engineering می‌نامد: تصمیم دربارهٔ اینکه در هر قدم چه اطلاعاتی، از دستور و ابزار تا داده و تاریخچهٔ گفتگو، وارد پنجرهٔ محدود مدل شود.
عنوان Prompt Engineer پس از عرضهٔ ChatGPT ناگهان مشهور شد. ویکی‌پدیا به نقل از Wall Street Journal می‌نویسد این شغل در ۲۰۲۳ از داغ‌ترین شغل‌ها بود اما در ۲۰۲۵ منسوخ توصیف شد، چون مدل‌ها نیت کاربر را بهتر می‌فهمند و شرکت‌ها پرامپت‌نویسی را به همهٔ کارکنان آموزش می‌دهند؛ به نوشتهٔ همین مقاله، عنوان مستقل Prompt Engineer کمتر رایج شده است. در گزارش Work Trend Index ۲۰۲۵ مایکروسافت (نظرسنجی از ۳۱ هزار نفر در ۳۱ کشور) هم Prompt Engineer در فهرست ده نقش AI که مدیران برای استخدام در نظر داشتند نبود. نام کار هم عوض می‌شود: Simon Willison در ژوئن ۲۰۲۵ نوشت اصطلاح context engineering به‌عنوان جایگزینی بهتر برای prompt engineering جا می‌افتد و Andrej Karpathy و Tobi Lütke هم از آن حمایت کردند. اما مهارت از بین نرفته است: ITJobsWatch در بریتانیا در شش ماه منتهی به ۶ اکتبر ۲۰۲۶، ۳۱۷ آگهی استخدام دائم را شمرده که Prompt Engineering را خواسته‌اند، در برابر ۷۹ آگهی در همین بازه در ۲۰۲۵. در آگهی‌های بازی که ما در اکتبر ۲۰۲۶ بررسی کردیم، عنوان دقیق Prompt Engineer فقط در چند شرکت دیده شد: Netomi (تورنتو، دورکاری)، Higgsfield (آلماتی)، Welo Data (پاره‌وقت در شش کشور اروپایی و ژاپن) و Accenture (یازده آگهی در بنگلور، پونه و حیدرآباد و یک آگهی در آمریکا). در شرکت‌های دیگر همین کار با عنوان‌هایی مثل AI Engineer، Member of Technical Staff (Model Behavior) در Perplexity، Conversation Designer در Decagon یا Senior Software Engineer با پسوند Prompt Engineering در Elastic آگهی شده بود. نتیجهٔ عملی: پرامپت‌نویسی را یک مهارت بدانید، نه یک شغل جداگانه؛ آن را با Python، ارزیابی و دانش یک حوزه ترکیب کنید و هنگام جستجوی کار، این عنوان‌های جانشین را هم جستجو کنید.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مهندس پرامپت و LLM
پرامپت و ابزار برای ایجنت‌های پشتیبانی مشتری
Netomi پلتفرم ایجنت‌های AI برای خدمات مشتری شرکت‌های بزرگ است؛ به گفتهٔ آگهی، Delta Airlines، MetLife و United از مشتریانش‌اند. Prompt Engineer در آنجا برای هر مشتری پرامپت اختصاصی می‌نویسد و توضیح ابزارها را برای چارچوب‌های ایجنتی تعریف می‌کند.
preset و pipeline برای ویدئو و تصویر مولد
در Higgsfield، Prompt Engineer برای مدل‌های مولد تصویر و ویدئو «preset» های یک‌کلیکی می‌سازد و pipeline های تولید محتوا را بهینه می‌کند؛ یعنی پرامپت و تنظیماتی که کاربر با یک کلیک نتیجهٔ خوب بگیرد.
دستیار دانش سازمانی و کتابخانهٔ پرامپت
در آگهی Accenture، کار شامل ساخت دستیارهای دانش و ایجنت با Atlassian Rovo، مرتب کردن دانش سازمان برای بهتر شدن پاسخ‌ها و ساخت کتابخانه، استاندارد و فرایند حاکمیت پرامپت است.
داور خودکار (autorater) به‌جای ارزیاب انسانی
در پروژهٔ Welo Data، Prompt Engineer قالب‌های ارزیابی را به داورهای مبتنی بر LLM منتقل می‌کند، هر نسخهٔ پرامپت را با داده‌های مرجع (gold data) می‌سنجد و F1، precision و recall را در برابر داوران انسانی محاسبه می‌کند.
رفتار و سبک پاسخ‌های یک محصول
در Perplexity تیم Model Behavior پرامپت‌ها، ابزارها، skill ها و حافظه‌ای را طراحی و آزمایش می‌کند که سبک پاسخ‌ها و نحوهٔ استفاده از ابزار را تعیین می‌کنند، و حلقه‌هایی می‌سازد که این اجزا را به‌مرور بهتر کنند.
طراحی گفتگو برای ایجنت‌های صوتی و متنی
در Decagon، Conversation Designer تجربهٔ گفتگوی ایجنت‌ها را در چت، تماس صوتی، پیامک و ایمیل طراحی می‌کند و برای سنجش کیفیت گفتگو و صدا چارچوب ارزیابی و rubric می‌سازد.
تخصص‌های مختلف مهندس پرامپت و LLM
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
ایجنت‌های گفتگو و خدمات مشتری
Conversational AI & CX Agents
پرامپت، توضیح ابزار و ارزیابی برای ایجنت‌هایی که با مشتری حرف می‌زنند؛ مثل آگهی‌های Netomi و Decagon.
پرامپت برای تصویر و ویدئوی مولد
Generative Media
کار با مدل‌های متن، تصویر، صدا و ویدئو و ساخت pipeline و preset؛ آگهی Higgsfield آشنایی با ComfyUI را هم می‌خواهد.
AI سازمانی و حاکمیت پرامپت
Enterprise AI & Prompt Governance
دستیارهای دانش، کتابخانهٔ پرامپت، نسخه‌بندی و فرایند تأیید در سازمان‌های بزرگ؛ محور آگهی Accenture.
ارزیابی و داورهای خودکار
Evaluation & Autoraters
ساخت داور مبتنی بر LLM و سنجیدن آن با داده‌های مرجع؛ مثل پروژهٔ Welo Data. آگهی Elastic هم تجربهٔ اجرای eval در مقیاس بزرگ را می‌خواهد.
رفتار مدل و context engineering
Model Behavior & Context Engineering
شکل دادن سبک پاسخ و نحوهٔ استفاده از ابزار و حافظه در محصولات AI؛ مثل تیم Model Behavior در Perplexity. معمولاً سابقهٔ مهندسی نرم‌افزار می‌خواهد.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
بخش بزرگی از کاری که در ۲۰۲۳ به نام Prompt Engineer شناخته می‌شد امروز بخشی از کار AI Engineer است. swyx در مقالهٔ ۲۰۲۳ خود نوشت برای به کار گرفتن توانایی‌های تازهٔ مدل‌ها باید از Prompt Engineer فراتر رفت و نرم‌افزار نوشت. AI Engineer سیستم کامل می‌سازد (اتصال به داده، ایجنت، استقرار و پایش) و پرامپت یکی از ابزارهای اوست. لینکدین در فهرست Jobs on the Rise ۲۰۲۶، AI Engineer را سریع‌ترین شغل در حال رشد آمریکا دانسته است.
تمرکز طراح گفتگو بر تجربهٔ مکالمه است: لحن، جریان گفتگو، انتخاب صدا و سنجش کیفیت آن. آگهی Decagon برای این نقش سه تا پنج سال سابقه یا بیشتر در زمینه‌هایی مثل طراحی تجربهٔ صوتی، مدیریت محصول یا زبان‌شناسی کاربردی می‌خواهد و برنامه‌نویسی را جزو شرایط نیاورده، اما ساخت چارچوب ارزیابی و rubric را لازم دانسته است. بازهٔ حقوق این آگهی ۱۸۰ تا ۲۲۰ هزار دلار است.
در شرکت‌های AI کار نزدیک به Prompt Engineer با عنوان Model Behavior انجام می‌شود اما سطح ورودش بالاتر است: آگهی Perplexity دو تا بیش از ده سال سابقهٔ مهندسی نرم‌افزار یا پژوهش می‌خواهد و تمرکز را از نوشتن پرامپت به context engineering برده است، یعنی طراحی پرامپت، ابزار، skill و حافظه در کنار هم.
مهندس یادگیری ماشین خودِ مدل را آموزش می‌دهد یا fine-tune می‌کند و با داده و زیرساخت آموزش سروکار دارد. مهندس پرامپت مدل آماده را بدون تغییر وزن‌هایش و فقط از راه ورودی‌ها هدایت می‌کند. با این حال برخی آگهی‌ها پایهٔ یادگیری ماشین را هم می‌خواهند: Netomi درک قوی از NLP و اصول یادگیری ماشین و آشنایی با TensorFlow، PyTorch و Hugging Face را شرط گذاشته است.
تأثیر در صنایع مختلف
مهندس پرامپت و LLM در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
خدمات مشتری
Netomi و Decagon ایجنت‌های AI برای پشتیبانی شرکت‌های بزرگ می‌سازند؛ کار پرامپت و ارزیابی برای هر مشتری جداگانه انجام می‌شود
تولید محتوای تصویری و ویدئویی
Higgsfield برای مدل‌های مولد تصویر و ویدئو preset و pipeline می‌سازد و برای همین کار Prompt Engineer استخدام می‌کند
مشاوره و خدمات فناوری
Accenture هنگام بررسی ما یازده آگهی Prompt Engineer در هند و یک آگهی Rovo & AI Prompt Engineer در آمریکا داشت
داده و ارزیابی مدل‌ها
Welo Data برای پروژهٔ داورهای خودکار، Prompt Engineer پاره‌وقت با زبان مادری محلی در فرانسه، آلمان، ایتالیا، ژاپن، هلند، پرتغال و اسپانیا می‌خواهد
محصولات دستیار AI
Perplexity رفتار و سبک پاسخ‌های محصولاتش را با prompt engineering و context engineering در تیم Model Behavior شکل می‌دهد
امنیت و ابزار توسعه
Elastic برای ابزارهای یکپارچه‌سازی امنیتی خود Senior Software Engineer با پسوند Prompt Engineering می‌خواهد که تجربهٔ ساخت و اجرای eval برای سیستم‌های AI داشته باشد
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
Prompt Engineer امروز یکی از پرتقاضاترین شغل‌هاست
این تصویر مال ۲۰۲۳ است. ویکی‌پدیا می‌نویسد عنوان مستقل Prompt Engineer کمتر رایج شده، چون مدل‌ها پرامپت بهتری تولید می‌کنند و شرکت‌ها پرامپت‌نویسی را به همهٔ کارکنان آموزش می‌دهند. در فهرست ده نقش AI که مدیران در نظرسنجی Work Trend Index ۲۰۲۵ مایکروسافت برای استخدام در نظر داشتند هم این عنوان نبود. آگهی با این عنوان هنوز پیدا می‌شود، اما کم.
پرامپت‌نویسی مرده است و یاد گرفتنش فایده ندارد
عنوان کم‌رنگ شده، نه مهارت. ITJobsWatch شمار آگهی‌های دائم بریتانیا را که Prompt Engineering خواسته‌اند در شش ماه تا اکتبر ۲۰۲۶، ۳۱۷ شمرده، در برابر ۷۹ در همین بازهٔ سال قبل. Anthropic هم context engineering را «ادامهٔ طبیعی» prompt engineering می‌داند، نه جایگزین آن. آگهی Accenture در آمریکا دست‌کم دو سال تجربهٔ عملی prompt engineering می‌خواهد.
برای این کار برنامه‌نویسی لازم نیست
بیشتر آگهی‌ها کدنویسی می‌خواهند: Netomi تسلط به Python را شرط گذاشته و می‌خواهد تست پرامپت‌ها را با اسکریپت خودکار کنید، Perplexity پایهٔ قوی مهندسی نرم‌افزار می‌خواهد و حتی Higgsfield رویکرد «vibe coding» را جزو شرایط آورده است. استثنای مهم Conversation Designer است: آگهی Decagon برنامه‌نویسی نخواسته، اما ساخت چارچوب ارزیابی و rubric را لازم دانسته است.
پرامپت خوب یعنی پیدا کردن کلمه‌های جادویی
Andrej Karpathy، به نقل در وبلاگ Simon Willison، نوشته مردم پرامپت را با توضیح کوتاه یک کار یکی می‌دانند، در حالی که در هر برنامهٔ جدی LLM کار اصلی پر کردن پنجرهٔ context با اطلاعات درست برای قدم بعدی است: توضیح کار، مثال، داده‌های بازیابی‌شده، ابزارها و تاریخچه. سنجیدن نتیجه هم جزو کار است؛ Netomi ساخت چارچوب ارزیابی و benchmark را از وظایف اصلی شمرده است.
نوشتن پرامپت کاری است که هیچ‌وقت خودکار نمی‌شود
Indeed Hiring Lab در گزارش AI at Work ۲۰۲۵، prompt engineering را در گروه مهارت‌هایی گذاشته که GenAI توان انجام مستقل آن‌ها را دارد، هرچند تأکید کرده این به معنای جایگزینی کامل انسان نیست. در عمل هم آگهی Welo Data از ابزارهای تولید و بهینه‌سازی خودکار پرامپت (APG و APO) نام می‌برد و کار انسان را نظارت بر آن‌ها و حل مواردی می‌داند که ابزار از پسشان برنمی‌آید.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
بیشتر وقت صرف نوشتن و آزمودن پرامپت روی یک کاربرد مشخص، ساختن نمونه‌های تست و ثبت نتیجه می‌شود. معمولاً فردی باتجربه‌تر کار را بازبینی می‌کند؛ آگهی Accenture در بنگلور کمک به اعضای تازه‌کار تیم را جزو وظایف نیروی باتجربه آورده است.
- ◆اجرای نسخهٔ تازهٔ یک پرامپت روی مجموعهٔ تست و مقایسه با نسخهٔ قبلی
- ◆خواندن خروجی‌های اشتباه و دسته‌بندی الگوی خطاها
- ◆نوشتن چند نمونهٔ تازه برای موارد مرزی (edge cases)
- ◆ثبت تغییرات پرامپت و دلیل هر تغییر در مستندات تیم
میانی (۲–۵ سال)
مسئول پرامپت‌ها و ارزیابی یک محصول یا چند مشتری هستید. با تیم موفقیت مشتری یا محصول کار می‌کنید تا قواعد کسب‌وکار را به دستور و ابزار برای ایجنت تبدیل کنید و اثر هر تغییر را پیش از انتشار با تست خودکار بسنجید.
- ◆جلسه با تیم مشتری برای فهم قواعد کسب‌وکار و موارد استثنا
- ◆نوشتن یا اصلاح توضیح ابزارها برای ایجنت
- ◆اجرای ارزیابی خودکار و تحلیل نتایج با SQL یا Python
- ◆مقایسهٔ یک مدل تازه با مدل فعلی روی همان مجموعهٔ تست
ارشد (۵+ سال)
تمرکز روی استانداردها و تصمیم‌هاست: چه چیزی باید در context مدل باشد، کدام مدل برای کدام کار، و چه فرایندی برای تأیید تغییر پرامپت لازم است. بخشی از وقت صرف آموزش دیگران و کار با ذی‌نفعان غیرفنی می‌شود.
- ◆تعریف فرایند نسخه‌بندی و تأیید تغییرات پرامپت
- ◆بازبینی طراحی context یک ایجنت تازه
- ◆برگزاری کارگاه با یک واحد کسب‌وکار برای پیدا کردن کاربردهای AI
- ◆نوشتن راهنمای پرامپت‌نویسی برای تیم‌های غیرفنی
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈طراحی و بهبود پرامپت‌ها و system prompt ها برای هر محصول یا مشتری، بر اساس قواعد کسب‌وکار او
- ◈نوشتن توضیح ابزارها (tool descriptions) و دستورهای ایجنت تا ایجنت بداند کی و چطور از هر ابزار استفاده کند
- ◈ساخت چارچوب ارزیابی و benchmark برای سنجیدن پرامپت‌ها و مقایسهٔ مدل‌ها
- ◈خودکار کردن تست پرامپت‌ها با اسکریپت و اجرای تست رگرسیون پیش از هر تغییر
- ◈مرتب کردن و ساختاردهی دانش سازمان تا پاسخ‌های AI دقیق‌تر شوند
- ◈انتخاب مدل مناسب هر کاربرد و تنظیم پرامپت برای مدل‌های تازه
- ◈همکاری با تیم‌های موفقیت مشتری، محصول و علم داده و مستند کردن تصمیم‌ها
- ◈آموزش همکاران و ترویج روش‌های درست پرامپت‌نویسی در سازمان
- ◈ساخت کتابخانهٔ پرامپت، استانداردها و فرایند نسخه‌بندی و تأیید تغییرات
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس پرامپت و LLM موفق به آن‌ها نیاز دارد
مهارت‌های فنی
few-shot، chain-of-thought، role prompting و خروجی ساختاریافته؛ همان فهرستی که آگهی Accenture آورده است
مجموعهٔ تست، rubric، LLM-as-judge و تست رگرسیون؛ در بیشتر آگهی‌های بررسی‌شده به شکلی آمده است
Netomi تسلط به Python را شرط گذاشته است؛ برای خودکار کردن تست و تحلیل نتیجه‌ها لازم است
Netomi درک قوی از NLP و اصول یادگیری ماشین را شرط گذاشته است
تصمیم دربارهٔ اینکه دستور، ابزار، داده و تاریخچه چطور وارد پنجرهٔ مدل شوند؛ عنوان اصلی وظایف در آگهی Perplexity
Netomi تعریف توضیح ابزارها برای چارچوب‌های ایجنتی را جزو وظایف آورده است
Welo Data برای پیدا کردن الگوی خطا و تحلیل عملکرد مدل، SQL یا ابزار تحلیل داده می‌خواهد
برای سنجیدن داورهای خودکار در برابر داور انسانی؛ از وظایف آگهی Welo Data
Netomi ارزیابی LLM ها برای انتخاب مناسب‌ترین گزینه و Accenture شناخت تفاوت مدل‌های ارائه‌دهندگان مختلف را می‌خواهد
توازن تأخیر و هزینه در پروداکشن؛ از مهارت‌های امتیازی آگهی Accenture
برای مسیر رسانهٔ مولد؛ Higgsfield تجربهٔ عملی با مدل‌های متن، تصویر، صدا و ویدئو و آشنایی با ComfyUI می‌خواهد
مهارت‌های نرم
پرامپت خودش متن است؛ Netomi و Perplexity هر دو مهارت قوی نوشتاری و گفتاری را شرط گذاشته‌اند
تغییر را با تست بسنجید نه با حدس؛ Perplexity رویکرد تحلیلی و آزمایش‌محور می‌خواهد
Netomi نگهداری مستندات روشن از روند توسعه و بهینه‌سازی پرامپت را جزو وظایف آورده است
Accenture ترویج روش‌های درست پرامپت‌نویسی و برگزاری کارگاه با واحدهای کسب‌وکار را می‌خواهد
Welo Data و Higgsfield هر دو توانایی یادگیری سریع ابزار و فناوری تازه را خواسته‌اند
دانش حوزه‌ای
OWASP، prompt injection را ریسک شمارهٔ یک برنامه‌های LLM (LLM01:2025) دانسته است
Netomi پیشینهٔ زبان‌شناسی را امتیاز می‌داند و Welo Data تسلط بومی به زبان محلی را شرط گذاشته است
Accenture تجربه با Confluence یا SharePoint و ساختاردهی محتوا برای بهتر شدن خروجی AI را می‌خواهد
آشنایی با ایمنی AI و الزامات انطباق سازمانی از مهارت‌های امتیازی آگهی Accenture 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.
پایه: مدل زبانی چطور کار می‌کند و Python
پیش از پرامپت‌نویسی جدی باید بدانید مدل با متن چه می‌کند: توکن، پنجرهٔ context و اینکه چرا یک ورودی ثابت هر بار خروجی یکسان نمی‌دهد. آگهی Netomi درک قوی از NLP و اصول یادگیری ماشین و تسلط به Python را شرط گذاشته است؛ Python را از همین مرحله شروع کنید، چون بعداً برای خودکار کردن تست پرامپت‌ها لازم می‌شود.
تکنیک‌های پرامپت‌نویسی
تکنیک‌هایی را یاد بگیرید که آگهی‌ها نام می‌برند؛ آگهی Accenture مثلاً chain-of-thought، few-shot و zero-shot، role prompting، خروجی ساختاریافته و الگوهای RAG را فهرست کرده است. آموزش تعاملی Anthropic نه فصل با تمرین دارد و با API مدل Claude کار می‌کند؛ همین تمرین‌ها را با یک مدل متن‌باز روی Ollama هم می‌شود انجام داد.
ارزیابی (Evals): سنجیدن به‌جای حدس زدن
مهم‌ترین تفاوت کار حرفه‌ای با آزمون و خطای شخصی همین مرحله است. Netomi ساخت چارچوب ارزیابی و benchmark کردن پرامپت‌ها را جزو وظایف اصلی آورده و Welo Data می‌خواهد هر نسخهٔ پرامپت با داده‌های مرجع سنجیده شود و F1، precision و recall محاسبه شود. یاد بگیرید مجموعهٔ تست بسازید، rubric بنویسید و هر تغییر پرامپت را پیش از انتشار با تست خودکار بسنجید.
Context Engineering: دانش، ابزار و ایجنت
Anthropic context engineering را «ادامهٔ طبیعی» prompt engineering می‌داند: تصمیم دربارهٔ اینکه در هر مرحله چه چیزی وارد پنجرهٔ محدود مدل شود، از دستورها و توضیح ابزارها تا داده‌های بیرونی و تاریخچهٔ گفتگو. در آگهی‌ها هم همین دیده می‌شود: Netomi تعریف توضیح ابزارها برای چارچوب‌های ایجنتی را می‌خواهد و Accenture مرتب کردن دانش سازمان برای بهتر شدن پاسخ‌های AI را.
امنیت، بهینه‌سازی خودکار و حاکمیت پرامپت
سه موضوعی که کار را از سطح فردی به سطح سازمانی می‌برند: دفاع در برابر prompt injection، که OWASP آن را ریسک شمارهٔ یک برنامه‌های LLM می‌داند؛ بهینه‌سازی خودکار پرامپت، که Welo Data با ابزارهای APG و APO انجام می‌دهد و DSPy نمونهٔ متن‌باز آن است؛ و حاکمیت پرامپت، یعنی نسخه‌بندی، کنترل تغییر و فرایند تأیید که در آگهی Accenture آمده است.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
مدل‌ها و محیط آزمایش پرامپت
مخزن مدل‌ها و داده‌های متن‌باز؛ آگهی Netomi آشنایی با Hugging Face، PyTorch و TensorFlow را خواسته است
ارزیابی و تست پرامپت
تست خودکار پرامپت و اپلیکیشن‌های LLM، red teaming و مقایسهٔ خروجی بیش از ۵۰ ارائه‌دهندهٔ مدل
کدنویسی، خروجی ساختاریافته و بهینه‌سازی خودکار
پلتفرم‌هایی که در آگهی‌ها آمده‌اند
پلتفرم ایجنت و جستجوی دانش سازمانی Atlassian؛ محور آگهی Rovo & AI Prompt Engineer در Accenture
ساخت pipeline های تصویر و ویدئو با رابط گره‌ای؛ آگهی Higgsfield آشنایی کلی با آن را خواسته است
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
ورود: کار با پرامپت زیر نظر دیگران
۰ تا ۲ سال
نوشتن و آزمودن پرامپت برای یک کاربرد مشخص، ساختن نمونه‌های تست و ثبت نتیجه. آگهی Higgsfield برای عنوان Prompt Engineer یک سال تجربه می‌خواهد؛ بیشتر آگهی‌های دیگر بیش از این.
Prompt Engineer / Conversation Designer
۲ تا ۵ سال
مسئولیت پرامپت‌ها و ارزیابی یک محصول یا چند مشتری. Accenture در بنگلور برای عنوان Prompt Engineer حداقل ۳ سال تجربه در Prompt Engineering می‌خواهد و Decagon برای Conversation Designer سه تا پنج سال یا بیشتر.
Senior Prompt Engineer / Model Behavior / AI Engineer
۵+ سال
طراحی context و رفتار مدل در محصول، تعریف استاندارد ارزیابی و انتخاب مدل. آگهی Accenture در آمریکا پنج سال سابقهٔ فنی با دست‌کم دو سال کار مستقیم با LLM می‌خواهد و Welo Data چهار سال سابقه به‌عنوان Prompt Engineer.
Lead / Staff: رهبری کیفیت و حاکمیت AI
پس از سطح ارشد
تعریف کتابخانه، استاندارد و فرایند تأیید پرامپت برای چند تیم، آموزش تیم‌های غیرفنی و برگزاری کارگاه با واحدهای کسب‌وکار برای پیدا کردن کاربردهای AI؛ همهٔ این‌ها در وظایف یا مهارت‌های امتیازی آگهی Accenture آمده است.
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
عنوان ناپایدار و جستجوی کار
عمومیآگهی با عنوان دقیق Prompt Engineer کم است و همین کار با نام‌های مختلفی مثل Model Behavior، Conversation Designer و AI Engineer آگهی می‌شود. اگر فقط همین عنوان را جستجو کنید، بیشتر فرصت‌ها را نمی‌بینید.
سنجیدن خروجی‌های غیرقطعی
عمومییک تغییر کوچک در پرامپت می‌تواند بخشی از موارد را بهتر و بخش دیگری را بدتر کند. بدون مجموعهٔ تست و معیار روشن معلوم نیست تغییر واقعاً بهبود بوده یا نه؛ به همین دلیل Netomi و Welo Data هر دو بر ارزیابی و داده‌های مرجع تکیه می‌کنند.
خودکار شدن بخشی از کار
عمومیIndeed Hiring Lab پرامپت‌نویسی را از مهارت‌هایی می‌داند که GenAI می‌تواند مستقل انجام دهد و Welo Data از ابزارهای تولید و بهینه‌سازی خودکار پرامپت استفاده می‌کند. ارزش کار به سمت تشخیص، ارزیابی و حل موارد دشوار می‌رود.
Prompt injection و امنیت
عمومیوقتی مدل متنی را از بیرون می‌خواند، آن متن می‌تواند دستورهای شما را دور بزند. OWASP این ریسک را در صدر فهرست خطرهای برنامه‌های LLM گذاشته و Accenture طراحی پرامپت مقاوم در برابر آن را از مهارت‌های امتیازی می‌داند.
تغییر مدل‌ها
عمومیپرامپتی که روی یک مدل خوب کار می‌کند ممکن است روی مدل بعدی رفتار دیگری داشته باشد. Netomi تنظیم پرامپت برای هر مدل را جزو وظایف آورده و Perplexity کمک به آزمایش و عرضهٔ مدل‌های تازه را.
کار پاره‌وقت و وابسته به زبان
عمومیبخشی از آگهی‌های این عنوان، مثل پروژهٔ Welo Data، پاره‌وقت و قراردادی‌اند و به زبان مادری و کشور محل اقامت گره خورده‌اند؛ مثلاً نسخهٔ آلمانی آن آگهی تسلط بومی به آلمانی و اقامت در آلمان را شرط گذاشته است.
حقوق و بازار کار جهانی
حقوق جهانی مهندس پرامپت و LLM
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: مدل زبانی و پرامپت پایه
بفهمید مدل با متن چه می‌کند و تمرین‌های پایهٔ پرامپت‌نویسی را انجام دهید.
ماه ۲: تکنیک‌ها و خروجی ساختاریافته
few-shot، chain-of-thought، role prompting و گرفتن JSON معتبر از مدل.
ماه ۳: ارزیابی
برای یک کاربرد مجموعهٔ تست بسازید و هر تغییر پرامپت را با Promptfoo بسنجید.
ماه ۴: context engineering و ابزار
توضیح ابزار برای ایجنت بنویسید و یاد بگیرید چه اطلاعاتی را کی وارد context کنید.
ماه ۵: امنیت و بهینه‌سازی خودکار
پرامپت‌هایتان را در برابر prompt injection بیازمایید و یک پرامپت را با DSPy بهینه کنید.
ماه ۶: پورتفولیو و جستجوی کار
دو یا سه پروژه با مجموعهٔ تست و گزارش نتیجه منتشر کنید. علاوه بر Prompt Engineer، عنوان‌هایی مثل AI Engineer، Conversation Designer و Model Behavior را هم جستجو کنید.
پروژه‌های پیشنهادی برای رزومه
پرامپت و مجموعهٔ تست برای یک دستیار پشتیبانی
مبتدیبرای یک کسب‌وکار فرضی system prompt پاسخ‌گویی به مشتری بنویسید، حدود ۵۰ سؤال تست با پاسخ مطلوب بسازید و هر نسخهٔ پرامپت را با Promptfoo بسنجید. در README نشان دهید هر تغییر چه چیزی را بهتر و چه چیزی را بدتر کرد.
استخراج ساختاریافته و سنجش با F1
متوسطاز متن آگهی‌های شغلی یا رسیدها فیلدهای مشخص را به JSON استخراج کنید، خروجی را با Pydantic اعتبارسنجی کنید و با چند ده نمونهٔ برچسب‌خورده precision، recall و F1 را بسنجید؛ همان معیارهایی که آگهی Welo Data برای سنجش کیفیت به کار می‌برد.
داور خودکار (LLM-as-judge) و مقایسه با داور انسانی
متوسطیک rubric بنویسید، مدل را داور پاسخ‌های یک سیستم دیگر کنید و میزان توافقش را با برچسب‌های انسانی بسنجید. موارد اختلاف را دسته‌بندی کنید و پرامپت داور را آن‌قدر اصلاح کنید که توافق بالا برود.
دستیار پاسخ‌گو روی مستندات با ذکر منبع
پیشرفتهمستندات یک نرم‌افزار متن‌باز را تمیز و بخش‌بندی کنید و دستیاری بسازید که با ذکر منبع پاسخ دهد. نشان دهید مرتب کردن دانش، مثل حذف صفحه‌های تکراری و کهنه، دقت پاسخ‌ها را چقدر تغییر داد؛ کاری شبیه «curate enterprise knowledge» در آگهی Accenture.
پرامپت دستی در برابر پرامپت بهینه‌شده با DSPy
پیشرفتهبرای یکی از پروژه‌های قبلی، پرامپتی را که دستی نوشته‌اید با نسخه‌ای که DSPy بهینه کرده روی همان مجموعهٔ تست مقایسه کنید و نتیجه، هزینه و موارد شکست هر دو را گزارش دهید.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
بیشتر سابقه‌اش در علم داده است: طبق صفحهٔ معرفی‌اش در Scale AI، پیش‌تر Data Scientist در OkCupid، Grindr و CopyAI بود. در ۲۰۲۲ شروع کرد به انتشار نمونه‌پرامپت‌ها و تصویرهایی از رفتار GPT-3 در توییتر و با همین کار شناخته شد.
همان صفحه (رویدادی در اوت ۲۰۲۳) او را Staff Prompt Engineer در Scale AI و متخصص پرامپت‌نویسی برای مدل‌های زبانی و به‌کارگیری آن‌ها در اپلیکیشن‌های مبتنی بر AI معرفی می‌کند. هم‌نویسندهٔ مطلبی در وبلاگ Scale AI در مقایسهٔ Claude و ChatGPT هم بوده است.
او پیش از آنکه چنین عنوانی رایج شود، آزمایش‌هایش را علنی منتشر کرد. به نظر می‌رسد در حوزه‌ای که هنوز تعریف روشنی ندارد، نمونه‌کار عمومی بیش از عنوان شغلی قبلی به چشم می‌آید.
به گفتهٔ صفحهٔ معرفی Learn Prompting، پیشینه‌اش در پردازش زبان طبیعی و یادگیری تقویتی عمیق است و امروز مدیرعامل Learn Prompting و HackAPrompt است. همان صفحه می‌نویسد Learn Prompting از یک تکلیف درس زبان انگلیسی در دانشگاه شروع شد که در آن باید یک راهنمای آموزشی نوشته می‌شد.
به گفتهٔ همان صفحه، دو ماه پیش از عرضهٔ ChatGPT اولین راهنمای Prompt Engineering اینترنت را ساخت و HackAPrompt را، که آن را اولین مسابقهٔ red-teaming هوش مصنوعی می‌نامد، با همکاری OpenAI برگزار کرد. تیم نویسندگان The Prompt Report را هم رهبری کرد؛ مروری ۷۶ صفحه‌ای با همکاری پژوهشگرانی از OpenAI، Microsoft، Google، Princeton و Stanford که بیش از ۱۵۰۰ مقاله را بررسی کرده و بیش از ۲۰۰ تکنیک پرامپت را پوشش می‌دهد.
کار او از جمع‌بندی و آموزش آنچه یاد می‌گرفت شروع شد. به نظر می‌رسد در حوزه‌ای که سریع تغییر می‌کند، مرتب کردن دانش پراکنده برای دیگران خودش راهی برای تخصص پیدا کردن و دیده شدن است.
فیلسوف و پژوهشگر AI اسکاتلندی. طبق ویکی‌پدیا، مدرک BPhil فلسفه را از Oxford و دکترای فلسفه را در ۲۰۱۸ از New York University گرفت و همان سال به‌عنوان پژوهشگر در تیم سیاست‌گذاری OpenAI شروع به کار کرد؛ از نویسندگان مقالهٔ GPT-3 هم بود.
از ۲۰۲۱ در Anthropic تیم personality alignment را رهبری می‌کند و نقش بزرگی در شکل دادن شخصیت و «قانون اساسی» Claude داشته است. در مقاله‌ای در ۲۰۲۳ که با Deep Ganguli نوشت، نشان دادند دستورهای ساده به زبان طبیعی، مثل درخواست پاسخ بی‌طرف و بدون کلیشه، خروجی‌های سوگیرانه را در مدل‌های به‌اندازهٔ کافی بزرگ به‌طور چشمگیری کم می‌کند. در ۲۰۲۴ در فهرست Time 100 AI قرار گرفت.
مسیر او نشان می‌دهد شکل دادن رفتار مدل فقط کار برنامه‌نویس‌ها نیست؛ دقیق فکر کردن و دقیق نوشتن، که در رشته‌هایی مثل فلسفه پرورش می‌یابد، در این کار ارزش دارد. البته او این کار را با دکترا و در یک آزمایشگاه AI انجام می‌دهد.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Prompt Engineer
تحلیل نیازمندی‌ها
Bachelor’s or Master’s degree in Computer Science, Data Science, Linguistics, or a related field.
زبان‌شناسی کنار علوم کامپیوتر و علم داده آمده است؛ یعنی این نقش برای کسانی که از زبان و نوشتن می‌آیند هم باز است، به شرط آنکه بخش فنی را هم یاد بگیرند.
مهمStrong understanding of natural language processing (NLP) and machine learning principles.
لازم نیست مدل بسازید، اما باید بدانید مدل متن را چطور پردازش و تولید می‌کند (توکن، context، نمونه‌برداری) تا بفهمید چرا یک پرامپت شکست می‌خورد.
ضروریExperience with AI prompt engineering, including writing, optimizing, and evaluating prompts.
سه فعل کلیدی آگهی: نوشتن، بهینه کردن و ارزیابی. نمونه‌کاری که هر سه را نشان دهد، مثلاً یک پرامپت همراه با مجموعهٔ تست و گزارش بهبود، بهترین مدرک این تجربه است.
ضروریProficiency in programming languages such as Python.
Python برای فراخوانی API مدل، خودکار کردن تست و تحلیل نتیجه لازم است؛ همان «automate testing with scripts» که در بخش وظایف آمده است.
ضروریFamiliarity with AI frameworks and libraries (e.g., TensorFlow, PyTorch, Hugging Face).
«Familiarity» یعنی آشنایی کافی است، نه تسلط. باید بتوانید یک مدل متن‌باز را از Hugging Face بارگذاری و اجرا کنید و اصطلاحات این کتابخانه‌ها را بفهمید.
مفیدStrong written and verbal communication skills.
پرامپت خودش متن است و نتیجهٔ کار را باید برای تیم موفقیت مشتری و تیم علم داده توضیح دهید.
مهمAbility to work collaboratively in a team environment and manage multiple projects simultaneously.
در پلتفرمی که به چند مشتری بزرگ خدمت می‌دهد، هم‌زمان روی پرامپت‌های چند مشتری کار می‌کنید؛ اولویت‌بندی و پیگیری اهمیت دارد.
مهمShould have a minimum of 5 years of working in data science
این مورد در بخش «Nice to Have» آگهی آمده، پس شرط قطعی نیست؛ اما نشان می‌دهد کارفرما سابقهٔ علم داده را ارزشمند می‌داند.
مفیدBackground in linguistics or computational linguistics.
این هم امتیاز است نه شرط؛ برای کسی که از زبان‌شناسی می‌آید، نقطهٔ قوتی است که در رزومه باید برجسته شود.
مفیدتحلیل مسئولیت‌ها
Prompt Development: Design and refine client-specific prompts, ensuring accuracy and relevance. Define tool descriptions for agentic frameworks to enhance AI interactions.
هر مشتری قواعد کسب‌وکار خودش را دارد و این قواعد باید به دستور روشن برای ایجنت تبدیل شوند. «tool description» متنی است که ایجنت از روی آن تصمیم می‌گیرد کدام ابزار را کی صدا بزند؛ نوشتن آن خودش نوعی پرامپت‌نویسی است.
Optimization & Testing: Improve prompts for clarity and performance, automate testing with scripts, and evaluate LLMs for best-fit solutions.
هر تغییر پرامپت باید با اسکریپت روی مجموعه‌ای از نمونه‌ها اجرا شود و مدل‌های مختلف برای هر کاربرد سنجیده شوند؛ قضاوت دستی و حسی کافی نیست.
Evaluation & Benchmarking: Develop evaluation frameworks and benchmark prompts to establish best practices.
یعنی ساختن چارچوب ارزیابی: نمونه‌های تست، معیار موفقیت و مقایسهٔ نسخه‌ها. همین چارچوب است که روش‌های تیم را از حدس به داده تبدیل می‌کند.
Collaboration & Documentation: Work with Customer Success and Data Science teams, maintaining clear documentation on prompt development and optimization.
این نقش در Netomi زیر تیم Agentic Delivery است، یعنی نزدیک به پیاده‌سازی برای مشتری. مستندات روشن کمک می‌کند دیگران بدانند هر پرامپت چرا این شکل را دارد.
Research & Innovation: Stay updated on NLP advancements, experiment with new prompting strategies, and refine model-specific adaptations.
مدل‌ها و روش‌ها مرتب عوض می‌شوند. «model-specific adaptations» یعنی پرامپتی که برای یک مدل نوشته‌اید ممکن است برای مدل دیگر تنظیم تازه بخواهد.
نتیجه‌گیری کلی
این آگهی تصویر کلاسیک Prompt Engineer در ۲۰۲۶ است: کار روی ایجنت‌های خدمات مشتری با تکیه بر نوشتن، آزمودن و سنجیدن پرامپت و تعریف ابزار برای ایجنت. آگهی بازهٔ حقوق اعلام نکرده است. دو نکته برای برنامه‌ریزی: Python و ارزیابی جزو شرایط اصلی‌اند نه امتیاز، و زبان‌شناسی صریحاً کنار علوم کامپیوتر پذیرفته شده است. همین کار در شرکت‌های دیگر با عنوان‌هایی مثل Model Behavior (در Perplexity) یا Conversation Designer (در Decagon) آگهی می‌شود؛ در جستجو به یک عنوان محدود نشوید.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
ITJobsWatch در بریتانیا در شش ماه منتهی به ۶ اکتبر ۲۰۲۶، ۳۱۷ آگهی استخدام دائم را شمرده که مهارت Prompt Engineering را خواسته‌اند؛ در همین بازه در ۲۰۲۵ این عدد ۷۹ و در ۲۰۲۴، ۱۱ بود. این رقم مهارت را می‌شمارد، نه عنوان شغلی را.
منبع: ITJobsWatch (UK), 6 months to 6 Oct 2026
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
swyx در مقالهٔ «The Rise of the AI Engineer» (ژوئن ۲۰۲۳) نوشت برای به کار گرفتن توانایی‌های تازهٔ مدل‌ها باید از Prompt Engineer فراتر رفت و نرم‌افزار نوشت. او پیش‌بینی کرد AI Engineer احتمالاً پرتقاضاترین شغل مهندسی این دهه شود و ظرف پنج سال شمار آگهی‌هایش در Indeed از ML Engineer بیشتر شود.
در Work Trend Index ۲۰۲۵ مایکروسافت، مدیران انتظار دارند تیم‌هایشان ظرف پنج سال سیستم‌های multi-agent برای خودکار کردن کارهای پیچیده بسازند (۴۲٪)، ایجنت‌ها را آموزش دهند (۴۱٪) و آن‌ها را مدیریت کنند (۳۶٪).
بزرگ‌ترین ریسک، تکیه بر خودِ عنوان است. ویکی‌پدیا می‌نویسد عنوان مستقل Prompt Engineer کمتر رایج شده و در نظرسنجی Work Trend Index ۲۰۲۵ مایکروسافت هم جزو ده نقش AI مورد نظر مدیران نبود. ریسک دوم خودکار شدن است: Indeed Hiring Lab پرامپت‌نویسی را از مهارت‌هایی می‌داند که GenAI می‌تواند مستقل انجام دهد، و ابزارهایی مثل DSPy پرامپت را با الگوریتم بهینه می‌کنند. ریسک سوم بالا رفتن سطح فنی است: آگهی‌هایی که این کار را با عنوان‌های تازه می‌خواهند، مثل Perplexity و Elastic، پایهٔ مهندسی نرم‌افزار می‌خواهند. در مقابل، تقاضا برای خود مهارت در آگهی‌های بریتانیا طبق ITJobsWatch بیشتر شده است.
منابع
اطلاعات این صفحه در تاریخ ۱۳ مهر ۱۴۰۵ از این ۲۶ منبع بررسی شده است.
- Prompt Engineer — Netomi (job posting)
- Rovo & AI Prompt Engineer — Accenture (job posting)
- Prompt Engineer — Accenture, Bengaluru (job posting)
- Prompt Engineer — Higgsfield AI (job posting)
- Project Lion - Senior Prompt Engineer (Germany) — Welo Data (job posting)
- Member of Technical Staff (Model Behavior) — Perplexity (job posting)
- Conversation Designer — Decagon (job posting)
- Senior Software Engineer - Security Integrations - Prompt Engineering — Elastic (job posting)
- Indeed — Prompt engineer salary in United States
- ITJobsWatch — Prompt Engineering job trends and salaries (UK)
- Wikipedia — Prompt engineering
- Anthropic — Effective context engineering for AI agents (2025)
- Simon Willison — Context engineering (June 2025)
- Microsoft — 2025 Work Trend Index: The year the Frontier Firm is born
- Indeed Hiring Lab — AI at Work Report 2025
- swyx — The Rise of the AI Engineer (Latent Space, 2023)
- LinkedIn Jobs on the Rise 2026: The 25 fastest-growing roles in the U.S.
- Scale AI — The Past and Future of Prompt Engineering (Riley Goodside)
- Learn Prompting — About (Sander Schulhoff)
- The Prompt Report: A Systematic Survey of Prompt Engineering Techniques (arXiv)
- Amanda Askell — Wikipedia
- Wikipedia — Prompt injection
- OWASP Top 10 for LLM Applications
- DSPy — stanfordnlp/dspy (GitHub)
- Anthropic — Interactive Prompt Engineering Tutorial (GitHub)
- DeepLearning.AI — ChatGPT Prompt Engineering for Developers