مهندس RAG
RAG Engineer
مهندس RAG بخشِ «بازیابی» سیستم‌های مبتنی بر مدل زبانی را می‌سازد و مسئول کیفیت آن است: اسناد و داده‌های سازمان را پردازش، تکه‌تکه و نمایه می‌کند، برای هر پرسش مرتبط‌ترین بخش‌ها را پیدا و رتبه‌بندی می‌کند و به مدل می‌دهد تا پاسخی با ارجاع به منبع بسازد، و با ارزیابی دقیق نشان می‌دهد این زنجیره درست کار می‌کند. عنوان دقیق «RAG Engineer» در آگهی‌ها کم است؛ بازار این کار را بیشتر با عنوان AI Engineer آگهی می‌کند و شرکت‌های بزرگ با عنوان‌هایی مثل Software Engineer یا Applied AI Engineer با پسوند Search یا Retrieval.
مقدمه و تعریف شغل
به نوشتهٔ ویکی‌پدیا، RAG (Retrieval-Augmented Generation) روشی است که به مدل زبانی امکان می‌دهد اطلاعات تازه را از منابع بیرونی بازیابی کند و در پاسخ به کار ببرد؛ مدل پیش از پاسخ به مجموعه‌ای مشخص از اسناد رجوع می‌کند. مهندس RAG مسئول همین بخش بازیابی است. آگهی Newcode.ai کار را این‌طور توضیح می‌دهد: وقتی کسی سؤالی می‌پرسد، سیستم باید در میان حجم زیادی از اسناد محرمانه بخش درست را پیدا کند، مطمئن شود که واقعاً درست است و آن را به مدل بدهد؛ از نحوهٔ parse و تکه‌کردن اسناد تا ترکیب جستجوی معنایی با تطابق دقیق واژه‌ها، reranking و اینکه ایجنت چه چیزی را بخواند و کی دست بکشد. به گفتهٔ همین آگهی، اینجا جایی است که محصولات AI بی‌صدا شکست می‌خورند: پاسخ خوب خوانده می‌شود، اما ارجاعش اشتباه است.
به نوشتهٔ ویکی‌پدیا، اصطلاح RAG در مقاله‌ای در ۲۰۲۰ معرفی شد (نویسندهٔ اول: Patrick Lewis، NeurIPS 2020) که مدل زبانی را با یک نمایهٔ برداری از ویکی‌پدیا و یک بازیاب عصبی ترکیب کرد. امروز این یک مهارت است بیش از یک عنوان شغلی. در بررسی ما در اکتبر ۲۰۲۶ روی تابلوی استخدام ۱۷۵ شرکت (Greenhouse، Ashby و Lever، با ۲۰٬۳۲۴ آگهی باز)، عنوان هیچ آگهی‌ای «RAG» نداشت، اما RAG در شرح ۵۸۳ آگهی از ۸۳ شرکت آمده بود، با عنوان‌هایی از Software Engineer و Forward Deployed Engineer تا ML Engineer و AI Engineer. در بریتانیا هم، طبق ITJobsWatch، رایج‌ترین عنوان در آگهی‌هایی که RAG می‌خواهند Artificial Intelligence Engineer است (۳۳٫۶٪)، بعد Architect و Software Engineer. عنوان دقیق را در آگهی‌های Newcode.ai و MCI دیدیم. شرکت‌های بزرگ همین کار را با عنوان‌هایی مثل «Software Engineer, Search and RAG Applications» (Apple)، «Applied AI Engineer - Context Retrieval» (Databricks) یا «Software Engineer, AI Retrieval» (Asana) آگهی می‌کنند. لینکدین هم در Jobs on the Rise ۲۰۲۶ که AI Engineer را سریع‌ترین شغل در حال رشد آمریکا می‌داند، RAG را یکی از سه مهارت رایج آن شمرده است.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مهندس RAG
پرسش‌وپاسخ روی اسناد حقوقی با ارجاع
در Newcode.ai، بازیابی باید بخش درست را در میان اسناد محرمانهٔ مشتریان پیدا کند؛ پاسخی که مدل می‌سازد در توصیهٔ حرفه‌ای واقعی به کار می‌رود و ارجاع اشتباه را مشتری کشف می‌کند.
بازیابی زمینه برای ایجنت‌های سازمانی
Databricks می‌نویسد ایجنت‌هایش فقط به اندازهٔ زمینه‌ای که می‌توانند بازیابی کنند خوب‌اند؛ مهندس در آنجا بازیابی را روی جدول، کوئری SQL، داشبورد، کد، ویکی، تیکت و چت در یک سیستم می‌سازد.
جستجوی AI در یک ابزار کاری
تیم AI Retrieval در Asana محتوای مرتبط را پیدا و به context window مدل‌ها می‌رساند و همزمان جستجوی معمولی محصول را هم نگه می‌دارد.
حافظه و جستجو در دستیار هوش مصنوعی
تیم Memory & Search در Anthropic مسئول این است که Claude چطور کاربر را به خاطر می‌سپارد و چطور آنچه لازم دارد را در Claude.ai، Cowork و Claude Code پیدا می‌کند؛ به نوشتهٔ آگهی، جستجو از یکی از شکایت‌های اصلی کاربران به چیزی تبدیل شد که برای پیدا کردن کارهای گذشته به آن تکیه می‌کنند.
جستجوی بلادرنگ برای دستیار صوتی
تیم AI, Search & Knowledge Platforms در Apple سرویس جستجوی بلادرنگی می‌سازد که Siri و دیگر محصولات جستجوی Apple را برای پاسخ‌هایی مثل وضع هوا، پرواز و نتیجهٔ مسابقه تغذیه می‌کند.
زیرساخت بازیابی به‌عنوان محصول
Pinecone سامانهٔ بازیابی دانش برای سیستم‌های ایجنتی می‌سازد: جستجوی معنایی و hybrid، برنامه‌ریزی پرسش، pipeline نمایه‌سازی و ساخت knowledge graph.
تخصص‌های مختلف مهندس RAG
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
کیفیت بازیابی و relevance
Retrieval Quality & Relevance
chunking، انتخاب مدل embedding، جستجوی hybrid، reranking و مجموعهٔ ارزیابی. KORE1 این را «retrieval-quality engineer» می‌نامد و آگهی‌های Newcode.ai و Databricks بیشتر در این دسته‌اند.
ورود و پردازش اسناد
Document Ingestion & Parsing
تبدیل PDF، اسکن و اسناد پیچیده به متن و ساختار قابل جستجو. Newcode.ai تجربهٔ ورود اسناد OCR-محور در مقیاس بزرگ را می‌خواهد و Databricks استخراج ساختار، موجودیت‌ها، خلاصه و metadata از هر نوع دارایی را.
بازیابی ایجنتی
Agentic Retrieval
سیستم‌هایی که پرسش را تجزیه می‌کنند، چند بار جستجو می‌کنند و می‌سنجند آیا آنچه پیدا شده برای پاسخ کافی است. Databricks این را «search subagent» می‌نامد و Newcode.ai حلقه‌های چندمرحله‌ای‌ای می‌خواهد که «بدانند کی متوقف شوند».
زیرساخت جستجو و پایگاه برداری
Retrieval Infrastructure
ساخت خودِ موتورها و سرویس‌های بازیابی در مقیاس بزرگ: نمایه‌سازی، تأخیر، throughput و هزینه. آگهی Pinecone نمونهٔ این تخصص است؛ KORE1 آن را مسیر «platform / infrastructure engineer» می‌داند.
بازیابی چندزبانه
Multilingual Retrieval
بازیابی‌ای که در زبان‌های غیر انگلیسی هم درست کار کند. آگهی Newcode.ai می‌نویسد ترکیب و صرف کلمات، بازیابی کلیدواژه‌ای را طوری خراب می‌کند که مجموعهٔ ارزیابی انگلیسی هرگز نشانش نمی‌دهد.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
مهندس هوش مصنوعی روی مدل‌های آماده محصول می‌سازد: ایجنت، اتصال به داده و ابزارهای شرکت، ارزیابی و نگهداری در پروداکشن. RAG یکی از اجزای همین کار است؛ لینکدین آن را یکی از سه مهارت رایج AI Engineer می‌داند و در بریتانیا، طبق ITJobsWatch، ۳۳٫۶٪ آگهی‌هایی که RAG می‌خواهند عنوان AI Engineer دارند. مهندس RAG همان مهندس هوش مصنوعی است که در لایهٔ بازیابی عمیق شده: نمایه‌سازی، جستجوی hybrid، reranking و سنجیدن کیفیت بازیابی با عدد. آگهی Newcode.ai صریحاً می‌گوید سابقهٔ عمیق بک‌اند بدون تجربهٔ بازیابی در پروداکشن برای این نقش کافی نیست.
مهندس LLM یک لایه پایین‌تر می‌رود و با خودِ مدل کار می‌کند: fine-tuning، میزبانی، فشرده‌سازی و بهینه‌سازی inference. مهندس RAG معمولاً مدل زبانی را همان‌طور که هست به کار می‌برد و روی چیزی کار می‌کند که به context آن می‌رسد. در آگهی‌های این نقش، آموزش مدل اگر باشد سمت بازیابی است: تنها اشارهٔ آگهی Databricks به fine-tuning، تجربهٔ آموزش یا fine-tune کردن مدل‌های embedding، reranker یا درک پرسش است که آن را «امتیاز» می‌داند، و آگهی Newcode.ai اصلاً از fine-tuning حرفی نمی‌زند.
مهندسی جستجو پیش از LLM هم وجود داشت: نمایهٔ معکوس، BM25، رتبه‌بندی و سنجش relevance. RAG ادامهٔ همین کار است و مرزشان باریک است؛ تیم AI Retrieval در Asana جستجوی معمولی محصول را هم نگه می‌دارد و آگهی Databricks تخصص عمیق IR، از BM25 و Elasticsearch تا learning-to-rank، می‌خواهد. فرق اصلی در مصرف‌کنندهٔ نتایج است: Databricks می‌نویسد بازیابی باید هم به LLM خدمت کند (زمینهٔ مستند، کم‌توکن و مقاوم در برابر توهم) و هم به انسان، و این دو هدف متفاوت‌اند.
مهندس داده pipeline هایی می‌سازد که داده را برای تحلیل و گزارش جابه‌جا و ذخیره می‌کنند. مهندس RAG هم pipeline می‌سازد، اما خروجی آن تکه‌های متن، embedding و نمایه برای جستجوست و معیار موفقیتش کیفیت بازیابی است. چالش‌هایش هم کمی فرق دارد: Databricks می‌خواهد هر منبع با تازگی، دسترسی‌ها و نشانه‌های رتبه‌بندی خودش مدیریت شود و Pinecone ساختن pipeline نمایه‌سازی پربازده برای دادهٔ ساختاریافته و بدون ساختار را جزو مهارت‌های لازم آورده است.
تأثیر در صنایع مختلف
مهندس RAG در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
حقوقی
Newcode.ai بازیابی روی اسناد محرمانهٔ مشتریان را می‌سازد تا پاسخ مدل با ارجاع درست در کار حقوقی به کار رود
داده و نرم‌افزار سازمانی
Databricks برای ایجنت‌هایش بازیابی روی جدول‌ها، کوئری‌ها، داشبوردها، کد و اسناد داده‌های SaaS مشتریان می‌سازد
ابزارهای مدیریت کار
Asana با بازیابی محتوای مرتبط و رساندن آن به مدل، قابلیت‌های AI محصولش را تغذیه می‌کند و دامنهٔ آن را به منابع بیرونی هم می‌کشد
دستیارهای هوش مصنوعی
Anthropic حافظه و جستجو را در Claude.ai، Cowork و Claude Code یکپارچه کرده تا یک حافظه در همهٔ محصولات همراه کاربر باشد
محصولات مصرفی
تیم AI, Search & Knowledge Platforms در Apple جستجوی بلادرنگ را برای Siri و دیگر محصولات جستجوی Apple می‌سازد؛ بخشی از تلاشی گسترده‌تر برای بازیابی اطلاعات در محصولاتی مثل Spotlight، Safari و Messages
زیرساخت AI
پلتفرم Pinecone به گفتهٔ آگهی‌اش برنامه‌های AI بیش از ۱۰٬۰۰۰ مشتری و یک میلیون توسعه‌دهنده را پشتیبانی می‌کند
خدمات مشتری و برون‌سپاری
MCI، شرکت خدمات تجربهٔ مشتری و برون‌سپاری، با RAG مخزن‌های دانش و جستجوی سازمانی می‌سازد تا هوش مصنوعی پاسخ‌های دقیق و وابسته به زمینه بدهد
امنیت هویت
Okta در تیم GenAI محصول Auth0 روی بازیابی زمینه، workflow های RAG و ارزیابی خودکار درستی و مستند بودن پاسخ‌ها کار می‌کند
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
RAG یعنی embedding و یک پایگاه برداری
Anthropic می‌نویسد مدل‌های embedding ممکن است تطابق دقیق را از دست بدهند و BM25 برای شناسه‌ها و اصطلاحات فنی بهتر عمل می‌کند. روشی که این شرکت با نام Contextual Retrieval معرفی کرد، با افزودن زمینه به هر تکه پیش از embedding و BM25، بازیابی‌های ناموفق را ۴۹٪ و همراه با reranking ۶۷٪ کم کرد. آگهی Newcode.ai هم ترکیب جستجوی معنایی و کلیدواژه‌ای، ادغام نتایج، فیلتر metadata و reranking را می‌خواهد، نه فقط جستجوی برداری.
با مدل‌هایی که context طولانی دارند، دیگر RAG لازم نیست
تا حدی درست است: Anthropic می‌نویسد اگر پایگاه دانش کمتر از ۲۰۰٬۰۰۰ توکن (حدود ۵۰۰ صفحه) باشد، می‌شود همه را در پرامپت گذاشت و RAG لازم نیست. اما با بزرگ شدن پایگاه دانش، راه‌حل مقیاس‌پذیرتری لازم است. مقالهٔ «Lost in the Middle» (۲۰۲۳) هم نشان داد عملکرد مدل‌ها وقتی اطلاعات مرتبط وسط یک متن طولانی است به‌طور محسوسی افت می‌کند، حتی در مدل‌هایی که برای context طولانی ساخته شده‌اند.
اگر پاسخ خوب به نظر برسد، سیستم درست کار می‌کند
آگهی Newcode.ai دقیقاً همین را خطر اصلی می‌داند: پاسخ خوب خوانده می‌شود، ارجاع اشتباه است و هیچ‌کس متوجه نمی‌شود تا مشتری بفهمد. به همین دلیل از مهندس می‌خواهد با عدد نشان دهد این اتفاق نمی‌افتد و تغییری را صرفاً چون روی سه پرسش دستی بهتر به نظر رسیده منتشر نکند.
RAG مشکل توهم مدل را حل می‌کند
به نوشتهٔ ویکی‌پدیا، RAG برای جلوگیری از این خطاها به کار می‌رود اما همهٔ مشکلات را حل نمی‌کند؛ مدل ممکن است حتی از منبع درست، اگر زمینه را بد بفهمد، اطلاعات نادرست بسازد. برای همین آگهی‌ها ارزیابی مستند بودن پاسخ را جدا می‌خواهند؛ مثلاً Okta سنجش «correctness، groundedness و ایمنی» در پروداکشن را.
برای پیدا کردن کار باید دنبال عنوان RAG Engineer گشت
این عنوان کم است. در بررسی ما روی ۱۷۵ تابلوی استخدام هیچ عنوانی «RAG» نداشت، در حالی که RAG در شرح ۵۸۳ آگهی آمده بود. KORE1 هم می‌نویسد بیشتر آگهی‌های «Senior RAG Engineer» سه نقش متفاوت را در یک آگهی جمع می‌کنند: مهندس کیفیت بازیابی، مهندس اپلیکیشن LLM و مهندس زیرساخت. با عنوان‌های AI Engineer، Applied AI Engineer و Software Engineer (Search یا Retrieval) هم جستجو کنید و شرح آگهی را بخوانید.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
کارها مشخص‌ترند و زیر نظر یک مهندس ارشد انجام می‌شوند. بخش زیادی از وقت صرف آماده کردن اسناد، اجرای آزمایش‌ها و خواندن trace پاسخ‌های اشتباه می‌شود.
- ◆نوشتن parser برای یک نوع سند تازه و بررسی اینکه جدول‌ها و عنوان‌ها درست خوانده می‌شوند
- ◆افزودن چند پرسش تازه با پاسخ و منبع درست به مجموعهٔ ارزیابی
- ◆اجرای ارزیابی پس از تغییر اندازهٔ تکه‌ها و گزارش تغییر Recall@K
- ◆بررسی یک پاسخ اشتباه برای اینکه معلوم شود مشکل از بازیابی بوده یا از مدل
میانی (۲–۵ سال)
مسئولیت یک pipeline بازیابی را از ورود اسناد تا ارزیابی دارید و تصمیم‌ها را با عدد می‌گیرید، نه با حس.
- ◆افزودن جستجوی کلیدواژه‌ای و reranker به جستجوی برداری و مقایسهٔ نتیجه روی golden set
- ◆طراحی reindex پس‌زمینه برای اسنادی که مشتری اضافه یا ویرایش می‌کند
- ◆کم کردن تأخیر یک مرحلهٔ کند و سنجیدن اثرش روی کیفیت
- ◆جلسه با مدیر محصول و متخصص حوزه برای تعریف اینکه «پاسخ درست» برای یک نوع پرسش چیست
ارشد (۵+ سال)
تمرکز روی معماری بازیابی، روش ارزیابی، امنیت داده و راهنمایی دیگران است. تصمیم‌هایی که زود گرفته می‌شوند، مدت‌ها با تیم می‌مانند.
- ◆انتخاب پایگاه برداری و پارامترهای نمایه با در نظر گرفتن حافظه، تأخیر و هزینه
- ◆تعریف معیارها و مجموعه‌های ارزیابی‌ای که تیم به آن‌ها اعتماد کند
- ◆بازبینی طراحی از نظر کنترل دسترسی و جدا ماندن دادهٔ مشتریان
- ◆رسیدگی به افت کیفیت بازیابی در پروداکشن و نوشتن گزارش آن
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈ساخت و نگهداری pipeline ورود اسناد: parse کردن، تکه‌کردن (chunking)، ساخت embedding و نمایه‌سازی
- ◈به‌روز نگه داشتن نمایه با تغییر اسناد و reindex بدون قطع شدن جستجو
- ◈طراحی جستجو: ترکیب جستجوی معنایی و کلیدواژه‌ای، ادغام نتایج، فیلتر روی metadata و reranking
- ◈درک و بازنویسی پرسش و بازیابی چندمرحله‌ای برای ایجنت‌ها
- ◈اتصال سرویس بازیابی به مدل زبانی و ساخت API برای workflow های AI
- ◈ساخت لایهٔ ارزیابی: golden set، معیارهای بازیابی، تست رگرسیون و trace کردن پاسخ بد تا تکهٔ منبع
- ◈کم کردن تأخیر و هزینهٔ سیستم بازیابی
- ◈کنترل دسترسی، امنیت داده و جدا نگه داشتن دادهٔ مشتریان (tenant isolation)
- ◈پایش دقت بازیابی در پروداکشن و رفع مشکلات نمایه‌سازی
- ◈همکاری با تیم محصول و متخصصان حوزه برای تعریف اینکه پاسخ درست چیست
- ◈دنبال کردن فریم‌ورک‌ها و روش‌های تازهٔ بازیابی و پیشنهاد آن‌ها به تیم
- ◈تعیین نقشهٔ فنی بازیابی و راهنمایی مهندسان دیگر در سطح ارشد
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس RAG موفق به آن‌ها نیاز دارد
مهارت‌های فنی
زبان اصلی کار؛ Newcode.ai پنج سال تجربه می‌خواهد و MCI تسلط به Python برای برنامه‌های پروداکشن
FastAPI یا معادل آن، کارهای پس‌زمینه برای ورود و reindex اسناد، PostgreSQL و Redis زیر بار (آگهی Newcode.ai)
انتخاب و به کار بردن مدل embedding و پایگاه برداری؛ در آگهی‌های MCI، Asana، Pinecone و Anthropic آمده است
ترکیب جستجوی معنایی و واژگانی و ادغام نتایج؛ Newcode.ai، Pinecone و Anthropic آن را می‌خواهند
golden set، Recall@K، Precision@K، nDCG و MRR، و تست رگرسیون؛ Databricks و Newcode.ai آن را جزو هستهٔ کار آورده‌اند
parse کردن PDF و اسناد پیچیده و تکه‌کردن آن‌ها؛ Newcode.ai ورود اسناد OCR-محور در مقیاس بزرگ را می‌خواهد
مرتب کردن دوبارهٔ نتایج اولیه تا چند نتیجه‌ای که به مدل می‌رسد درست باشد؛ Databricks reranking با cross-encoder را نام برده است
Asana تجربهٔ عملی در مهندسی جستجو با این موتورها را شرط گذاشته است
انتخاب پارامترهای نمایه، توازن حافظه و تأخیر و reindex بدون قطع جستجو (آگهی Newcode.ai)
بازنویسی و تجزیهٔ پرسش و بازیابی چندمرحله‌ای؛ در آگهی‌های Databricks و Newcode.ai آمده است
Newcode.ai، PostgreSQL / SQL را جزو تجربه‌های لازم آورده و Databricks بازیابی روی جدول و کوئری را می‌خواهد
MCI آشنایی با AWS، Azure یا GCP را می‌خواهد و Docker و Kubernetes را امتیاز می‌داند؛ Pinecone آشنایی با Kubernetes و Terraform را
مهارت‌های نرم
Newcode.ai می‌خواهد بتوانید بگویید چه چیزی خراب شد، چطور پیدایش کردید و اعداد پیش و پس از رفع چه بود
مسئولیت کار تا نگهداری و بدهی فنی، نه فقط بخش جذاب آن (آگهی Newcode.ai)
MCI مهارت ارتباط و تعامل با ذی‌نفعان را می‌خواهد و Anthropic کار نزدیک با مدیر محصول، طراح و تیم‌های حریم خصوصی و حقوقی را
Newcode.ai می‌خواهد تحولات پایگاه‌های برداری و LLM را از سر کنجکاوی دنبال کنید و پروژهٔ جانبی یا بنچمارک خودتان را نشان دهید
Newcode.ai دیدگاه روشنی دربارهٔ جایی که این ابزارها کمک می‌کنند و جایی که نه، و بازبینی کد نوشته‌شده با AI می‌خواهد
دانش حوزه‌ای
نمایهٔ معکوس، BM25، جستجوی متراکم و learning-to-rank؛ Databricks تخصص عمیق IR را شرط گذاشته است
OWASP دسترسی غیرمجاز و نشت داده را اولین نمونهٔ ریسک «ضعف‌های بردار و embedding» در سیستم‌های RAG آورده است؛ Newcode.ai جداسازی سخت‌گیرانهٔ دادهٔ مشتریان را می‌خواهد
Newcode.ai بازیابی‌ای می‌خواهد که در زبان‌های مشتریان هم به خوبی انگلیسی کار کند
KORE1 می‌نویسد مهندسان RAG با تجربهٔ حوزه‌های سلامت، حقوقی یا مالی ۱۰ تا ۱۸٪ بالاتر از بازه‌های معمول حقوق می‌گیرند، چون ارزیابی در این حوزه‌ها سخت‌تر است
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس RAG
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایه‌ها: Python، Git، SQL و ساخت API
بیشتر کار مهندس RAG مهندسی بک‌اند است. آگهی Newcode.ai «Python قوی» و کار با FastAPI، PostgreSQL و Redis زیر بار را می‌خواهد و آگهی MCI تسلط به Python و تجربهٔ ساخت API یا microservice را. Python را تا جایی یاد بگیرید که سرویس تمیز و قابل تست بنویسید، با SQL راحت باشید و از همان ابتدا با Git کار کنید.
مبانی بازیابی اطلاعات و جستجو
این مرحله همان چیزی است که مهندس RAG را از کسی که فقط یک دموی RAG ساخته جدا می‌کند. آگهی Databricks «تخصص عمیق در Information Retrieval» می‌خواهد: جستجوی واژگانی مثل BM25، جستجوی برداری، ترکیب این دو و learning-to-rank. آگهی Newcode.ai هم پیشینهٔ IR و معیارهایی مثل BM25، NDCG و recall@k را در فهرست تجربه‌های مورد انتظار آورده است. یاد بگیرید نمایهٔ معکوس چطور کار می‌کند و کیفیت یک جستجو را چطور با عدد بسنجید.
Embedding، جستجوی برداری و hybrid search
متن را با مدل embedding به بردار تبدیل کنید، بردارها را در یک پایگاه برداری نگه دارید و جستجوی معنایی را با BM25 ترکیب کنید. Anthropic می‌نویسد مدل‌های embedding رابطهٔ معنایی را خوب می‌گیرند اما ممکن است تطابق دقیق را از دست بدهند و BM25 برای پرسش‌هایی با شناسه‌های خاص یا اصطلاحات فنی مؤثر است. آگهی Newcode.ai دقیقاً همین ترکیب را می‌خواهد: جستجوی معنایی و کلیدواژه‌ای در Qdrant، ادغام فهرست‌های رتبه‌بندی‌شده، فیلتر روی metadata و reranking.
ساخت RAG کامل و ارزیابی آن
یک RAG کامل بسازید: خواندن و تکه‌کردن اسناد، نمایه‌سازی، بازیابی، تولید پاسخ با ارجاع به منبع. بعد مهم‌ترین بخش را جدی بگیرید: ارزیابی. آگهی Newcode.ai از نامزد می‌خواهد یک golden set ساخته و نگه داشته باشد و نوشته تغییری را که فقط روی سه پرسش دستی بهتر به نظر رسیده منتشر نمی‌کند. آگهی Databricks هم ارزیابی آفلاین با nDCG، MRR و Recall@K، داوری با LLM و برچسب‌گذاری انسانی را می‌خواهد.
پروداکشن: به‌روز نگه داشتن نمایه، agentic retrieval و امنیت
در پروداکشن، اسناد مدام عوض می‌شوند و نمایه باید بدون قطع شدن جستجو به‌روز بماند؛ آگهی Newcode.ai صریحاً تجربهٔ reindex بدون از کار انداختن جستجو را می‌خواهد. بازیابی چندمرحله‌ای (agentic retrieval)، بودجهٔ تأخیر و هزینه، trace کردن یک پاسخ بد تا تکه‌ای که آن را ساخته، و جدا نگه داشتن دادهٔ مشتریان از هم هم بخشی از کار است. OWASP «ضعف‌های بردار و embedding» را یکی از ده ریسک اصلی برنامه‌های LLM در ۲۰۲۵ شمرده است.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
موتورهای جستجو و پایگاه‌های برداری
موتور جستجوی واژگانی و برداری؛ آگهی Asana تجربهٔ عملی با آن را شرط گذاشته و Databricks آن را در کنار Lucene نام برده است
پایگاه برداری؛ Newcode.ai جستجوی hybrid خود را روی آن اجرا می‌کند و دو سال تجربهٔ پایگاه برداری در پروداکشن می‌خواهد
پایگاه برداری Pinecone؛ در فهرست «امتیاز» آگهی MCI در کنار Weaviate، Milvus و Chroma آمده است
مدل‌های embedding و reranking
جدول مقایسهٔ مدل‌های embedding؛ برای انتخاب اولیه مفید است، اما تصمیم نهایی را مجموعهٔ ارزیابی خودتان می‌گیرد
مدل embedding متن‌باز از BAAI که به نوشتهٔ صفحهٔ مدل بیش از ۱۰۰ زبان را پشتیبانی می‌کند؛ برای آزمایش بازیابی روی زبان‌هایی غیر از انگلیسی
فریم‌ورک‌ها و پردازش اسناد
فریم‌ورک Python برای سرویس‌های API؛ Newcode.ai کل pipeline بازیابی را از طریق آن ارائه می‌کند
فریم‌ورک ساخت برنامه‌های LLM؛ ITJobsWatch آن را در ۳۳٫۸٪ آگهی‌های بریتانیایی که RAG می‌خواهند دیده است
ارزیابی و پایش
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
جونیور / ورود به حوزه
۰ تا ۲ سال
کار روی بخش‌های مشخص: نوشتن parser برای یک نوع سند، افزودن پرسش به مجموعهٔ ارزیابی، اجرای آزمایش chunking. آگهی جونیور با عنوان RAG کم است و KORE1 می‌نویسد در این سطح مالکیت واقعی یک سیستم RAG در پروداکشن کم پیش می‌آید؛ ورود معمولاً از نقش‌های جونیور AI Engineer، بک‌اند یا جستجو است
RAG Engineer / AI Engineer
۲ تا ۵ سال
مسئولیت یک pipeline بازیابی از ورود اسناد تا ارزیابی؛ آگهی RAG Engineer در MCI مدرک کارشناسی و دست‌کم سه سال تجربه در مهندسی نرم‌افزار، مهندسی AI، یادگیری ماشین یا بازیابی اطلاعات می‌خواهد و آگهی Apple برای Software Engineer, Search and RAG Applications دو سال تجربه
Senior RAG / Retrieval Engineer
۵+ سال
تصمیم‌های معماری بازیابی، تعریف معیارها و golden set و پاسخ‌گویی به افت کیفیت در پروداکشن؛ Newcode.ai پنج سال تجربهٔ بک‌اند می‌خواهد که دو سالش ساختن سیستم بازیابی یا RAG باشد، Pinecone معمولاً شش سال و Okta هفت سال
Staff / Principal
معمولاً ۱۰+ سال
تعیین جهت فنی بازیابی برای کل سازمان؛ آگهی Senior Staff در Databricks ده سال تجربه یا بیشتر می‌خواهد و از این نقش انتظار دارد نقشهٔ چندساله بچیند و مهندسان ارشد را راهنمایی کند
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
خطاهایی که دیده نمی‌شوند
عمومیآگهی Newcode.ai می‌گوید بازیابی جایی است که محصولات AI بی‌صدا شکست می‌خورند: پاسخ روان است و ارجاع اشتباه. بدون ارزیابی منظم، این خطاها تا وقتی کاربر یا مشتری پیدایشان کند دیده نمی‌شوند.
ساختن دادهٔ ارزیابی
عمومیسنجیدن کیفیت بازیابی به پرسش‌هایی با پاسخ و منبع درست نیاز دارد که کسی باید آن‌ها را برچسب بزند. Newcode.ai از نامزد می‌پرسد golden set او چند پرسش داشت و چه کسی برچسبشان زد، و Databricks ساختن pipeline برچسب‌گذاری انسانی را جزو کار آورده است.
اسناد نامرتب و دادهٔ ناهمگون
عمومیاسناد واقعی اسکن‌شده‌اند، جدول دارند یا در چند سیستم پخش‌اند. Newcode.ai تجربهٔ ورود اسناد OCR-محور را می‌خواهد و Databricks بازیابی همزمان روی جدول، کد، اسناد، تیکت و حتی تصویر و صدا را؛ هر کدام نشانه‌های خودش را دارد.
تازگی نمایه، دسترسی‌ها و امنیت
شرکت بزرگاسناد مدام تغییر می‌کنند و هر کاربر فقط باید اسنادی را ببیند که اجازه دارد. Databricks می‌خواهد هر منبع با تازگی و دسترسی‌های خودش مدیریت شود و OWASP دسترسی غیرمجاز و نشت داده از embedding ها را از ریسک‌های اصلی سیستم‌های RAG می‌داند.
تأخیر و هزینه
عمومیهر مرحلهٔ بازیابی، reranking و فراخوانی مدل به تأخیر و هزینه اضافه می‌کند. Asana کم کردن تأخیر و هزینهٔ سیستم بازیابی را اولین هدف نقش آورده و Newcode.ai برای حلقه‌های بازیابی ایجنتی بودجهٔ هزینه و تأخیر می‌خواهد.
زبان‌های غیر انگلیسی
عمومیروشهایی که روی انگلیسی خوب کار می‌کنند در زبان‌های دیگر ممکن است شکست بخورند. Newcode.ai می‌نویسد ترکیب و صرف کلمات بازیابی کلیدواژه‌ای را طوری خراب می‌کند که مجموعهٔ ارزیابی انگلیسی هرگز نشانش نمی‌دهد. کسی که روی متن فارسی کار کرده، این مشکل را از نزدیک می‌شناسد.
آگهی‌های ارشدمحور و عنوان پراکنده
عمومیبیشتر آگهی‌های این حوزه تجربهٔ زیاد می‌خواهند: Newcode.ai پنج سال، Pinecone معمولاً شش، Okta هفت و Databricks ده سال یا بیشتر. KORE1 هم می‌نویسد در سطح جونیور مالکیت واقعی RAG در پروداکشن کم است. MCI با سه سال و Apple با دو سال تجربه از استثناها هستند. عنوان هم پراکنده است و باید شرح هر آگهی را خواند.
حقوق و بازار کار جهانی
حقوق جهانی مهندس RAG
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- KORE1 (IT recruiter) RAG hiring guide, updated Aug 6 2026: base range of its 2026 US-metro placements, 6–9 yrs; median = midpoint
- ITJobsWatch, 6 months to 22 Oct 2026: UK permanent ads citing the RAG skill; 25th–75th pct, median (331 salaries)
- Okta posting, Staff Machine Learning Engineer, Generative AI (Toronto, 7+ yrs, RAG workflows), Aug 2026: posted Canada base range; median = midpoint
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۲: embedding و جستجوی برداری
با Sentence Transformers embedding بسازید، در pgvector یا Qdrant نگه دارید و با BM25 مقایسه کنید.
ماه ۳: یک RAG کامل با ارجاع
یک RAG روی اسناد واقعی بسازید که منبع هر پاسخ را نشان دهد.
ماه ۴: ارزیابی
یک golden set بنویسید، بازیابی و پاسخ را جدا بسنجید و ارزیابی را خودکار کنید.
ماه ۵: hybrid search، reranking و contextual retrieval
جستجوی hybrid و یک reranker اضافه کنید و اثر هر کدام را روی مجموعهٔ ارزیابی خودتان اندازه بگیرید.
پروژه‌های پیشنهادی برای رزومه
پرسش‌وپاسخ روی اسناد با ارجاع دقیق و golden set
مبتدیروی چند ده سند یک RAG بسازید که در کنار هر پاسخ، سند و بخش منبع را نشان دهد. از همان ابتدا ۵۰ پرسش با پاسخ و منبع درست بنویسید و نشان دهید سیستم در چند درصد موارد منبع درست را بازیابی می‌کند.
مقایسهٔ BM25، جستجوی برداری و hybrid با reranker
متوسطروی یک مجموعه‌دادهٔ BEIR سه روش را با Recall@K و nDCG مقایسه کنید: فقط BM25، فقط embedding، و ترکیب این دو با یک reranker. در README نشان دهید هر روش روی چه نوع پرسشی بهتر یا بدتر بود.
بازیابی روی متن فارسی
متوسطیک مجموعهٔ کوچک ارزیابی فارسی بسازید (مثلاً از اسناد عمومی یک حوزه) و BM25 را با یک مدل embedding چندزبانه مقایسه کنید. خطاهایی را که از املا، نیم‌فاصله یا شکل‌های مختلف یک کلمه می‌آیند مستند کنید؛ آگهی Newcode.ai صریحاً بازیابی‌ای می‌خواهد که در زبان‌های دیگر هم به خوبی انگلیسی کار کند.
نمایه‌سازی افزایشی و reindex بدون قطعی
پیشرفتهسرویسی بسازید که اسناد تازه و ویرایش‌شده را در پس‌زمینه نمایه کند، اسناد حذف‌شده را از نتایج بیرون بکشد و مدل embedding را بدون از کار انداختن جستجو عوض کند. دسترسی را هم در نظر بگیرید: هر کاربر فقط اسنادی را ببیند که اجازه‌اش را دارد.
بازیابی چندمرحله‌ای (agentic retrieval) با بودجهٔ هزینه
پیشرفتهسیستمی بسازید که پرسش پیچیده را به چند پرسش ساده بشکند، با ابزار جستجو چند بار بگردد و تصمیم بگیرد کی اطلاعات کافی جمع شده است. تعداد فراخوانی‌ها، تأخیر و هزینه را برای هر پرسش اندازه بگیرید و با RAG یک‌مرحله‌ای روی همان مجموعهٔ ارزیابی مقایسه کنید.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
به گفتهٔ وب‌سایت شخصی‌اش، دکترایش را با راهنمایی Sebastian Riedel و Pontus Stenetorp گذرانده و وقتش را میان آزمایشگاه FAIR در Meta AI و University College London تقسیم کرده است. پس از آن پژوهشگر FAIR بوده و اکنون پژوهشگر هوش مصنوعی و پردازش زبان طبیعی در Cohere در لندن است.
نویسندهٔ اول مقالهٔ «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks» در NeurIPS 2020 است؛ مقاله‌ای که به نوشتهٔ ویکی‌پدیا اصطلاح RAG را معرفی کرد و در آن حافظهٔ بیرونی مدل یک نمایهٔ برداری از ویکی‌پدیا بود که با یک بازیاب عصبی خوانده می‌شد. خودش می‌نویسد کارش در محل تلاقی بازیابی اطلاعات و مدل‌های زبانی است. مقالهٔ دیگری از او دربارهٔ هم‌پوشانی پرسش‌های آموزش و تست در مجموعه‌داده‌های پرسش‌وپاسخ، Best Paper کنفرانس EACL 2021 شد.
RAG از ترکیب دو حوزه آمد: بازیابی اطلاعات و مدل‌های زبانی. به نظر می‌رسد کسی که در این کار موفق است هر دو طرف را جدی می‌گیرد، نه فقط یکی را.
استادیار MIT در دانشکدهٔ EECS و عضو CSAIL است و آزمایشگاه OASYS را رهبری می‌کند. به نوشتهٔ وب‌سایتش، در پاییز ۲۰۲۶ درس تازه‌ای با عنوان AI Engineering (6.S978) را در MIT ارائه می‌کند.
سازندهٔ ColBERT است که به نوشتهٔ خودش الگوی late interaction را معرفی کرد و در شکل‌گیری جستجوی امروزی نقش داشت، و DSPy که آن را نخستین و پرکاربردترین مدل برنامه‌نویسی declarative برای سیستم‌های LLM می‌داند. به گفتهٔ او سه پروژه از کارهای گروهش اکنون هر ماه چند میلیون بار دانلود می‌شوند.
کارهای او به شکل ابزار متن‌باز منتشر شده‌اند و از همین راه به دست مهندسان رسیده‌اند. برای کسی که وارد این حوزه می‌شود، کار کردن با این ابزارها و خواندن کدشان راهی است برای دیدن ایده‌های پژوهشی در عمل.
به گفتهٔ وب‌سایت شخصی‌اش، اکنون Developer Experience Engineer در تیم Codex در OpenAI است و سازندهٔ Instructor، کتابخانهٔ Python برای گرفتن خروجی ساختاریافته از LLM ها.
پیش از آن یک کسب‌وکار مشاورهٔ یک‌نفره داشت و به شرکت‌هایی مثل Zapier، HubSpot، Weights & Biases، Modal Labs، Timescale و Pydantic در گذار به AI کمک می‌کرد. دوره‌های گروهی دربارهٔ RAG، ایجنت‌ها و مشاورهٔ مستقل هم برگزار کرد. در مقالهٔ «Systematically Improving Your RAG» روشش را برای بهتر کردن RAG شرح داده است: شروع با دادهٔ مصنوعی برای ارزیابی، استفاده از metadata، ترکیب جستجوی متن کامل و برداری، گرفتن بازخورد روشن از کاربر و پایش و آزمایش مداوم.
او تجربه‌اش را در قالب مقاله‌های عملی و دوره منتشر کرده است. به نظر می‌رسد در این حوزه، نوشتن دربارهٔ اینکه یک سیستم RAG را چطور سنجیده و بهتر کرده‌اید، خودش بخشی از رزومه است.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Senior RAG Engineer
تحلیل نیازمندی‌ها
At least five years building backend systems that run in production, and at least two of them shipping retrieval or RAG systems real users depend on. Backend depth without production retrieval won't be enough for this role, but our Senior Backend Engineer role might be the better fit.
پایهٔ این نقش مهندسی بک‌اند است، اما کافی نیست: دو سال از پنج سال باید صرف سیستم بازیابی‌ای شده باشد که کاربر واقعی به آن تکیه کرده است. خود آگهی کسی را که فقط بک‌اند بلد است به نقش دیگری ارجاع می‌دهد.
ضروریYou've diagnosed a retrieval regression in production and fixed it. You can tell us what broke, how you found it, and what the numbers were before and after.
در مصاحبه داستان یک خرابی واقعی را می‌خواهند، با عدد. اگر هنوز تجربهٔ کاری ندارید، پروژه‌ای بسازید که در آن یک افت کیفیت را پیدا کرده و با معیار مشخص رفع کرده باشید و همین را مستند کنید.
ضروریYou've built and maintained a golden set. How many queries, who labelled them, which metrics you trust, and a change you shipped or killed because of what they told you.
golden set مجموعه‌ای از پرسش‌ها با پاسخ و منبع درست است. مهم این است که فقط ساخته نشده باشد؛ باید نشان دهید بر اساس آن تصمیم گرفته‌اید، تغییری را منتشر یا کنار گذاشته‌اید.
ضروریYou've run a vector index in production: picked index parameters, dealt with the memory and latency trade-offs, and reindexed without taking search down.
کار با پایگاه برداری فقط صدا زدن API نیست. باید بدانید پارامترهای نمایه چه اثری بر حافظه و سرعت دارند و چطور نمایه را عوض کنید بی‌آنکه کاربر چیزی حس کند.
ضروریStrong Python. Comfortable reasoning about FastAPI or a close equivalent, PostgreSQL and Redis under load.
Python برای نوشتن سرویس، نه نوت‌بوک. «زیر بار» یعنی باید بدانید سرویس وقتی کاربر زیادی دارد کجا کند یا خراب می‌شود.
ضروریYou don't ship a retrieval change because the output looked better on the three queries you tried by hand.
این جمله فرهنگ کار را نشان می‌دهد: هر تغییر باید روی مجموعهٔ ارزیابی سنجیده شود. امتحان دستی چند پرسش برای تصمیم کافی نیست.
مهمOCR-heavy document ingestion at scale; an information-retrieval background (BM25, NDCG, recall@k); search abstractions spanning more than one backend.
«OCR-محور» یعنی بخش زیادی از اسنادی که به سیستم می‌رسند تصویر یا اسکن‌اند و پیش از هر جستجویی باید درست به متن تبدیل شوند. پیشینهٔ بازیابی اطلاعات یعنی BM25 و معیارهایی مثل NDCG و recall@k را بشناسید، نه فقط جستجوی برداری را.
مهمYou've worked with AI coding assistants and have a view on where they help and where they don't. If your current employer forbids them, that's not a mark against you. Tell us how you'd review AI-written code instead.
انتظار دارند با دستیارهای کدنویسی کار کرده باشید، اما مهم‌تر دیدگاه شماست: کجا کمک می‌کنند و کد نوشته‌شده با آن‌ها را چطور بازبینی می‌کنید.
مفیدتحلیل مسئولیت‌ها
Own the retrieval pipeline end to end: document parsing and chunking, embeddings, indexing, and keeping all of it current as clients add and change material. Exposed through FastAPI, with ingestion and reindexing running as background jobs.
کل مسیر مال شماست، از خواندن سند تا نمایه. بخش «به‌روز نگه داشتن» اغلب دست‌کم گرفته می‌شود: هر بار که مشتری سندی اضافه یا ویرایش می‌کند، نمایه باید در پس‌زمینه درست شود.
Design how we search. Combining semantic and keyword retrieval in Qdrant, fusing ranked lists, filtering on metadata, and reranking so the handful of results we pass to the model are the right ones.
قلب کار همین است: جستجوی معنایی و کلیدواژه‌ای را ترکیب کنید، نتایج را ادغام و فیلتر کنید و دوباره مرتب کنید، چون فقط چند نتیجهٔ اول به مدل می‌رسد.
Build agentic retrieval: query decomposition, the tools a model uses to search and navigate documents, multi-step loops that know when to stop, and the cost and latency budgets that keep them honest.
برای پرسش‌های پیچیده، مدل خودش چند بار جستجو می‌کند. کار شما طراحی ابزارهای این جستجو و قاعدهٔ توقف است، طوری که هزینه و زمان از کنترل خارج نشود.
Build the evaluation layer that tells us any of this is working: golden sets, retrieval metrics, regression tests on realistic client data, and tracing good enough that a bad answer leads you back to the chunk that caused it.
ارزیابی در این نقش یک کار جانبی نیست، بخشی از محصول است. trace خوب یعنی بتوانید از یک پاسخ اشتباه به تکه‌ای برسید که آن را ساخته است.
Take data security and isolation seriously. Clients hand us privileged material, and tenants stay strictly separated.
اسناد حقوقی محرمانه‌اند. سیستم بازیابی نباید هیچ‌وقت سند یک مشتری را در نتایج مشتری دیگر نشان دهد؛ این را باید از ابتدا در طراحی نمایه و جستجو در نظر گرفت.
Make retrieval hold up across our clients' languages as well as it does in English. Compounding and inflection break sparse retrieval in ways an English eval set never shows you.
زبان‌هایی که کلمه‌ها را به هم می‌چسبانند یا صرف می‌کنند، جستجوی کلیدواژه‌ای را دچار مشکل می‌کنند. اگر با متن فارسی کار کرده باشید، دیده‌اید که یک کلمه می‌تواند به چند شکل نوشته شود؛ این تجربه اینجا یک مزیت است.
نتیجه‌گیری کلی
این آگهی از معدود آگهی‌هایی است که عنوان دقیق «RAG Engineer» دارند و خوب نشان می‌دهد این نقش در عمل چیست: یک مهندس بک‌اند ارشد که مالک کل مسیر بازیابی است و کیفیت آن را با عدد ثابت می‌کند. بیشترین تأکید آگهی بر ارزیابی است: golden set، معیارهای بازیابی، تست رگرسیون و trace. حقوق در آگهی اعلام نشده و شرکت حمایت ویزا نمی‌کند. برای مقایسه، آگهی‌های مشابه در آمریکا بازهٔ حقوق را اعلام کرده‌اند: Apple برای Software Engineer, Search and RAG Applications با دو سال تجربه ۱۴۲٬۳۰۰ تا ۲۲۵٬۳۰۰ دلار بسته به محل، Pinecone برای نقش Senior/Staff جستجو و بازیابی ۱۹۰ تا ۲۷۰ هزار دلار و Databricks برای Senior Staff ۲۲۸٬۶۰۰ تا ۳۴۲٬۸۰۰ دلار.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
ITJobsWatch در بریتانیا در شش ماه منتهی به ۲۲ اکتبر ۲۰۲۶، ۵۳۲ آگهی استخدام دائم را شمرده که مهارت Retrieval-Augmented Generation را خواسته‌اند؛ در همین بازه در ۲۰۲۵ این عدد ۸۵ و در ۲۰۲۴، ۱۸ بود. سهم این آگهی‌ها از کل آگهی‌های دائم بریتانیا هم از ۰٫۱۷٪ به ۰٫۴۴٪ رسیده است. این رقم مهارت را می‌شمارد، نه عنوان شغلی را.
منبع: ITJobsWatch (UK), 6 months to 22 Oct 2026
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
در گزارش Future of Jobs 2025 مجمع جهانی اقتصاد (WEF)، کارفرمایانِ شرکت‌کننده در نظرسنجی «متخصصان AI و یادگیری ماشین» را سومین و «توسعه‌دهندگان نرم‌افزار و اپلیکیشن» را چهارمین شغل سریع‌الرشد تا ۲۰۳۰ (از نظر درصد) دانسته‌اند.
BLS آمریکا پیش‌بینی می‌کند اشتغال در گروه رسمی «توسعه‌دهندگان نرم‌افزار، تحلیلگران تضمین کیفیت و تسترها» از ۲۰۲۵ تا ۲۰۳۵، ۱۰٪ رشد کند، بسیار سریع‌تر از میانگین همهٔ مشاغل، و گسترش توسعهٔ نرم‌افزار برای هوش مصنوعی را یکی از دلایل آن می‌داند. گروه رسمی جداگانه‌ای برای RAG Engineer وجود ندارد.
از منابع چند نکته پیداست. اول، سطح تجربهٔ خواسته‌شده بالاست: Newcode.ai پنج سال، Pinecone معمولاً شش، Okta هفت و Databricks ده سال یا بیشتر می‌خواهند و KORE1 می‌نویسد در سطح جونیور مالکیت واقعی RAG در پروداکشن کم پیش می‌آید. دوم، برای مجموعه‌های کوچک RAG همیشه لازم نیست؛ Anthropic می‌نویسد پایگاه دانش کمتر از ۲۰۰٬۰۰۰ توکن (حدود ۵۰۰ صفحه) را می‌شود کامل در پرامپت گذاشت، پس ارزش این تخصص در مجموعه‌های بزرگ، متغیر و حساس است. سوم، عنوان شغلی ناپایدار است: در بررسی ما هیچ عنوانی «RAG» نداشت و KORE1 می‌نویسد آگهی‌های RAG اغلب سه نقش متفاوت را در یک آگهی جمع می‌کنند؛ کسی که فقط این عنوان را جستجو کند، بیشتر فرصت‌ها را نمی‌بیند. چهارم، امنیت: OWASP ضعف‌های بردار و embedding را در فهرست ده ریسک اصلی برنامه‌های LLM در ۲۰۲۵ گذاشته است.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۲۴ منبع بررسی شده است.
- Senior RAG Engineer — Newcode.ai (job posting)
- RAG Engineer — MCI (job posting)
- Software Engineer, Search and RAG Applications — Apple (job posting)
- Senior Staff Applied AI Engineer - Context Retrieval — Databricks (job posting)
- Senior Software Engineer, AI Retrieval — Asana (job posting)
- Senior/Staff Software Engineer, Search & Retrieval Infrastructure — Pinecone (job posting)
- Staff+ Software Engineer, Memory & Search — Anthropic (job posting)
- Staff Machine Learning Engineer, Generative AI (Auth0) — Okta (job posting)
- ITJobsWatch — Retrieval-Augmented Generation (UK job trends and salaries)
- KORE1 — How to Hire RAG Engineers in 2026: Salary, Skills & Interview Guide
- LinkedIn Jobs on the Rise 2026: The 25 fastest-growing roles in the U.S.
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- BLS Occupational Outlook Handbook — Software Developers, Quality Assurance Analysts, and Testers
- Retrieval-augmented generation — Wikipedia
- Lewis et al. — Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv, 2020)
- Liu et al. — Lost in the Middle: How Language Models Use Long Contexts (arXiv, 2023)
- Anthropic — Contextual retrieval in AI systems
- OWASP LLM08:2025 Vector and Embedding Weaknesses
- Patrick Lewis — personal site
- Omar Khattab — personal site
- Jason Liu — Introductions
- Jason Liu — Systematically Improving Your RAG
- DeepLearning.AI — Retrieval Augmented Generation (RAG) course
- AI-Powered Search — Grainger, Turnbull, Irwin (Manning)