مسئولیت‌های کلیدی:

• طراحی، توسعه و پیاده‌سازی ابزارها و سرویس‌های داخلی مبتنی بر LLM و AI Agent
• شناسایی فرصت‌های استفاده از هوش مصنوعی در تحلیل، طراحی، توسعه، تست، Code Review، امنیت و مستندسازی نرم‌افزار
• طراحی و پیاده‌سازی Agentic Workflows با استفاده از Tool Calling، MCP و سایر قابلیت‌های مرتبط
• توسعه نمونه‌های اولیه (Prototype) و اعتبارسنجی راهکارها پیش از استفاده عملیاتی
• مشارکت در توسعه زیرساخت‌ها و ابزارهای مشترک هوش مصنوعی برای تیم‌های فنی
• بررسی و مقایسه مستمر مدل‌های زبانی، Coding Agentها و ابزارهای AI-assisted Development
• طراحی و اجرای Benchmark و چارچوب‌های ارزیابی برای سنجش عملکرد مدل‌ها و Agentها
• بهینه‌سازی Context Engineering، مدیریت Context Window و مصرف Token
• پایش کیفیت، قابلیت اطمینان و هزینه راهکارهای مبتنی بر هوش مصنوعی و بهبود مستمر آن‌ها
• طراحی راهکارهای خودکارسازی فعالیت‌های تکراری و بهبود بهره‌وری تیم‌های توسعه
• مشارکت در تعریف استانداردها و بهترین روش‌های استفاده از AI در چرخه توسعه نرم‌افزار
• همکاری نزدیک با تیم‌های مهندسی برای شناسایی چالش‌ها و تبدیل نیازهای واقعی به راهکارهای کاربردی
• مستندسازی راهکارها، انتقال دانش و کمک به توسعه توانمندی‌های تیم در استفاده مؤثر از هوش مصنوعی
• مشارکت در حرکت تدریجی سازمان به سمت Agentic Software Development

شایستگی‌ها و مهارت‌های موردنیاز

• سابقه حرفه‌ای قابل توجه در توسعه نرم‌افزار و حل مسائل پیچیده مهندسی
• تسلط به اصول مهندسی نرم‌افزار، طراحی و معماری سیستم‌ها، توسعه API، Git، تست و فرآیندهای توسعه
• تجربه عملی در طراحی و پیاده‌سازی راهکارهای مبتنی بر مدل‌های زبانی بزرگ (LLM)
• تجربه کار با API مدل‌های زبانی و سرویس‌دهنده‌های مختلف
• شناخت عمیق از مفاهیم Token، Context Window و Context Engineering و روش‌های بهینه‌سازی کیفیت و هزینه
• تجربه عملی کار با Coding Agentها و ابزارهای توسعه نرم‌افزار مبتنی بر AI
• آشنایی کاربردی با معماری Agentها، Tool Calling، MCP و Agentic Workflows
• توانایی طراحی فرآیندهای ارزیابی و مقایسه مدل‌ها از نظر کیفیت، کارایی، سرعت و هزینه
• توانایی توسعه سریع Prototype و تبدیل راهکارهای موفق به ابزارهای پایدار و قابل استفاده
• مهارت در تحلیل مسئله، تصمیم‌گیری فنی و ارائه راهکارهای عملی و مقیاس‌پذیر

• تجربه طراحی و توسعه سیستم‌های Agentic یا Multi-Agent
• تجربه ساخت ابزارها، سرویس‌ها یا پلتفرم‌های داخلی برای تیم‌های مهندسی نرم‌افزار
• آشنایی عملی با RAG، Embedding و Vector Database
• تجربه پیاده‌سازی LLM Evaluation، Observability و Cost Monitoring
• تجربه استفاده از AI در Automated Testing، Code Review، Application Security یا Incident Analysis
• آشنایی با سیستم‌های توزیع‌شده، Cloud و معماری زیرساخت‌های مقیاس‌پذیر
• تجربه استقرار، پایش و نگهداری راهکارهای AI در محیط عملیاتی (Production)