شرح موقعیت
ما در رقم به دنبال یک AI Agent Engineer هستیم؛ کسی که صرفاً با API مدلهای زبانی کار نکرده باشد، بلکه تجربه واقعی در طراحی و توسعه Agentهای هوشمند و سیستمهای Agentic داشته باشد. اگر تا امروز خودت Agent ساختهای، با LLMها، Tool Calling، حافظه، Workflow، RAG و Orchestration کار کردهای و از ساختن سیستمهایی که بتوانند هدف را بفهمند، تصمیم بگیرند، ابزار استفاده کنند و یک کار را تا رسیدن به نتیجه دنبال کنند لذت میبری، احتمالاً جای تو در تیم ماست. چیزی که برای ما خیلی مهم است تجربه عملی مهمتر از مدرک و اسم ابزارهاست. ما دنبال کسی نیستیم که فقط دورههای AI را دیده باشد یا چند Chatbot با API ساخته باشد. امتیاز بسیار بزرگی محسوب میشود اگر بتوانی یکی از Agentهایی را که قبلاً ساختهای نشان بدهی و توضیح بدهی: GitHub، نمونهکار یا Demo واقعی، بسیار ارزشمند است. مهارتهای مورد انتظار لازم نیست همه این ابزارها را بلد باشی؛ درک معماری و تجربه ساخت سیستم واقعی برای ما مهمتر از نام Framework است. مزیت محسوب میشود اگر درباره رقم رقم یک پلتفرم حسابداری ابری برای کسبوکارهای خرد است و ما در حال بررسی و توسعه نسل جدیدی از قابلیتهای AI برای کمک به صاحبان کسبوکار در انجام کارهای روزمرهشان هستیم. هدف ما ساخت یک Chatbot دیگر نیست. میخواهیم AI بتواند کار انجام دهد؛ اطلاعات را بررسی کند، ابزار مناسب را انتخاب کند، با سیستمهای رقم تعامل داشته باشد و در چارچوب مشخص، بخشی از کارهای واقعی کاربر را به انجام برساند. به همین دلیل به کسی نیاز داریم که بتواند از مرحله ایده و Prototype عبور کند و Agent را به یک سیستم قابل اتکا در محصول واقعی تبدیل کند. برای درخواست همکاری رزومه خود را ارسال کنید و اگر تجربه ساخت Agent دارید، حتماً نمونهکار، GitHub، Demo یا توضیح کوتاهی از یکی از Agentهایی که خودتان ساختهاید نیز ارسال کنید. در این موقعیت، یک پروژه واقعی که خودت ساختهای، برای ما از چند صفحه رزومه ارزشمندتر است.
مسئولیتها
- طراحی و توسعه AI Agentهای قابل استفاده در محصول
- طراحی معماری سیستمهای Agentic و Multi-Agent
- اتصال Agentها به ابزارها، APIها، دیتابیس و سرویسهای داخلی
- پیادهسازی Tool Calling / Function Calling
- کار با LLMها و طراحی Prompt / Context
- پیادهسازی Memory و مدیریت Context
- استفاده و توسعه RAG و سیستمهای مبتنی بر Knowledge
- طراحی Workflowهای چندمرحلهای و قابل اعتماد
- ارزیابی، Debug و بهبود عملکرد Agentها
- توجه به هزینه، Latency، Reliability و کیفیت خروجی
- همکاری نزدیک با تیم محصول و Backend برای تبدیل قابلیتهای AI به محصول واقعی
- Agent چه مسئلهای را حل میکرد؟
- چگونه تصمیم میگرفت؟
- چه Toolهایی در اختیارش بود؟
- چگونه Context و Memory را مدیریت میکردی؟
- اگر Agent اشتباه میکرد، چطور آن را تشخیص و اصلاح میکردی؟
- چگونه کیفیت و هزینه سیستم را اندازهگیری میکردی؟
- تجربه عملی با LLMها و APIهای مدلهای زبانی
- Python و/یا TypeScript
- تجربه ساخت AI Agent یا Agentic Workflow
- آشنایی با Tool Calling / Function Calling
- آشنایی با RAG، Embedding و Vector Database
- آشنایی با یکی یا چند مورد از Frameworkهای Agentic مانند:
- LangGraph
- LangChain
- OpenAI Agents SDK
- CrewAI
- AutoGen
- یا ابزارهای مشابه
- تجربه ساخت Agentهای Production داشته باشی
- با سیستمهای Multi-Agent کار کرده باشی
- تجربه اتصال Agent به دیتابیس و APIهای واقعی داشته باشی
- با Observability و Evaluation سیستمهای LLM آشنا باشی
- تجربه کار با Docker و سرویسهای Cloud داشته باشی
- با Backend و معماری سرویسها آشنا باشی
- تجربه ساخت محصول AI داشته باشی، نه فقط Prototype
نیازمندیها
- Ai
- Engineer