تیم فنی شرکت تپسل به دنبال جذب یک مهندس هوش مصنوعی است تا طراحی و توسعه ابزارها و زیرساخت‌های هوشمند مبتنی بر مدل‌های زبانی را توسعه دهد. تمرکز این نقش بر معماری سیستم‌های Agentic، پیاده‌سازی MCP و توسعه سرویس‌های LLM و RAG در مقیاس سازمانی است؛ اگر تجربه طراحی و پیاده‌سازی سیستم‌های مبتنی بر LLM را دارید و از کار در تلاقی مهندسی نرم‌افزار و هوش مصنوعی لذت می‌برید، این فرصت برای شماست.

مسئولیت‌ها و وظایف

• مشارکت در طراحی، توسعه و نگه‌داری پلتفرم‌های نرم‌افزاری پیچیده و مقیاس‌پذیر که زیرساخت ابزارهای هوش مصنوعی را تشکیل می‌دهند
• مشارکت در ارزیابی ابزارها و harness موجود در Agentهای روزمره هوش مصنوعی در تیم‌های توسعه
• بنچمارک مدل‌های LLM فعلی برای ابزارها و عملکرد Agentها در چرخه توسعه نرم‌افزار
• طراحی و پیاده‌سازی معماری‌های Agentic (با قابلیت Reasoning، Planning و Tool calling)
• خطایابی، مانیتورینگ و بهبود عملکرد سیستم‌های نرم‌افزاری
• بهبود مستمر کیفیت ابزارها و سیستم‌های هوش مصنوعی، شامل نوشتن تست، بررسی کد و مستندسازی تغییرات، برای اطمینان از عملکرد صحیح
• توسعه و نگه‌داری سرویس‌های مبتنی بر LLM و سیستم‌های RAG در مقیاس سازمانی
• طراحی و پیاده‌سازی MCP (Model Context Protocol) برای مدیریت context، ابزارها و ارتباط ساختاریافته بین مدل‌های زبانی و سیستم‌های داخلی
• یادگیری مستمر و به‌روز ماندن در مفاهیم و فناوری‌های جدید

مهارت‌ها و توانمندی‌ها

• تسلط بر زبان برنامه‌نویسی Python
• تسلط بر فریم‌ورک‌های توسعه APIهای وب مانند FastAPI
• تسلط بر اصول مهندسی نرم‌افزار، الگوهای طراحی و معماری نرم‌افزار
• تسلط بر Harness و Context Management در ابزارها و نحوه طراحی آن در سیستم‌های Agentic
• تسلط بر روش‌های مشاهده‌پذیری در معماری سیستم‌های Agentic
• تسلط بر RAG، Embedding Systems و Vector Databases
• تسلط بر طراحی سیستم‌های مبتنی بر Agent Architecture (Tool Calling، Memory Management، Multi-Agent Orchestration)
• آشنایی با مفاهیم پایگاه داده‌های تراکنشی و تحلیلی و تجربه کار با پایگاه‌های داده SQL/NoSQL مانند MongoDB، PostgreSQL یا موارد مشابه
• تسلط بر طراحی و پیاده‌سازی MCP یا پروتکل‌های مشابه برای مدیریت Context و Tooling در سیستم‌های LLM-based
• آشنایی با فریم‌ورک‌ها و کتابخانه‌های مرسوم مانند LangChain، LlamaIndex، LangGraph و Transformers و نظایر آن
• آشنایی با ابزارهای پردازش جریانی داده مانند Kafka برای کار با داده‌های بلادرنگ
• آشنایی با سیستم‌های Knowledge Graph
• آشنایی با Docker و مفاهیم اولیه Kubernetes
• آشنایی با مفاهیم CI/CD و ابزارهای استقرار خودکار
• آشنایی با زبان Java/Kotlin (امتیاز محسوب می‌شود)