گزارش استخدام: معماری LLM جایگزین طراحی سیستم در مصاحبه‌ها شد

اگر امروز برای جایگاه مهندسی هوش مصنوعی رزومه می‌فرستید، دیگر دانستن نحوه مقیاس‌بندی یک پایگاه‌داده برای عبور از فیلتر مصاحبه کافی نیست. طبق گزارشی که در ۹ اوت ۲۰۲۶ توسط AI Tech Connect منتشر شد، تیم‌های توسعه‌دهنده بر پایه مدل‌های زبانی بزرگ، سناریوهای کلاسیک طراحی سیستم را با بحث‌های عملی درباره سیستم‌های جاری جایگزین کرده‌اند.

برای یک دهه، متقاضیان برای حل مسائل ثابتی مثل طراحی فید خبری یا کوتاه‌کننده‌های لینک آماده می‌شدند. این فرآیند بر توازن‌کننده‌های بار (Load Balancers)، حافظه پنهان (Caching) و سازگاری پایگاه‌داده متمرکز بود. همان‌طور که در تحلیل قبلی ما درباره عدم اطمینان به داوران هوش مصنوعی اشاره کردیم، صنعت اکنون به سمتی می‌رود که مهندسان را بر اساس نحوه مدیریت پیش‌بینی‌ناپذیریِ هوش مصنوعی زاینده (Generative AI) — شبیه مدیریت یک کارمند باهوش اما گاهی غیرقابل‌ پیش‌بینی — بسنجد. در همین راستا، ابزارهای جدیدی برای شبیه‌سازی این تعاملات پیچیده ظهور کرده‌اند که تأثیر مکالمات صوتی در برابر متون استاتیک را در مصاحبه‌های فنی بررسی می‌کنند.

به گزارش این منبع، مصاحبه‌های مدرن اکنون بر چهار ستون فنی متمرکز شده‌اند:

• خط‌لوله‌های بازیابی (Retrieval Pipelines): طراحی سیستم‌های تولید بازیابی‌افزا (RAG) — مثل دانش‌آموزی که قبل از جواب دادن، اول کتاب درسی را باز می‌کند — برای متصل کردن مدل‌ها به داده‌های خصوصی.
• معماری عامل‌ها (Agent Architectures): برنامه‌ریزی برای گردش‌کارهای چندمرحله‌ای و منطق استفاده از ابزار.
• سیستم‌های ارزیابی (Evaluation Harnesses): ساخت چارچوب‌هایی برای اندازه‌گیری صحت مدل و رانش (Drift) داده‌ها.
• هزینه استنتاج (Inference Cost): بهینه‌سازی موازنه مالی و محاسباتی برای اجرای مدل‌ها در مقیاس بالا — شبیه مدیریت کرایه یک آشپزخانه صنعتی برای تولید انبوه غذا.

این چرخش به این معناست که دانش عمومی طراحی سیستم دیگر کفایت نمی‌کند. اثر ثانویه این تغییر، تنگ‌تر شدن دروازه ورود برای مهندسان AI است؛ شما باید ثابت کنید می‌توانید با شکست‌های خاص مدل‌ها، مثل توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که وجود ندارد — و تأخیر (Latency) مقابله کنید، نه اینکه فقط یک دیتابیس را مقیاس‌بندی کنید. برای مدیریت این خطاها، تسلط بر الگوهای پیشرفته پرامپت‌نویسی جهت حذف باگ‌های کدهای تولیدشده به یک مهارت ضروری تبدیل شده است.

برای جویندگان کار، این یعنی راهنمای مطالعه باید از کتاب‌های سیستم‌های توزیع‌شده به الگوهای تولیدی هوش مصنوعی تغییر کند. تمرکز شما باید روی موازنه بین استراتژی‌های مختلف بازیابی و پیامدهای هزینه‌ای مدل‌های مختلف باشد، به‌ویژه با توجه به تغییرات سریع در سلسله‌مراتب مدل‌های باز با ورود رقبایی چون DeepSeek.

گام بعدی شما

• مطالعه الگوهای پیاده‌سازی RAG پیشرفته به‌جای تمرکز بر مفاهیم تئوریک Load Balancing.
• تحلیل هزینه‌های توکن در مدل‌های مختلف برای ارائه پاسخ‌های بهینه در مصاحبه‌های معماری.
• تمرین طراحی سیستم‌های ارزیابی (Eval) برای سنجش خروجی‌های غیرقطعی مدل‌ها.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.