یک مسیر مرحله‌به‌مرحله برای یادگیری ساخت Agentهای هوش مصنوعی؛ از Python و Prompt نوشتن تا Tool Use، حافظه، LangGraph، Multi-Agent، تست، ایمنی و اجرای واقعی در Production.
تعریف سریع مسیر و خروجی مورد انتظار
آشنایی با نقش و مسئله‌ای که این حوزه حل می‌کند
Agentic AI Engineer به‌طور کلی مهندسی است که با استفاده از مدل‌های زبانی، ابزارها و حافظه سیستم‌هایی می‌سازد که بتوانند یک هدف را قدم‌به‌قدم پیش ببرند و نتیجه را قابل اعتماد تحویل بدهند.
وصل کردن مدل به جست‌وجو، API، فایل و دیتابیس.
نگه‌داشتن مکالمه، ترجیحات و دانش قابل بازیابی.
تجزیه کار به مراحل و بازبینی نتیجه هر مرحله.
تقسیم نقش بین چند Agent برای کارهای پیچیده.
سنجش دقت، خطا، هزینه و پایداری رفتار Agent.
جلوگیری از سوءاستفاده و اقدام‌های حساس بدون تأیید انسان.
وقتی Agent با یک حوزه تخصصی ترکیب می‌شود
ساخت Agent فقط یک بخش ماجراست. ارزش اصلی زمانی بیشتر می‌شود که مهارت مهندسی Agent با دانش یک حوزه تخصصی (Domain) ترکیب شود؛ مثل سلامت، مالی، حقوق، آموزش، عملیات و نرم‌افزار.
مدل‌ها در استدلال، استفاده از ابزار و انجام کارهای چندمرحله‌ای بهتر شده‌اند؛ به همین دلیل ساخت Agent از یک آزمایش به یک نیاز کاری نزدیک‌تر شده است.
نوشتن نمونه اولیه، خواندن مستندات و تولید کد کمکی با ابزارهایی مثل Claude Code و Copilot سریع‌تر شده؛ اما ارزیابی و دیباگ خروجی هنوز به فهم واقعی نیاز دارد.
طراحی سیستم، ارزیابی و تست، امنیت، کنترل هزینه و تأخیر، و توانایی تصمیم‌گیری درباره اینکه کجا Agent لازم است و کجا نه.
Promptهای بسیار پیچیده و کدهای اتصال ساده مزیت پایدار کمتری می‌سازند. فریم‌ورک‌ها هم سریع تغییر می‌کنند؛ پس فهم مفاهیم مهم‌تر از حفظ API یک ابزار است.
خلاصه‌سازی پرونده و متون پزشکی، پیگیری نوبت و پشتیبانی تصمیم؛ با نظارت جدی انسان.
پردازش اسناد، بررسی تراکنش‌های مشکوک و گزارش‌سازی؛ اقدام‌های مالی نیازمند تأیید انسان است.
جست‌وجو در قراردادها، استخراج بندها و خلاصه‌سازی؛ با اهمیت ویژه دقت و کنترل انسانی.
تولید تمرین، بازخورد شخصی‌سازی‌شده و دستیارهای یادگیری.
پاسخ به تیکت‌ها، مسیریابی درخواست‌ها و خودکارسازی فرایندهای تکراری.
کمک به کدنویسی، تست، بازبینی کد و مستندسازی.
تعریف معیار، ساخت مجموعه تست، مقایسه نسخه‌ها و بررسی کیفیت و خطا.
طراحی نقطه‌هایی که انسان قبل از یک اقدام حساس تأیید می‌کند.
فهم مسئله واقعی یک صنعت و تشخیص اینکه کجا Agent واقعاً ارزش ایجاد می‌کند.
توجه به امنیت، حریم خصوصی، شفافیت و ریسک‌های اجرای خودکار.
مسیر آینده فقط «ساخت یک Agent جذاب» نیست؛ ترکیب Agent با دانش حوزه، ارزیابی، ایمنی و مهندسی سیستم اهمیت بیشتری پیدا می‌کند. داده‌های Stanford AI Index 2026 هم رشد سریع مهارت‌های Agentic AI در آگهی‌های شغلی را نشان می‌دهد (جزئیات در بخش بازار کار).
ترتیب پیشنهادی یادگیری از پایه تا اجرای واقعی
پایه برنامه‌نویسی و فهم اینکه مدل زبانی چگونه رفتار می‌کند
→ خروجی: نوشتن برنامه، کار با API و دستور دادن درست به مدلسه توانایی اصلی که یک مدل را به Agent تبدیل می‌کند
→ خروجی: ساخت Agent ساده با ابزار، حافظه و تصمیم‌گیری چندمرحلهایطراحی جریان کار پیچیده، هماهنگی چند Agent و اتصال استاندارد به ابزارها
→ خروجی: Agentهای ساخت‌یافته و قابل توسعهانتخاب یکی از مسیرهای شغلی برای پروژه‌های عمیق‌تر
→ خروجی: تمرکز روی یک نقش مشخصبدون سنجش و ایمن‌سازی نمی‌شود به Agent در محیط واقعی اعتماد کرد
→ خروجی: Agent ارزیابی‌شده و مقاوم در برابر سوءاستفادهاجرای Agent برای کاربر واقعی و دیدن رفتار، خطا و هزینه آن
→ خروجی: Portfolio + ورود به بازار کارPython و آشنایی با مدل‌های زبانی
اولین قدم، یادگیری خوب Python و آشنایی با مدل‌های زبانی است؛ اما لازم نیست برای Python به اندازه یک Software Engineer حرفه‌ای زمان گذاشته شود. بیشتر ابزارهای ساخت Agent با Python کار می‌کنند.
Tool Use، حافظه و برنامه‌ریزی؛ سه توانایی اصلی یک Agent
در این سطح با سه توانایی اصلی آشنا می‌شویم که یک مدل زبانی را به Agent تبدیل می‌کند.
به مدل می‌گوییم از چه ابزاری و چگونه استفاده کند تا فقط حرف نزند و کار واقعی انجام دهد.
Agent مکالمه‌ها را نگه می‌دارد و از اسناد بیرونی اطلاعات بازیابی می‌کند.
Agent مسئله را به مرحله‌ها تقسیم می‌کند و نتیجه هر مرحله را بررسی می‌کند.
بعد از فهم اصول، با الگوهای رایج ساخت سیستم‌های Agentic آشنا می‌شویم
کار به چند مرحله پشت‌سرهم تقسیم می‌شود و خروجی هر مرحله ورودی مرحله بعد است.
ورودی طبقه‌بندی می‌شود و به مسیر، Prompt یا مدل مناسب هدایت می‌شود.
چند زیرکار هم‌زمان اجرا می‌شوند، یا یک کار چند بار اجرا می‌شود تا نتیجه مطمئن‌تر شود.
یک مدل مرکزی کار را به زیروظایف تقسیم می‌کند و به Workerها می‌سپارد.
یک مدل خروجی می‌سازد و مدل دیگر آن را ارزیابی و بازخورد می‌دهد؛ این چرخه تکرار می‌شود.
مدل در یک حلقه خودش ابزار و مسیر را انتخاب می‌کند تا به هدف یا شرط توقف برسد.
LangGraph، فریم‌ورک‌های چند-Agent و پروتکل‌های ارتباطی
بعد از فهم اصول، با ابزارهایی آشنا می‌شویم که Agentهای پیچیده را ساخت‌یافته و قابل توسعه می‌کنند.
طراحی مسیر تصمیم‌گیری Agent با State و شاخه‌های شرطی.
همکاری چند Agent با نقش‌ها و وظایف مشخص.
MCP برای اتصال Agent به ابزار و داده است و A2A برای ارتباط Agentها با یکدیگر.
پس از Core Skills، یکی از مسیرهای شغلی انتخاب می‌شود
مناسب چه کسی است؟ افرادی که به طراحی ساختار و منطق سیستم علاقه دارند، پیشینه Backend یا Automation دارند و می‌خواهند رفتار Agent دقیق و قابل پیش‌بینی باشد.
مهارت‌های لازم: Python پیشرفته، طراحی State و گراف، مدیریت خطا و Retry، آشنایی با Async.
نقش AI در این مسیر: AI هم موتور تصمیم‌گیری هر گره است و هم کمک‌کدنویس؛ ارزش اصلی این نقش، تعیین جایی است که مدل تصمیم می‌گیرد و جایی که کد ثابت اجرا می‌شود.
پروژه‌های مناسب: گردش‌کار رزرو یا پردازش سفارش با شاخه شرطی، Retry و تأیید انسانی؛ Agent پردازش اسناد با چند مرحله.
مشاغل مرتبط: AI Workflow Engineer، Agent Developer، Automation Engineer.
سطح ورود (تقریبی): میان‌رده؛ با پیش‌زمینه Backend سریع‌تر.
مسیر رشد بعدی: Agent Architect ← Tech Lead سیستم‌های AI؛ یا حرکت به سمت Multi-Agent و زیرساخت.
مناسب چه کسی است؟ افرادی که مسئله‌های بزرگ را به نقش‌ها و وظایف تقسیم می‌کنند و با دیباگ سیستم‌های پیچیده راحت‌اند؛ مناسب مهندسان با تجربه Orchestration.
مهارت‌های لازم: طراحی نقش و Handoff، شروط توقف، کنترل هزینه، پروتکل‌های MCP و A2A.
نقش AI در این مسیر: مدل‌ها در قالب نقش‌های مختلف (پژوهشگر، نویسنده، بازبین) کار می‌کنند؛ باید سنجیده شود که آیا تیم Agent واقعاً بهتر از Agent تکی است یا فقط هزینه را افزایش می‌دهد.
پروژه‌های مناسب: تیم پژوهشگر–نویسنده–بازبین؛ سیستم تحلیل گزارش با چند Agent تخصصی؛ اتصال Agentها با A2A.
مشاغل مرتبط: Multi-Agent Engineer، AI Systems Engineer، Applied AI Engineer.
سطح ورود (تقریبی): میان‌رده تا ارشد.
مسیر رشد بعدی: AI Systems Architect ← Staff / Principal Engineer؛ یا تخصص در ارزیابی سیستم‌های چند-Agent.
مناسب چه کسی است؟ افرادی که به کیفیت، امنیت و بررسی سناریوهای خطا اهمیت می‌دهند؛ مناسب مهندسان QA، امنیت و افراد دقت‌محور.
مهارت‌های لازم: طراحی Eval، تحلیل خطا، شناخت Prompt Injection و Excessive Agency، اصل Least Privilege.
نقش AI در این مسیر: AI هم موضوع تست است و هم ابزار آن (مثلاً LLM-as-Judge)؛ با این حال قاضی مبتنی بر مدل نیز خطا دارد و باید با نمونه‌های انسانی سنجیده شود.
پروژه‌های مناسب: مجموعه Eval برای یک Agent با ۲۰ تا ۵۰ سناریو؛ گزارش حمله Prompt Injection و راه‌حل؛ داشبورد مقایسه نسخه‌ها.
مشاغل مرتبط: AI QA / Evaluation Engineer، AI Security Engineer، Responsible AI Specialist.
سطح ورود (تقریبی): میان‌رده؛ برای افراد QA یا امنیت سریع‌تر است.
مسیر رشد بعدی: AI Safety / Governance Lead ← مشاور ریسک AI؛ نقشی که با رشد مقررات ارزشمندتر می‌شود.
مناسب چه کسی است؟ مناسب افراد با پیشینه DevOps، Backend یا Cloud که هدفشان اجرای پایدار، اقتصادی و قابل رصد Agent است.
مهارت‌های لازم: Docker، API، صف و Async، Tracing، مانیتورینگ هزینه و تأخیر، مدیریت Secretها.
نقش AI در این مسیر: رشد Agentها ابزارهایی مثل ردیابی توکن، Cache معنایی و مسیریابی بین مدل‌ها را ایجاد کرده است؛ کار اصلی این نقش، کاهش هزینه و تأخیر بر پایه اندازه‌گیری است.
پروژه‌های مناسب: استقرار Agent با Docker و داشبورد هزینه؛ بهینه‌سازی Context؛ مسیریابی بین مدل ارزان و قوی.
مشاغل مرتبط: LLMOps Engineer، MLOps Engineer، AI Platform Engineer.
سطح ورود (تقریبی): میان‌رده.
مسیر رشد بعدی: AI Platform Lead ← Head of AI Infrastructure؛ یا ورود به AI Hardware و Edge AI.
مناسب چه کسی است؟ مناسب توسعه‌دهندگان Full-stack، بنیان‌گذاران و افرادی که می‌خواهند محصول نهایی بسازند و به تجربه کاربر اهمیت می‌دهند. ورود به این تخصص معمولاً برای تازه‌کارها ساده‌تر است.
مهارت‌های لازم: طراحی API و UX، مدیریت انتظار کاربر، بازخورد و تحلیل استفاده، شناخت مسئله واقعی یک حوزه.
نقش AI در این مسیر: AI ساخت سریع نمونه اولیه را ممکن کرده است؛ تفاوت اصلی را کسی ایجاد می‌کند که مسئله واقعی کاربر را می‌شناسد و تجربه‌ای قابل اعتماد می‌سازد.
پروژه‌های مناسب: دستیار پشتیبانی برای یک کسب‌وکار، Agent تحلیل قرارداد یا گزارش مالی، ابزار داخلی اتوماسیون.
مشاغل مرتبط: AI Product Engineer، Full-stack AI Engineer، فریلنسر و بنیان‌گذار محصول AI.
سطح ورود (تقریبی): تازه‌کار تا میان‌رده.
مسیر رشد بعدی: AI Product Lead ← Founder / CTO؛ یا تخصص در یک Domain مثل حقوق، سلامت یا مالی.
قبل از هر تلاش برای بردن Agent به Production
قبل از بردن Agent به محیط واقعی باید بدانیم چقدر درست کار می‌کند و چقدر امن است.
سنجش دقت، خطا، هزینه و تأخیر با چند سناریوی تکرارشونده؛ چون خروجی مدل هر بار ممکن است کمی فرق کند.
مقابله با Prompt Injection و لزوم تأیید انسان برای کارهای حساس مثل پرداخت.
مدل‌ساز → مهندس سیستم Agentic
در این مرحله Agent فقط یک نمونه آزمایشی نمی‌ماند و به بخشی از یک سیستم واقعی تبدیل می‌شود. این همان جایی است که مسیر از «ساخت Agent» به سمت «مهندسی سیستم Agentic» حرکت می‌کند.
ارائه Agent از طریق API.
بسته‌بندی و اجرای قابل تکرار سرویس.
ثبت مراحل تصمیم‌گیری و فراخوانی ابزارها.
پایش هزینه توکن و زمان پاسخ.
تمرین باید در طول کل Roadmap تکرار شود
در هر سطح، پس از یادگیری، انجام این چهار فعالیت پیشنهاد می‌شود. در صورت مناسب بودن برای Portfolio، خروجی در GitHub منتشر می‌شود.
| سطح | Beginner Task | Mini Project | Challenge | Real Project |
|---|---|---|---|---|
| سطح ۰ | برنامه‌ای که یک API عمومی را صدا بزند و JSON را چاپ کند | خلاصه‌ساز متن با LLM API و خروجی JSON | اجرای خلاصه‌ساز روی ۲۰ متن و سنجش کیفیت با یک معیار مشخص | ابزار خط فرمان خلاصه‌سازی مقاله با README |
| سطح ۱ | Agent با یک ابزار ساده (ماشین‌حساب) | Agent دو ابزاره با حافظه نام کاربر | RAG روی ۱۰ سند با ذکر منبع و شمارش پاسخ‌های غلط | دستیار پرسش‌وپاسخ روی اسناد (پروژه ۰۲) |
| سطح ۲ | گراف دو گره‌ای در LangGraph | گردش‌کار با شاخه شرطی و Retry | تیم سه Agent و مقایسه با Agent تکی (هزینه و کیفیت) | Agent پشتیبانی با مسیریابی تیکت، تأیید انسانی و یک ابزار MCP |
| سطح ۳ | نمودار معماری یک پروژه در تخصص انتخابی | نمونه کوچک مخصوص همان تخصص | بهبود یک شاخص (هزینه، دقت یا تأخیر) و گزارش قبل و بعد | پروژه عمیق تخصصی (ستون «پروژه‌های مناسب» در سطح ۳) |
| سطح ۴ | نوشتن ۵ سناریوی تست برای Agent | مجموعه Eval با ۲۰ نمونه و LLM-as-Judge | حمله Prompt Injection به یک Agent و بستن راه نفوذ | گزارش ارزیابی و ایمنی یک Agent کامل |
| سطح ۵ | اجرای Agent در Docker روی سیستم محلی | API با FastAPI و ثبت لاگ | کاهش قابل‌اندازه‌گیری هزینه یا تأخیر با ثبت اعداد قبل و بعد | استقرار پروژه ۰۵ با داشبورد لاگ و هزینه (Portfolio) |
ساخت یک Agent با دو یا سه ابزار (مثلاً آب‌وهوا، ماشین‌حساب و جست‌وجو) که خودش انتخاب کند کدام ابزار را صدا بزند. تصمیم‌ها و خروجی هر ابزار ثبت می‌شود و چند نمونه اجرای درست و غلط گزارش می‌شود.
ساخت Agentی که ترجیحات کاربر را به خاطر بسپارد و از مجموعه‌ای از اسناد با ذکر منبع پاسخ دهد. علاوه بر نتیجه، کیفیت پاسخ‌ها و موارد اشتباه تحلیل و در README توضیح داده می‌شود.
طراحی یک گردش‌کار (مثل رزرو سفر) با چند شاخه شرطی، مدیریت خطا و یک نقطه تأیید انسانی. هدف این پروژه تمرین کنترل جریان کار و پایداری Agent است.
ساخت یک تیم دو یا سه‌نفره (مثلاً پژوهشگر، نویسنده، بازبین) و مقایسه نتیجه با یک Agent تکی از نظر کیفیت، هزینه و زمان. در صورت مناسب بودن، یک ابزار با MCP به تیم وصل می‌شود.
انتخاب یک مسئله واقعی در یک حوزه مشخص و پوشش کل چرخه: تعریف مسئله و معیار موفقیت، Agent با ابزار و حافظه، مجموعه تست و ارزیابی، آزمایش Prompt Injection، API با Docker، داشبورد لاگ و هزینه و مستندسازی. این پروژه باید در GitHub و Portfolio قابل نمایش باشد.
User ↓ Real-world Task ↓ Agent (LLM + Tools + Memory) ↓ Guardrails + Human Approval ↓ Evaluation + Error Analysis ↓ Inference API ↓ Docker ↓ Cloud / Server + Monitoring ↓ Usable Agentic System
راه‌های واقع‌بینانه برای تبدیل یادگیری به سابقه و فرصت شغلی
حرکت از Software Engineering، Backend یا Data به سمت نقش‌های Agent و AI Engineering و افزودن مهارت‌های جدید به تجربه قبلی.
ساخت ۲ تا ۴ پروژه قابل نمایش و انتشار آن‌ها در GitHub همراه با README، نحوه اجرا، نتایج تست و تحلیل خطا.
بهبود یک فرایند تکراری در محل کار یا پروژه فعلی با یک Agent کوچک و امن؛ این نوع تجربه برای رزومه ارزشمند است.
رفع باگ در فریم‌ورک‌ها یا MCP serverها، افزودن مثال یا مستند و تمرین کار تیمی با Git.
پس از ساخت نمونه‌کار، پروژه‌های محدود و مشخص مثل Agent پشتیبانی یا اتوماسیون اسناد می‌توانند تجربه تجاری ایجاد کنند.
یک مسئله واقعی را از Agent تا API، Deployment و بازخورد کاربر جلو ببر؛ این مسیر هم‌زمان مهارت فنی و محصولی می‌سازد.
ساخت قابلیت‌های مبتنی بر LLM داخل محصول: RAG، Tool Use و API.
مهارت کلیدی: Python، LLM API، RAG
سطح ورود: تازه‌کار تا میان‌رده
طراحی و ساخت Agent برای فرایندهای مشخص یک سازمان.
مهارت کلیدی: LangGraph، Tool Use، تست
سطح ورود: میان‌رده
خودکارسازی فرایندهای تکراری کسب‌وکار با Agent و ابزارهای موجود.
مهارت کلیدی: Python، API، شناخت فرایند
سطح ورود: تازه‌کار تا میان‌رده
همکاری مستقیم با مشتری، فهم مسئله او و ساخت راه‌حل Agentic متناسب با آن.
مهارت کلیدی: ارتباط، Domain، پروتوتایپ سریع
سطح ورود: میان‌رده
ساخت Eval و سنجش کیفیت و ایمنی Agentها.
مهارت کلیدی: طراحی تست، تحلیل خطا
سطح ورود: میان‌رده
استقرار، مانیتورینگ و کنترل هزینه سیستم‌های Agent.
مهارت کلیدی: Docker، Cloud، Observability
سطح ورود: میان‌رده
در هر پله، سهم مهارت‌های سیستمی، ارزیابی و ارتباط با کسب‌وکار بیشتر می‌شود و سهم کدنویسی صرف کمتر.
زبان‌ها، کتابخانه‌ها و ابزارهای پایه موردنیاز
زبان اصلی مسیر؛ Functions، Classes، Files، JSON و کار با API.
فراخوانی مدل‌ها، Function Calling و خروجی ساخت‌یافته (مثل OpenAI Agents SDK).
طراحی گردش‌کار Agent با State، شاخه‌های شرطی و Checkpoint.
هماهنگی چند Agent با نقش‌ها و وظایف مشخص.
اتصال استاندارد Agent به ابزارها و به Agentهای دیگر.
ذخیره و بازیابی Embeddingها برای RAG و حافظه بلندمدت.
ساخت API برای ارائه Agent به سایر بخش‌های یک سیستم.
بسته‌بندی برنامه و وابستگی‌ها برای Deployment قابل تکرار.
ابزارهای لاگ، Trace و هزینه برای Agent (مثل LangSmith و Langfuse).
اجرای سناریوهای تست و مقایسه نسخه‌های مختلف Agent.
نگهداری کد، نسخه‌بندی و مستندسازی پروژه‌ها.
محیط‌های رایج برای آزمایش، توسعه و اجرای کد.
Branch، Pull Request و Code Review برای کار تیمی؛ Issues برای مدیریت وظایف Agent.
مستندسازی تصمیم‌های طراحی، Promptها و نتایج تست برای اعضای تیم.
ارتباط تیمی و دریافت هشدار خطا و هزینه از Agent.
اشتراک Traceها بین اعضای تیم برای دیباگ مشترک رفتار Agent.
محیط یکسان برای همه اعضا؛ Agent پیش از اتصال به سیستم واقعی در Staging اجرا می‌شود.
برنامه‌ریزی Sprint و پیگیری باگ‌ها و بهبودها.
حوزه‌هایی که کمتر از «ساخت یک Agent» دیده می‌شوند
ابزارهایی که نشان می‌دهند Agent در هر مرحله چه تصمیمی گرفته و چرا شکست خورده.
محافظت در برابر سوءاستفاده، Prompt Injection و دسترسی بیش از حد ابزارها.
طراحی اینکه کجا و چگونه انسان قبل از اقدام حساس تصمیم نهایی را می‌گیرد.
بهینه‌سازی تعداد فراخوانی مدل، طول Context و انتخاب مدل مناسب هر مرحله.
Agentهایی که با صدا کار می‌کنند یا در مرورگر کار انجام می‌دهند.
Agent مخصوص یک حوزه مثل حقوق، سلامت یا مالی که دانش Domain در آن مزیت اصلی است.
تصویر فعلی و روندهای آینده بر اساس گزارش‌های معتبر
وضعیت فعلی: عنوان «Agentic AI Engineer» در همه شرکت‌ها یکسان نیست و این مهارت‌ها در نقش‌هایی مثل AI Engineer، ML Engineer و Software Engineer با تمرکز روی AI هم دیده می‌شوند.
طبق Stanford AI Index 2026 (بر پایه داده‌های Lightcast)، سهم مهارت‌های Agentic AI در آگهی‌های شغلی آمریکا از 0.06٪ در 2024 به 0.23٪ در 2025 رسید؛ یعنی بیش از 280٪ رشد در یک سال و حدود 90 هزار آگهی. این دسته برای اولین بار امسال به‌عنوان یک خوشه مهارتی مستقل ثبت شده است.
طبق Robert Half 2026 Salary Guide، بازه حقوق AI/ML Engineer در آمریکا حدود 134,000 تا 193,250 دلار در سال است. این عدد برای نقش عمومی AI/ML Engineer است، نه مخصوص Agentic AI. Robert Half رشد پیش‌بینی‌شده حقوق شروع را برای AI/ML و علم داده 4.1٪ و بالاتر از میانگین گزارش می‌کند.
مهارت‌هایی که در این مسیر تکرار می‌شوند و بهتر است در نمونه‌کار دیده شوند: LangGraph، RAG و Vector Database، تست و ارزیابی، مانیتورینگ Agent. در داده‌های Lightcast هم Python پرتقاضاترین مهارت تخصصی AI است و مهارت‌های مرتبط با استقرار (مثل AWS و مقیاس‌پذیری) رشد بلندمدت سریعی داشته‌اند.
توجه: اعداد بالا مربوط به بازار ایالات متحده‌اند و نباید مستقیماً به بازار ایران یا هر کشور دیگری تعمیم داده شوند. رشد 280٪ هم از یک پایه کوچک (حدود 0.23٪ کل آگهی‌ها) اتفاق افتاده است.
داده‌های این بخش از بررسی مستقیم ۴۰ آگهی/فرصت شغلی مرتبط با Agentic AI به‌دست آمده که در شهریور ۱۴۰۵ از جاب‌ویژن، جابینجا، لینکدین، ایران‌استخدام و ایران‌تلنت جمع‌آوری شده‌اند (۵ مورد در چند منبع تکرار شده‌اند؛ یعنی حدود ۳۵ موقعیت شغلی منحصربه‌فرد).
از ۴۰ آگهی بررسی‌شده، ۸۲٪ به‌صراحت LLM، ۶۵٪ عبارت RAG و ۶۰٪ عبارت Agentic را در عنوان یا شرح شغل داشتند؛ ۵۰٪ هم دقیقاً از عبارت «AI Agent» استفاده کرده بودند. ۲۱ مورد (~۵۳٪) در تهران بود و ۱۰ مورد (۲۵٪) امکان دورکاری/ریموت داشت. کارفرماها فقط استارتاپ نبودند؛ شرکت‌هایی مثل علی‌بابا، اسنپ‌باکس، بانک خاورمیانه، پرشیا خودرو، امن‌پردازان کویر (Padvish) و OmidPayment هم آگهی فعال داشتند.
از ۴۰ آگهی، فقط ۳ مورد رقم دقیق حقوق اعلام کرده بودند: «متخصص هوش مصنوعی (Agentic AI)» در تهران/ونک ۸۰ تا ۱۲۰ میلیون تومان، «Senior LLM & Agentic AI Engineer» در پردیس ۱۱۰ تا ۱۴۰ میلیون تومان، و «مهندس هوش مصنوعی گفتار» (زیر ۳ سال سابقه) از ۵۰ میلیون تومان. بازه دیده‌شده در این نمونه یعنی ~۵۰ تا ۱۴۰ میلیون تومان در ماه بسته به سطح تجربه. بقیه آگهی‌ها یا «توافقی» بودند یا رقمی اعلام نکرده بودند (یک موقعیت هم دورکاری با پرداخت دلاری بود). این عدد بر پایه فقط ۳ آگهی است، نه میانگین کل بازار.
درصد آگهی‌هایی که هرکدام را ذکر کرده‌اند: Python ۶۲٪، Vector Database و Docker هرکدام ۲۵٪، LangChain ۲۲٪، LangGraph و Multi-Agent هرکدام ۲۰٪، Fine-tuning ۱۸٪، n8n، FastAPI و CI/CD هرکدام ۱۵٪، Tool Calling ۱۲٪، Prompt Engineering و PyTorch هرکدام ۱۰٪، و MCP (به‌عنوان مهارت نوظهور) ۵٪.
توجه: این آمار از یک نمونه ۴۰تایی (جمع‌آوری‌شده شهریور ۱۴۰۵) به دست آمده و آمار رسمی و کامل کل بازار ایران نیست؛ به‌ویژه بازه حقوق فقط بر پایه ۳ آگهی است. ارقام تومانی هم به‌دلیل تورم و نوسان به‌سرعت تغییر می‌کنند و باید در بازه‌های زمانی جدیدتر بازبینی شوند.
مسیر فشرده از پایه تا Agentic AI Engineer
منابع رسمی و گزارش‌های معتبر مورد استفاده