Please submit your CV in English and indicate your level of English proficiency.<\/h4>\n
Mindrift connects specialists with project-based AI opportunities for leading tech companies, focused on testing, evaluating, and improving AI systems. Participation is project-based, not permanent employment.<\/p>\n
What this opportunity involves:<\/h4>\n
We're building a dataset to evaluate AI coding agents - how well a model handles real-world developer tasks.<\/p>\n
You'll create challenging tasks and evaluation criteria within realistic simulated environments:<\/p>\n
\n- Build realistic developer environments - a virtual company with codebase, infrastructure, and context (tickets, docs, conversations) that forms a believable development history<\/li>\n
- Design tasks from intermediate states of these environments - craft the prompt, define what \"solved\" means, and ensure the task is solvable by an AI agent<\/li>\n
- Write tests that verify agent solutions - accept all valid approaches and reject incorrect ones, neither too strict nor too lenient<\/li>\n
- Iterate on tasks and tests based on QA feedback - review agent solutions, analyze failures, and refine until the evaluation is fair and robust<\/li>\n<\/ul>\n
What this is not:<\/h4>\n\n- Not data labeling<\/li>\n
- Not prompt engineering<\/li>\n
- Not writing code from scratch - the agent writes most of the code; you guide and evaluate<\/li>\n<\/ul>\n
What we look for:<\/h4>\n\n- 8+ years in software development<\/li>\n
- Core stack: Python (FastAPI), JavaScript\/TypeScript (React), Docker, Postgres, Kafka, Redis<\/li>\n
- Experience writing tests (functional, integration)<\/li>\n
- English proficiency - B2+<\/li>\n<\/ul>\n
Why this is hard:<\/h4>\n
Frontier models are already good at coding. Creating a task that genuinely challenges the best models is non-trivial. You need to deeply understand where models fail and what scenarios reveal the difference between a good and a bad solution. Tasks have many valid solutions - writing tests that accept all correct solutions and reject incorrect ones is harder than it sounds.<\/p>\n
How it works<\/h4>\n
Apply? Pass qualification(s)? Join a project? Complete tasks? Get paid.<\/p>\n
Effort estimate<\/h4>\n
Tasks for this project are estimated to take 30 hours to complete, depending on complexity. This is an estimate and not a schedule requirement; you choose when and how to work. Tasks must be submitted by the deadline and meet the listed acceptance criteria to be accepted.<\/p>\n
Compensation:<\/h4>\n
Up to $150\/hr equivalent, depending on level and pace. Tasks are estimated at approximately 30 hours each; you set your own schedule.<\/p><\/p>
<\/p>
يرجى تقديم سيرتك الذاتية باللغة الإنجليزية وتحديد مستوى إتقانك للإنجليزية.<\/h4>\n
Mindrift يربط المتخصصين بفرص AI قائمة على المشاريع لشركات التقنية الرائدة، مع التركيز على الاختبار والتقييم وتحسين أنظمة الذكاء الاصطناعي. المشاركة قائمة على المشروع وليست توظيفاً دائماً.<\/p>\n
ما تنطوي عليه هذه الفرصة:<\/h4>\n
نحن نبني مجموعة بيانات لتقييم وكلاء البرمجة بالذكاء الاصطناعي - مدى جودة تعامل النموذج مع مهام المطورين الواقعية.<\/p>\n
ستنشئ مهاماً وتقييمات داخل بيئات محاكاة واقعية:<\/p>\n
\n- بناء بيئات مطور واقعية - شركة افتراضية لديها قاعدة كود وبنية تحتية وسياق (التذاكر، المستندات، المحادثات) التي تشكل تاريخ تطوير مقنع
\n- تصميم مهام من حالات وسيطة لهذه البيئات - صِغ الطلب، حدد ما يعني "مُحلول"، وتأكد من أن المهمة قابلة للحل بواسطة وكيل ذكاء اصطناعي
\n- كتابة اختبارات تتحقق من حلول الوكيل - تقبل جميع النهج الصحيحة وترفض النهج الخاطئة، لا تكون صارمة جداً ولا متساهلة جداً
\n- التكرار على المهام والاختبارات بناءً على ملاحظات QA - استعراض حلول الوكيل، تحليل الإخفاقات، وتحسينها حتى تكون التقييم عادل وموثوق
\n
\n
ما ليست هذه الوظيفة:
\n
\n- ليس توصيف بيانات
\n- ليس هندسة البرمجاتPrompt
\n- ليس كتابة كود من الصفر - يكتب الوكيل معظم الكود؛ أنت توجه وتقيِّم
\n
\n
ما نبحث عنه:
\n
\n- 8+ سنوات في تطوير البرمجيات
\n- التكديس الأساسي: بايثون (FastAPI)، JavaScript/TypeScript (React)، Docker، Postgres، Kafka، Redis
\n- خبرة في كتابة الاختبارات (وظيفية، تكاملية)
\n- إتقان الإنجليزية - B2+
\n
\n
لماذا هذا صعب:
\n
نماذج Frontier جيدة في البرمجة بالفعل. إنشاء مهمة تتحدى النماذج الأفضل بالفعل ليست مهمة بسيطة. تحتاج إلى فهم عميق أين تفشل النماذج وما السيناريوهات التي تكشف الفرق بين حل جيد وآخر سيء. للمهمات عدة حلول صالحة - كتابة اختبارات تقبل جميع الحلول الصحيحة وترفض غير الصحيحة أصعب مما يبدو.
\n
كيف يعمل:
\n
التقديم؟ اجتياز المؤهلات؟ الانضمام إلى مشروع؟ إكمال المهام؟ الحصول على أجر.
\n
تقدير الجهد:
\n
من المتوقع أن تستغرق المهام لهذا المشروع حوالي 30 ساعة لإكمالها، حسب التعقيد. هذا تقدير وليس متطلباً جدولياً؛ أنت تختار متى وكيف تعمل. يجب تقديم المهام قبل الموعد النهائي وتلبية معايير القبول المدرجة ليتم قبولها.
\n
التعويض:
\n
حتى 150 دولار/ساعة مكافئ، وفقاً للمستوى والسرعة. تُقدَّر المهام بحوالي 30 ساعة لكل مهمة؛ أنت تحدد جدولك الخاص.