DeepSeek počinje da zapošljava, prilično intenzivno.

Prvi put vidim da DeepSeek zvanično aktivno zapošljava!

I primetio sam veoma važnu informaciju: sa razvojem tehnologije, sve departmane će proširiti za najmanje duplo.

Svi departmani, najmanje duplo.

U trenutnoj eri AI-a, apsolutno je atipican.

Zvanično otvorene pozicije su 36, na Boss direct hire-u čak 121 pozicija. Od server-side do frontend/klijenta, od testiranja do održavanja, od proizvoda do istraživača dubokog učenja, gotovo kompletan kadar.

Detaljno sam proučio.

Najdirektniji nalaz je da se u 80% opisa posla pojavljuju zahtevi vezani za Agent.

Zato će ovaj tekst poziciju po poziciju raščlaniti opise posla, i dati radnicima u eri AI-a (uključujući i mene), kompletan vodič za pripremu traženja posla. Naravno, za izradu plana karijere, takođe je sasvim OK.

Barem možete da shvatite u kom pravcu treba da nastavite da se trudite i koje tehničke veštine su vam potrebne.

Vežite sigurnosne pojaseve, polazimo sa duplim furiozom ~ vreme za dupli rezultat sa pola truda

01. Šta su 32 pozicije?

Prvo o pozadini. U junu 2026, DeepSeek-ina matična kompanija Huafang Quantitative je završila ili se približila završetku A runde finansiranja od 51 milijarde juana.

To bi trebalo da je direktan uzrok ove masovne ekspanzije zapošljavanja.

Da bi se dobro razvijalo, i dalje trebaju ljudi.

Ovo zapošljavanje pokriva 8 velikih kategorija: full-stack razvoj/algoritmi (8 pozicija), AI core sistem razvoj (4), operacije (4), proizvod (2), strategija modela i podataka (5), istraživač dubokog učenja (4), funkcionalni departmani (6), i Agent Harness.

Lokacije rada su koncentrisane u Hangzhou i Pekingu. Dostupno je i stažiranje i puno radno vreme. Napravio sam statistiku ključnih tehničkih reči.

• Agent, 20+ pozicija ga pominje
• LLM, 15+ pozicija ga pominje
• KV Cache, 6 pozicija (obuhvata zaključivanje, skladištenje, Agent tri pravca)
• MCP / Tool Use / Agent Loop, 5 pozicija izričito zahteva
• Prompt Engineering / Context Engineering, 5+ pozicija pominje
• Vibe Coding, 4 pozicije kao zahtev ili dodatak

02. Nove odgovornosti backend razvoja

Prvo, arhitektonski dizajn aplikacija velikih modela i API servisa za desetine miliona dnevnih aktivnih korisnika. Ključna razlika između API-ja velikog modela i tradicionalnog REST API-ja je u obrascu zahteva.

Tradicionalni interfejs je "zahtev ulazi → obrada → vraća JSON", završava u milisekundama. Zaključivanje velikog modela može trajati desetinama sekundi, dva-tri minuta ili čak duže, vraća token-po-token streaming podatke.

Još komplikovanije, Agent tokom izvršenja zadatka poziva eksterne alate kao što su pretraga, izvršavanje koda, operacije nad fajlovima, i svaki poziv alata je jedan sloj ugnježdenog ciklusa zahtev-odgovor.

Tradicionalni "primi → obradi → vrati" model backend-a postaje "primi → pokreni zaključivanje → streaming odgovor → poziv alata usput → nastavi zaključivanje → vrati".

Arhitektonska kompleksnost je veća.

Drugo, infrastruktura podataka i izvršnog okruženja za Agent. Unutar kompanije koja se bavi velikim modelima postoji cloud platforma napravljena za Agente, koja hostuje hiljade i hiljade sandbox okruženja.

Korisnik traži od Agenta da pokrene deo koda, taj kod treba sigurno izolovano okruženje za izvršavanje: kontejner se mora pokrenuti u milisekundama, fajl sistem mora biti privremeno uništiv, mreža strogo izolovana. Sve je to u domenu odgovornosti backend inženjera, samo se objekat usluge promenio sa "korisnički zahtev" na "Agent zadatak".

Kako da se pripreme backend developeri u eri AI-a?

Osnovni zahtevi se nisu promenili, osnove računarstva moraju biti čvrste, strukture podataka i algoritmi moraju biti utrenirani.

Ali potrebno je dodati tri bloka sposobnosti.

Streaming servisna arhitektura je prvi blok. SSE, WebSocket, gRPC streaming, frontend-backend komunikacija aplikacija velikih modela je skoro sva streaming.

Svi prijatelji bi trebalo direktno da integrišu DeepSeek API i naprave Agent backend servis koji podržava Function Calling, od zahteva do streaming odgovora do poziva alata, kompletan proces.

Kontejnerizacija i sandbox tehnologija su drugi blok. Docker i Kubernetes su osnova, a napredni pravac su gVisor, Firecracker i slična rešenja lakovirtuelizacije. Agent sandbox zahteva mnogo veću brzinu pokretanja od tradicionalnog kontejnera.

ReAct petlja je treći blok. Primi instrukciju → raščlani zadatak → izaberi alat → izvrši → posmatraj rezultat → odluči o sledećem koraku. Ne morate umeti da trenirate model, ali svaki korak u ovoj petlji koji dodiruje backend infrastrukturu (red zadataka, centar za registraciju alata, upravljanje statusom izvršenja, skladištenje rezultata) zahteva nekoga da ga izgradi.

03. Nove odgovornosti frontend/klijenta

Opis odgovornosti frontend pravca glasi "odgovoran za iterativni razvoj DeepSeek web verzije, open platforme i drugih servisa, istraživanje i predforskivanje novih interakcionih paradigmi koncepta kao što je Agent, pronalaženje načina interakcije čovek-računar u eri AGI."

"Nova interakciona paradigma" je fokus celog oglasa.

Interfejs glavnih AI proizvoda je i dalje u modusu dijaloga — korisnik kuca, model odgovara, jedan napred-nazad. Ali način rada Agenta je mnogo kompleksniji od razgovora.

Agent tokom izvršenja zadatka može istovremeno raditi više stvari: analizira zahteve, pretražuje materijale, generiše kod, pokreće testove, popravlja bug-ove. Na ključnim tačkama može i da pauzira i zatraži potvrdu korisnika.

Kako ovaj višekoračni, višegranski, prekidivi proces izvršenja predstaviti korisniku?

Pa, to je jedan dizajn problem bez standardnog odgovora (šala).

Pravac klijenta zahteva "iskustvo u izvornom razvoju iOS/Android, poznavanje Swift/Objective-C ili Kotlin/Java". DeepSeek App na mobilnom već ima deset miliona DAU, optimizacija performansi izvornog razvoja (brzina pokretanja, upravljanje memorijom, tečnost renderovanja) direktno utiče na korisničko iskustvo i zadržavanje.

Kako da se pripreme frontend/klijent developeri?

Osnovne veštine uključuju poznavanje JavaScript/TypeScript, bar jedan glavni frontend okvir, čvrste osnove HTML/CSS/HTTP.

Na toj osnovi dodati tri pravca.

①, streaming renderovanje. Izlaz velikog modela se vraća token po token, frontend mora da počne renderovanje čim korisnik vidi prvi znak, ne može da čeka da se cela rečenica generiše pa da se prikaže. SSE parsiranje, inkrementalna DOM ažuriranja, virtuelno skroliranje (sprečavanje zastoja stranice pri dugačkom ispisu koda), svi ovi tehnički detalji moraju biti savladani.

②, vizualizacija Agent stanja. Kada Agent izvršava višekoračni zadatak, frontend mora u realnom vremenu da prikazuje status svakog koraka, na primer razmišlja, poziva alat, čeka potvrdu korisnika, zadatak završen. Ovo je kompleksan problem dizajna stanja mašine, uključuje frontend upravljanje stanjem, prelazne animacije, obradu izuzetaka (kako da se obavesti korisnik kad se Agent zaglavi, kako da se oporavi sesija kad se mreža prekine).

③, cross-platform sposobnost. Oglas izričito kaže da se iOS/Android izvorno iskustvo preferira. Ako čisto web frontend želi da nadoknadi ovo, React Native ili Flutter su ulaz u cross-platform rešenja. Dugoročno, mobilni proizvodi na nivou desetina miliona DAU imaju izuzetno visoke zahteve za performanse, izvorni razvoj je i dalje rešenje sa najvišim plafonom.

04. Nove odgovornosti test razvoja

Oglas za inženjera test razvoja pominje dve ključne informacije: obezbeđenje kvaliteta DeepSeek biznisa i sistema, Go/Rust prioritet.

Prvo šta "obezbeđenje kvaliteta" znači u AI sistemima.

Suština tradicionalnog testiranja softvera je deterministička provera, dat ulaz A, očekivani izlaz B, stvarni izlaz je B prolazi. Izlaz velikog modela je probabilistički — isti prompt dva puta, može dobiti različite odgovore, oba odgovora mogu biti tačna, ali i oba mogu imati greške.

Zamenjuje ga sistem evaluacije.

U oglasu DeepSeek-ovog Code Agent inženjera podataka navedene su dimenzije evaluacije, uključujući upotrebljivost, standarde koda, kvalitet inženjerstva, stepen završetka zadatka, sposobnost planiranja, tačnost poziva alata, koherentnost višekrugne interakcije, praćenje instrukcija. Svaka dimenzija zahteva nezavisan plan evaluacije, uključujući konstrukciju skupa podataka za testiranje, definisanje pravila ocenjivanja, pokretanje benchmark-a, statističku analizu, poređenje sa baseline-om.

Zatim o "Go/Rust prioritet". Tradicionalne test pozicije obično koriste Java+Selenium ili Python+pytest. DeepSeek traži Go/Rust, što pokazuje da je sama infrastruktura testiranja osetljiva na performanse.

Evaluacija velikog modela zahteva konkurentno izvršavanje stotina ili hiljada test slučajeva, svaki slučaj može sadržavati jedan kompletan zahtev za zaključivanje, ceo proces evaluacije može trajati satima.

Kako da se pripreme test developeri?

Osnove tradicionalnog testiranja su i dalje važne, dizajn test slučajeva, okviri automatizacije, CI/CD integracija, sve je potrebno u testiranju AI sistema.

HumanEval testira generaciju koda, MMLU testira rezervoar znanja, SWE-bench testira stepen završetka stvarnih inženjerskih zadataka. Preporučujem da pročitate izveštaje o evaluaciji modela i tehničke blogove DeepSeek-a, OpenAI-ja, Anthropic-a, da razumete dizajnerske ideje ovih benchmark-a.

"Testiraj Agenta Agentom" vredi pažnje.

Neka jedan Agent izvršava zadatak, drugi Agent ocenjuje kvalitet izvršenja, formira automatizovani krug evaluacije.

Pozicija strategije podataka DeepSeek-a pominje "izgradnju okruženja za Agent reinforcement learning", što je u suštini sistem za automatsku evaluaciju Agenata. Test inženjer koji može da izgradi ovakav sistem, u celoj industriji je retki talent.

05. Dve AI-nativne nove pozicije

Server-side, frontend, test, to je AI evolucija tradicionalnih pozicija.

A Agent Harness i Agent Infra su nove pozicije nativne za eru AI-a, pre dve godine uopšte nisu postojale.

Šta je Agent Harness?

Model + Harness = Agent.

Model pruža sposobnost rezonovanja. Harness je odgovoran za sav ostali posao oko modela — upravljanje kontekstom, dugoročna memorija, orkestracija poziva alata, koordinacija pod-Agenata, planiranje zadataka, mehanizam samo-evolucije.

Zasad, Harness najbolje radi Claude Code i Codex, od domaćih koji se mogu meriti, po mom trenutnom osećaju, najbolji je Alibaba-ina serija Qoder, ako DeepSeek može ovo da nadoknadi, za nas domaće korisnike bi previše udobno.

Tri pod-pravca — istraživanje, razvoj/inženjerstvo, proizvod.

Pravac istraživanja istražuje napredne teme u Harness oblasti: kako optimizovati strategiju upravljanja kontekstom, koju arhitekturu koristiti za dugoročnu memoriju, kako više Agenata sarađuje, kako Agent postiže samo-evoluciju.

Pravac razvoja/inženjerstva zahteva sposobnost da se uz pomoć AI-a vrši istraživanje i programiranje u oblastima bez direktnog iskustva.

Drugačije rečeno, DeepSeek ne želi stručnjaka za neki jezik ili okvir, već onoga ko može uz Claude Code ili Codex brzo da uđe u bilo koju tehničku oblast.

Da li zna Rust nije važno, da li može uz pomoć AI-a u jednom danu da napiše upotrebljiv prototip u Rust-u je važno. Oglas takođe navodi listu Agent proizvoda koje prate: Claude Code, Cowork, Codex, OpenCode, GitHub Copilot, Manus, OpenClaw, Hermes.

Pravac proizvoda zahteva "Vibe Coding sposobnost", menadžer proizvoda mora moći da uz pomoć AI alata piše kod za validaciju prototipa, ne može samo da crta PRD i čeka raspored razvoja.

Gustina tehničkih ključnih reči u oglasu je izuzetno visoka: LLM API, KV Cache, Agent Loop, Tool Use, Reasoning, Planning, Skills, MCP, Memory, Subagent, Multi-Agent, Prompt Engineering, Context Engineering, Harness Engineering.

Ove ključne reči pokrivaju sve ključne koncepte Agent tech stack-a.

Šta radi Agent Infra

Inženjer Agent Infra razvoja je zadužen za izgradnju DSecc-a — cloud platforme napravljene za Agente, koja hostuje hiljade i hiljade sandbox okruženja. Zamislite scenario: desetine miliona korisnika istovremeno koristi DeepSeek Agent, svaki Agent može izvršavati kod, čitati i pisati fajlove, pristupati mreži. Ove operacije zahtevaju izolovani sandbox radi bezbednosti. Desetinu miliona konkurentnih sandbox-a, svaki sa pokretanjem u milisekundama, strogom izolacijom resursa, sigurnosnom mrežnom politikom — to je problem koji Agent Infra rešava.

06. Mapa evolucije sposobnosti u eri AI-a

Na najnižem nivou su osnove računarstva.

Strukture podataka, algoritmi, operativni sistemi, računarske mreže — svaki tehnički oglas izričito zahteva, bez izuzetka.

Razmislite i samo, izvršno okruženje Agenta uključuje kontejnere, virtualizaciju, mrežnu izolaciju, distribuirano skladište, šta god od to zahteva čvrste sistemske osnove?

Srednji sloj je inženjerska sposobnost. Kontejnerizacija, CI/CD, distribuirani sistemi, visokoperformansno programiranje, streaming arhitektura, to je već tvrd zahtev u tradicionalnom backend-u, u eri AI Infra ima veću težinu.

Gornji sloj je AI-nativna sposobnost. Pre dve godine ovaj sloj gotovo da nije postojao u oglasima bilo koje tradicionalne pozicije, sada je izričit zahtev većine tehničkih pozicija, ne samo DeepSeek:

• Razumeti radni mehanizam LLM-a (tokenize, context window, tool use)
• Vešto koristiti AI Agent alate za razvoj (Claude Code, Codex)
• Poznavati core Agent tech stack (MCP, Memory, Planning, Multi-Agent)
• Moći uz pomoć AI-a da uđe u nepoznatu tehničku oblast istraživanja, razvoja, rezultata

Možete sačuvati ovu mapu evolucije sposobnosti, narednih godina, možda pet do deset, programeri u eri AI-a svi moraće da prođu kroz ovaj proces evolucije sposobnosti.

Idemo, braćo.

Sigureno će biti još više kompanija kao DeepSeek, koje trebaju takve talente kao vi.

Idemo na veliko.