Please submit your CV in English and indicate your level of English proficiency.
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.
About The Role
You'll design coding tasks that challenge frontier AI coding agents. Each task is a self-contained Docker environment with a broken piece of software; an AI agent attempts the fix; automated tests verify the outcome. Your deliverable is the full task package: broken code, tests, instructions, and a reference solution proving the task is solvable.
Responsibilities:
Invent a realistic developer scenario — a real bug, a broken ETL, a missing feature — not a toy problem Build a reproducible Docker environment with pinned dependencies Write a pytest that verifies outcomes, not specific commands — deterministic, non-flaky, and does not leak the fix Write an instruction.md that reads like a Jira ticket a developer would receive Write a reference solve.sh proving the task is solvable Calibrate difficulty so current state-of-the-art agents solve the task 20-60% of the time Iterate based on feedback from expert QA reviewers Later: review other authors' tasks as a QA reviewer
Not in scope
Data labeling, prompt engineering Production code to ship — you design problems and verification for AI agents Leetcode puzzles — scenarios must look like real developer work Not every candidate task ships — quality over quantity
Requirements
3+ years of production software development in one backend stack — Python, Go, Node.js, Java, or Rust. Depth in one stack beats breadth Python + pytest fluency — required regardless of primary stack. The task harness is pytest-based even when the broken app is in another language. Fixtures, parametrize, monkeypatch, timeouts, conftest.py Docker authoring — reproducible Dockerfiles, pinned dependencies, multi-stage builds when needed, non-root user Linux & Bash — comfort debugging inside containers (strace, lsof, journalctl); shell beyond set -euo pipefail AI coding agent experience — Claude Code, Cursor, Roo Code, or similar, on non-trivial work. You can cite a specific time the AI was confidently wrong and how you caught it English — B2+ written
Not a fit
Data Science, ML, or Computer Vision engineers without backend-engineering output Manual QA testers without automation or test authoring Frontend-only, low-code / no-code, IT Support, or Business Analysts Engineers who have never written pytest from scratch Junior, intern, or assistant as the most recent role
Preferred Qualifications
Domain depth in Security, System Administration (nginx / systemd / cron), Scientific Computing (Num Py / PyTorch / Sci Py), Dev Ops, or Git internals Modern Python tooling (uv, poetry, pyproject.toml) Coverage tooling (pytest-cov, coverage.py, gcov, llvm-cov, kcov) Fuzzing or property-based testing (Hypothesis) Prior contribution to agent-evaluation benchmarks or related frameworks
Process
Apply → Pass qualification (90-minute sample-task screen + short behavioral interview) → Join a project → Complete tasks → Get paid.
Time commitment
Onboarding: :10 hours per first task Steady state: :5 hours per task, 2-4 parallel tasks per author Realistic weekly load: 8-20 hours. Higher volume available for top performers You choose when and how to contribute; tasks must be submitted by the deadline and meet acceptance criteria
Compensation:
Paid contributions, rates up to $35/hour*Task-based compensation equivalent to hourly rate, depending on performance and volume Some projects include incentive payments Rates vary based on expertise, skills assessment, location, project needs, and other factors. Higher rates may be provided to highly specialized experts. Lower rates may apply during onboarding or non-core project phases. Payment details are shared per project
Apply
Submit your CV via the Mindrift platform. Indicate your English level, note this role (Software Engineering Evaluation Specialist — Terminal Bench), and include a Git Hub profile link if available.
يرجى تقديم سيرتك الذاتية باللغة الإنجليزية وتحديد مستوى إجادتك للغة الإنجليزية.
تConnecting Mindrift متخصصين مع فرص AI قائمة على المشاريع لشركات تقنية رائدة، مع التركيز على الاختبار والتقييم والتحسين لأنظمة الذكاء الاصطناعي. المشاركة قائمة على المشروع وليست توظيفاً دائماً.
حول الدور
ستصمم مهام ترميز تتحدى وكلاء الترميز AI في الجبهات الأمامية. كل مهمة هي بيئة Docker مستقلة مع جزء مكسور من البرنامج؛ يحاول وكيل AI الإصلاح؛ تختبر الاختبارات الآلية النتيجة. الناتج المرجو لديك هو حزمة المهمة الكاملة: كود مكسور، اختبارات، تعليمات، وحل مرجعي يثبت أن المهمة قابلة للحل.
المسؤوليات:
ابتكر سيناريو مطور واقعي — علة حقيقية، ETL معطل، ميزة مفقودة — وليس مشكلة لعبة بناء بيئة تكرار docker مع تبعيات مثبتة اكتب pytest يتحقق من النتائج، ليس فقط الأوامر المحددة — حتمي، غير متقلب، ولا يكشف الإصلاح اكتب instruction.md تقرأ كأنه تذكرة Jira يتسلمها مطور اكتب حل مرجعي.sol يثبت أن المهمة قابلة للحل اضبط الصعوبة بحيث يحلها وكلاء حالة الحداثة 20-60% من الوقت تكرار بناءً على ملاحظات من مراجعي QA الخبراء في ما بعد: مراجعة مهام كُتبت من قِبل آخرين كمراجع QA
غير ضمن النطاق
تسمية البيانات، هندسة الاستفهام، تعليمات الإنتاج — أنت تصمم المشكلات والتحقق للوكلاء AI ألغاز Leetcode — يجب أن تبدو السيناريوهات كعمل مطور حقيقي ليس كل مهمة للمرشح تصل — الجودة فوق الكمية
المتطلبات
3+ سنوات من تطوير البرمجيات الإنتاجية في تكديس خلفي واحد — Python، Go، Node.js، Java، أو Rust. العمق في تكدس واحد يفوق الاتساع Python + اتقان pytest — مطلوب بغض النظر عن التكدس الأساسي. يستخدم ممارسة الاختبار محور pytest حتى وإن كان التطبيق المكسور بلغات أخرى. Fixtures، parametrize، monkeypatch، timeouts، conftest.py إنشاء Docker — ملفات Docker قابلة لإعادة الإنتاج، تبعيات مثبتة، بناءmulti-stage عند الحاجة، مستخدم غير جذر Linux و Bash — راحة في التصحيح داخل الحاويات (strace، lsof، journalctl)؛ Shell يتجاوز set -euo pipefail تجربة وكيل ترميز AI — Claude Code، Cursor، Roo Code، أو ما يشابه ذلك، في عمل غير تافه يمكنك ذكر وقت بعينه كان فيه الذكاء الاصطناعي مخطئًا بثقة وكيف اكتشفت ذلك الإنجليزية — B2+ مكتوبة
غير مناسب
مهندسو Data Science، ML، أو رؤية حاسوبية بدون إنتاجية backend-engineering اختبارات يدوية بدون أتمتة أو كتابة اختبارات مختبر الطلاب Frontend-only، منخفضة الكود/لا كود، دعم تكنولوجيا المعلومات، أو محللو الأعمال مهندسون لم يكتبوا pytest من الصفر مبتدئ/متدرب/مساعد كأحدث دور
المؤهلات المفضلة
عمق في الأمن، إدارة النظام (nginx / systemd / cron)، الحوسبة العلمية (NumPy / PyTorch / SciPy)، Dev Ops، أو جذر Git عصرية أدوات Python الحديثة (uv، poetry، pyproject.toml) أدوات التغطية (pytest-cov، coverage.py، gcov، llvm-cov، kcov) الاختبار العشوائي أو الاختبار القائم على الخصائص (Hypothesis) مساهمة سابقة في معايير تقييم وكيل أو أطر ذات صلة
العملية
التقديم → اجتياز التأهيل (مشهد مهمة عينة لمدة 90 دقيقة + مقابلة سلوكية قصيرة) → الانضمام إلى مشروع → إكمال المهام → الدفع.
الالتزام الزمني
التوجيه: :10 ساعات لكل مهمة أولى حالة ثابتة: :5 ساعات لكل مهمة، 2-4 مهام متوازية للمؤلف وجود عبء أسبوعي واقعي: 8-20 ساعة. أية زيادة حجم متاح لذوي الأداء العالي أنت تختار متى وكيف تساهم؛ يجب تقديم المهام قبل الموعد النهائي ويفتقر تحقق المعايير
التعويض:
مساهمة مدفوعة، معدلات تصل إلى 35 دولار/ساعة*تعويض قائم على المهمة يعادل معدل الساعة، يعتمد على الأداء والحجم بعض المشاريع تتضمن مدفوعات حافز تختلف الأسعار بناءً على الخبرة وتقييم المهارات والموقع واحتياجات المشروع وعوامل أخرى. قد يتم توفير معدلات أعلى لخبراء متخصصين جدًا. قد تنطبق معدلات أقل أثناء onboarding أو في مراحل مشاريع غير أساسية. يتم مشاركة تفاصيل الدفع لكل مشروع
التقديم
قدم سيرتك الذاتية عبر منصة Mindrift. اذكر مستوى لغتك الإنجليزية، واشر إلى هذا الدور (Software Engineering Evaluation Specialist — Terminal Bench)، وتضمين رابط ملف تعريف GitHub إن وُجد.