DeepSeek najnoviji kriterijumi za zapošljavanje

Prošle nedelje sam napisao tekst o DeepSeek V4, bilo je mnogo lajkova i deljenja.

Zato je današnja tema izbor iz najnovijih DeepSeek kriterijuma za zapošljavanje, da vidimo u kom pravcu treba da se razvijamo u eri AI-a, mislim da je to i svima veoma važno.

Od 27. aprila, DeepSeek je na zvaničnom sajtu objavio mnogo pozicija, uglavnom vezanih za Agent.

Svaki oglas sam pregledao, pažljivo izvukao ključne informacije, možete iz ovoga videti šta treba da bude fokus vašeg učenja.

Upoznajte protivnika, upoznajte sebe, pa možete u ovoj eri ostati nepobeđivi.

01. Koga DeepSeek traži

Krenuo sam od Moka sistema za zapošljavanje koji je na zvaničnom sajtu DeepSeek-a, adresa je https://app.mokahr.com/social-recruitment/high-flyer/140576.

Moka ima javni API interfejs iz kojeg se mogu direktno dobiti strukturirani podaci o pozicijama.

Do 29. aprila 2026, DeepSeek sajt za zapošljavanje je vratio ukupno 30 pozicija.

Pozicije vezane za Agent su objavljene ili ažurirane 27. aprila, što ukazuje na organizovani masovni talas, a ne povremeno popunjavanje.

Od 30 pozicija, one direktno vezane za Agent pokrivaju nekoliko pravaca:

• Agent full-stack inženjer
• Agent strategija podataka
• Menadžer proizvoda za strategiju modela (Agent pravac)
• istraživanje algoritama (Agent evaluacija).

Još neke pozicije iako u imenu nemaju Agent, u opisu posla jasno pominju ključne reči kao što su Tool Use, MCP, Function Calling.

Ono što me je najviše iznenadilo je pozicija za održavanje data centra.

Ovo je prvi put da DeepSeek javno traži radnika za održavanje, radno mesto je u Ulanqab-u u Unutrašnjoj Mongoliji, mesečna plata navodno ide do 30.000.

Ulanqab je jedan od ključnih čvorova nacionalnog projekta "istočni podaci, zapadni proračuni", struja je jeftina, klima pogodna za hlađenje, mnogi tech giganti tamo grade računarske centre. To što DeepSeek tamo gradi data centar pokazuje da je njihova potreba za procesorskim kapacitetom ogromna.

02. Kriterijumi za zapošljavanje Agenata

Kada raščlanimo opise posla ovih Agent pozicija, otkrivam da se sposobnosti koje DeepSeek traži mogu podeliti u 5 slojeva.

Prvi sloj: Agent inženjerske sposobnosti

U opisu posla jasno piše, imati iskustvo u intenzivnoj upotrebi AI alata za programiranje kao što su Claude Code, Cursor, OpenClaw.

Imati sopstveno razumevanje i razmišljanje o AI asistiranom programiranju.

Moje razumevanje je da ne treba samo znati da se koristi Claude Code za pisanje koda, već i znati kako on interno raščlanjuje zadatke, kako upravlja kontekstom, kako je dizajniran schema za pozive alata.

Moći da se integrišu spoljni okviri kao LangChain, OpenAI Agents SDK, i moći da se radi Agent kontejnerski servis, runtime okruženje, reprodukcija tragova i analiza debugovanja.

Docker, Kubernetes, CI/CD, Git tok rada, code review, sve je to u opisu posla jasno zahtevano, nije "dodatan plus".

Drugi sloj: Razumevanje mehanizama modela

U opisu posla se izričito pominje potreba za razumevanjem Context Window i Token mehanizma.

• Zašto kontekst preplavljuje?
• Zašto schema alata zauzima token?
• Kako se kompresuje višekrugni dijalog?
• Kako dugi kontekst utiče na pouzdanost Agenta?

Ova pitanja direktno određuju pouzdanost Agenta u dugim zadacima.

DeepSeek-ov sopstveni V4 Preview već je gurnuo kontekstni prozor na 1M, Agentic Coding je ključni pravac.

Treći sloj: Tool Use, Function Calling i MCP

Agent full-stack pozicija direktno stavlja MCP, Tool Use, Function Calling kao dodatne poene.

• Možeš li da definišeš stabilan interfejs alata?
• Možeš li da dizajniraš schema parametara?
• Možeš li da obradiš različite formate povratnih vrednosti alata?
• Kako se posmatra lanac poziva?
• Kako se radi ponovni pokušaj pri neuspehu?
• Kako se izoluje dozvola?

Za MCP, pun naziv je Model Context Protocol, otvoreni protokol koji je Anthropic predložio krajem 2024. godine, a sada je postao de facto standard za Agent povezivanje sa eksternim alatima.

Na internetu vidim da neki blogeri kažu da je MCP zastareo, pomalo smešno, jer je to najbolji način za povezivanje sa eksternim alatima, samo što AI krug ima previše novih koncepata i stvari, zbog čega neke inače dobre stvari bivaju potisnute.

I juče sam upravo integrisao MCP u PaiCLI, kod je već open source na GitHub-u, lično mislim da ovdje zapravo ima mnogo toga za ispričati.

Četvrti sloj: Planning, Multi-Agent i dugoročna memorija

U opisu posla menadžera proizvoda za strategiju modela, Agent pravac jasno prati četiri stvari: Tool Use, Planning, dugoročnu memoriju, Multi-Agent saradnju.

Tipični scenariji uključuju lične asistente, Deep Research, automatizovane radne tokove, multimodalnu kontrolu uređaja.

Zahtev je da se nejasan korisnički zahtev razloži na model capability gap, plan konstrukcije podataka i metrike evaluacije.

!https://cdn.paicoding.com/paicoding/93ec63333beca5cd6e394cf1a346d6dd.jpg)

PaiCLI je takođe integrisao ove tri sposobnosti, što mi je dalo bolji uvid u Agente.

Peti sloj: Podaci, evaluacija i RL petlja

Pozicija za strategiju podataka Agenata naglašava konstrukciju trening korpusa i end-to-end test slučajeva oko generisanja koda i opšteg Agenta.

Dimenzije evaluacije su navedene vrlo detaljno: upotrebljivost, standardi koda, kvalitet inženjerstva, stepen završetka zadatka, sposobnost planiranja, tačnost poziva alata, koherentnost višekrugne interakcije, praćenje instrukcija itd.

Pozicija za istraživanje algoritama zahteva zaključivanje, generaciju, praćenje instrukcija, RLHF/RLAIF, process reward, preference learning, da bi se konačno formirala kompletna petlja "podaci → trening → evaluacija".

Ova petlja je ključna konkurentska prednost kompanija koje se bave velikim modelima, kvalitet podataka određuje efekat treninga, sistem evaluacije određuje pravac iteracije. To što je DeepSeek u kratkom vremenu stigao i čak prestigao neke veteranske igrače neraskidivo je povezano sa ulaganjem u evaluacionu petlju.

03. Šta dodati tehnički u eri AI-a?

Inženjerska infrastruktura

Linux, mreže, baze podataka, Docker, K8s, CI/CD, u DeepSeek opisima posla nisu "dovoljno razumeti", već su izričito zahtevani.

Kada se Agent pokrene, on ne radi jednom na tvom računaru i gotovo, mora se deploy-ovati, mora se pratiti, i brzo locirati problem kada do njega dođe.

Principi Agenata

Tool Use, Function Calling, MCP, kontekst, token, Memory, planning, dozvole, ovo nisu koncepti, iza svakog od njih stoje stvarni inženjerski problemi.

Naročito duboko sam osetio kada sam radio MCP modul za PaiCLI.

MCP protokol sam po sebi nije komplikovan, JSON-RPC 2.0 plus stdio ili Streamable HTTP dva načina prenosa.

Ali da bi se zaista dobro uradilo, morate obraditi inicijalizaciju timeout-a, registraciju alata i konflikte imenovanja, čišćenje schema-e kako bi LLM mogao tačno da razume format parametara, izolaciju grešaka pri paralelnom pokretanju više servera. Ovi detalji se ne mogu shvatiti bez pisanja.

AI alati za programiranje

Claude Code, Codex i drugi Coding alati, morate moći jasno da objasnite u kojim zadacima su jaki, kako da menjate prompt, kontekst, lanac alata.

Zašto sa istim alatima, tuđe Coding rezultate i vaše Coding rezultate nisu isti, razlika je u sposobnosti upravljanja ovim AI alatima.

Na primer, Codex computer use je zaista zgodan, može se direktno integrisati u IntelliJ IDEA, mnogo toga više ne zahteva ručno upravljanje, Agent može da preuzme.

Liang Wenfeng je u prethodnom intervjuu rekao da DeepSeek pri zapošljavanju "gleda sposobnost, ne iskustvo", naglašavajući "ljubav i radoznalost".

Da, u eri AI-a, ne možemo da zaustavimo korake, kao i svi, ponekad se i ja osećam veoma umorno, ali promene u AI krugu zaista mi omogućavaju da naučim mnogo novih stvari.

Mnoge ideje koje su ranije bile u glavi, sada mogu da postanu proizvodi.

PaiCLI, Pai Resume, JobClaw, PaiSwitch, PaiAgent, PaiFlow, Pai Pametan, sve je završeno uz pomoć AI-a.

04. Kako učiti da bi se zadovolili opis posla?

Moj savet je, nemojte samo gledati tutorijale, napravite Agent.

Specifičnu putanju učenja, mislim da može biti u tri koraka.

Prvi korak, savladajte jedan AI alat za programiranje

Bilo da je Claude Code ili bilo koji drugi alat, izaberite jedan i koristite ga intenzivno više od tri meseca.

U tom procesu ćete prirodno doći u dodir sa konceptima kao što su prompt inženjering, upravljanje kontekstom, pozivi alata, jer ćete se stalno suočavati sa "zašto Agent ovaj put nije radio ono što sam želeo".

Na primer, kada Claude Code obrađuje veoma velike projekte, kontekst se često kompresuje, i zaboravi zahteve koje ste već naveli. To će nas naterati da naučimo da koristimo CLAUDE.md za trajne instrukcije, memory za memoriju između sesija, compact strategiju za kontrolu širenja konteksta.

Drugi korak, čitajte izvorni kod Agent okvira.

LangChain, OpenAI Agents SDK, ili Anthropic Claude Agent SDK, bilo koji.

Ne morate čitati sve, fokusirajte se na to kako radi pozive alata, kako upravlja istorijom razgovora, kako obrađuje greške.

CC GUI koji sam ranije preporučio, u suštini je SDK Claude Code-a i SDK Codex-a.

Treći korak, sami implementirajte jedan

Čak i ako implementirate samo minimalno upotrebljivog Agenta, koji pokriva definiciju alata, poziv alata, upravljanje kontekstom, višekruzni dijalog — to je dovoljno.

https://github.com/itwanger/paicli

Ja sam svakog dana Coding-om radio po jedan mali modul, i do sada sam implementirao ReAct, Multi-Agent, planning, MCP, Memory mehanizam, RAG, ručno odobrenje i druge funkcije.

Iako je do zrelog proizvoda kao Claude Code još uvjek daleko, ovaj set core Agent tehničkih veština je detaljno razumeo.

U biografiji možete upisati ove core tehničke veštine i već ćete biti konkurentni.

• Na osnovu JSON-RPC 2.0 protokola implementirao MCP klijent, preko CompletableFuture + ConcurrentHashMap implementirao uparivanje asinhronih zahtev-odgovor, podržava stdio i Streamable HTTP dva načina prenosa
• RAG upakovan kao search_code alat registrovan u Agent alate, preko LLM sistema prompta vođen automatskim okidanjem pretrage, ReAct i Plan-and-Execute dual mod podržavaju razumevanje codebase-a
• Dizajnirao i implementirao Multi-Agent master-slave arhitekturu saradnje, rešava usko grlo single Agent-a pri obradi kompleksnih zadataka, može se pokrenuti putem slash komande /team, podržava Planner / Worker / Reviewer 3 tipa uloga
• Implementirao kompresor konteksta, usvaja Map-Reduce strategiju shrednje sažetka i spajanja, zadržava poslednje 3 kruga kompletne poruke izvan kompresije, i podržava automatsko izdvajanje ključnih činjenica u dugoročnu memoriju
• web_search i web_fetch registrovani kao Function Calling alati u lancu alata Agenta, implementirana inteligentna selekcija alata kojom LLM sam procenjuje kada da se poveže na internet

Iza DeepSeek kriterijuma za zapošljavanje je zapravo čitav set standarda za učenje Agenata.

Čak i ako ne radite na samom velikom modelu, bilo koja specifična oblast je vredna.

CLI je samo jedna grana Agenata, makro-Kozmičkiji Hermes Agent, OpenClaw, uključujući Qoder kao AI Coding alat, kao i Codex kao super APP, mogu nam svima omogućiti da imamo mesto u ovoj eri.

Čak i ako je chatbot.

Vidimo se u sledećem.