AI Engineer

ผลงานที่ต้องแสดงก่อนเข้าสัมภาษณ์ ผู้สมัครต้องส่งผลงานอย่างน้อยหนึ่งโครงการที่มีรายละเอียดดังนี้: AI Chatbot หรือ AI Agent ที่ตนเองเป็นผู้พัฒนาหลัก เปิดใช้งานกับผู้ใช้จริง ไม่ใช่เพียง Prototype Architecture Diagram หรือคำอธิบายโครงสร้างระบบ Source code, Repository, Demo หรือวิดีโอสาธิต LLM และเครื่องมือที่ใช้ วิธีจัดการ Memory, Database และ Tool Calling วิธีจัดการ Error, Timeout, Retry และ Human Handoff ปัญหา Production ที่เคยพบและวิธีหา Root Cause ตัวเลขผลลัพธ์ เช่น จำนวนข้อความ, Response Rate, Latency, Accuracy, Uptime หรือต้นทุน อธิบายได้ชัดเจนว่าส่วนใดตนเองทำ และส่วนใดใช้ AI ช่วยทำ

Qualifications: จบปริญญาตรีด้านวิศวกรรมศาสตร์ Computer Engineering, Software Engineering, Computer Science, IT หรือสาขาที่เกี่ยวข้อง มีประสบการณ์พัฒนาระบบ Software, Automation หรือ Applied AI อย่างน้อย 3 ปี และต้องมีระบบที่เปิดใช้งานจริงใน Production เคยสร้างและเปิดใช้งาน AI Chatbot หรือ AI Agent สำหรับผู้ใช้งานจริงอย่างน้อย 1 ระบบ ไม่รับเฉพาะโครงการทดลอง Coursework หรือ Demo สามารถเขียน แก้ไข และตรวจสอบโค้ดด้วย Python และ JavaScript/TypeScript ได้ด้วยตนเอง สามารถใช้ AI Coding Agent เช่น Codex, Claude Code, Cursor, Hermes Agent หรือเครื่องมือเทียบเท่า เพื่อพัฒนาและแก้ระบบได้อย่างมีประสิทธิภาพ มีประสบการณ์สร้าง AI Agent ที่เรียกใช้ Tool, API, Database หรือ Workflow ภายนอกได้ ไม่ใช่เพียง Chatbot ที่ถาม–ตอบจาก Prompt สามารถออกแบบ System Prompt, Agent Workflow, Memory, Context Management, Tool Calling, Guardrail และ Human Handoff ได้ สามารถเชื่อมต่อ LLM จากหลาย Provider เช่น OpenAI, Anthropic, Gemini, MiniMax หรือ Provider อื่น และออกแบบ Retry/Fallback เมื่อโมเดลหลักล้มเหลวได้ สามารถติดตั้งและใช้งาน Local AI Model ด้วย Ollama, llama.cpp, vLLM หรือระบบใกล้เคียงได้ เข้าใจ Model Selection, Quantization, Context Window, GPU/CPU/RAM Requirement, Latency, Throughput และข้อจำกัดของ Local Model สามารถทดสอบและเปรียบเทียบ Cloud Model กับ Local Model เพื่อเลือกใช้ตามคุณภาพ ความเร็ว ความเป็นส่วนตัว และต้นทุน มีประสบการณ์เชื่อมต่อ REST API, Webhook, OAuth, JSON และระบบ Third-party Integration สามารถใช้งาน n8n หรือ Workflow Automation Platform ระดับ Production รวมถึงเขียน Code Node และแก้ Workflow JSON ได้ สามารถออกแบบ Error Handling, Retry, Timeout, Failover, Queue, Debounce, Idempotency และป้องกันข้อความหรือข้อมูลซ้ำได้ สามารถใช้งาน PostgreSQL/Supabase และ SQL ได้ รวมถึงออกแบบตาราง Migration, Index, RPC, RLS และ Data Validation สามารถดูแล Deployment บน Linux, VPS, Docker หรือ Cloud Platform ได้ สามารถใช้ Git, Version Control, Environment Variables, Secret Management, Backup และ Rollback ได้ถูกต้อง สามารถ Debug Production Incident จาก Log, Database, API Response และ Execution History เพื่อหา Root Cause ได้ด้วยตนเอง สามารถเขียน Automated Test หรือ Test Scenario เพื่อพิสูจน์ว่าระบบทำงานถูกต้องก่อนและหลัง Deployment มี Logical Thinking, Critical Thinking, Engineering Sense และสามารถตัดสินใจจากหลักฐาน ไม่แก้ระบบด้วยการเดา