نحن فودكس! منظومة متكاملة رائدة لإدارة المطاعم ومزود لتقنيات الدفع. تأسست الشركة في عام 2014 بمقر رئيسي في الرياض ومكاتب في 5 دول، بما في ذلك الإمارات ومصر والأردن والكويت. نخدم حاليًا العملاء والشركاء في أكثر من 35 دولة مختلفة حول العالم. نجحت منتجاتنا المبتكرة في معالجة أكثر من 6 مليارات (نعم، مليارات!) طلب حتى الآن! مما يجعل فودكس واحدة من أكثر شركات البرمجيات كخدمة (SaaS) تطورًا بسرعة على الإطلاق في منطقة الشرق الأوسط وشمال أفريقيا. كما حققت فودكس ثلاث جولات تمويلية، حيث جمعت في أحدثها 170 مليون دولار في أكبر جولة تمويل لشركات SaaS في منطقة الشرق الأوسط وشمال أفريقيا، مما يعزز قدراتها الابتكارية لخدمة أصحاب الأعمال بشكل أفضل.
ملخص الوظيفة
ستقوم ببناء أنظمة الذكاء الاصطناعي الداخلية التي يعمل مهندسونا من خلالها يوميًا: وكلاء ذكاء اصطناعي يقومون بإنشاء الاختبارات وصيانتها، وأنابيب معالجة تفرز الأخفاقات وتصنفها قبل أن يراها العنصر البشري، وأدوات تسارع عملية مراجعة الكود واستكشاف الأخطاء وإصلحها، والبنية التحتية للتقييم التي تجعل ميزات الذكاء الاصطناعي الخاصة بنا قابلة للاختبار من الأساس. هذا دور مخصص للمطورين والتنفيذيين. ستكتب كود إنتاجي، وتتولى مسؤولية الأنظمة في CI، وسيتم تقييمك بناءً على مدى استخدام المهندسين الفعلي لما تقدمه.
ما الذي ستفعله
- أتمتة الاختبارات عبر كافة طبقات النظام
- الواجهة الخلفية: اختبارات API والعقود، وتغطية مستوى الخدمات والتكامل، وإعداد البيانات المستقرة، وتصميم الاختبارات التي تتحمل تغييرات المخطط (schema).
- الواجهة الأمامية: تغطية الويب الشاملة (E2E) وعلى مستوى المكونات باستخدام Playwright، واختبار التراجع البصري ولغات RTL، ومجموعات اختبارات سريعة بما يكفي لربط عملية الدمج بدلاً من تشغيلها ليلاً فقط.
- الأجهزة المحمولة: التغطية الأصلية والعابرة للمنصات باستخدام Appium أو Maestro، واستراتيجية مزارع الأجهزة، وسلوك العمل بدون إنترنت والمزامنة، ومسارات ملحقات الدفع التي لا تتعطل إلا على الأجهزة الحقيقية.
- الرابط الأساسي: التجهيزات المشتركة، وإدارة البيئة وبيانات الاختبار، والتوازي، وأنابيب CI حيث يعني فشل البناء شيئًا حقيقيًا.
- خبرة في اختبارات الأداء والحمل.
طبقة الذكاء الاصطناعي المضافة فوق ذلك
- إنشاء الاختبارات من المواصفات والكود وحركة المرور الإنتاجية مع حل مشكلة الصيانة المستمرة، وليس مجرد المسودة الأولى.
- فرز الأعطال لتصنيف البناء الفاشل قبل أن يفتحه عنصر بشري: خطأ برمجي حقيقي، أو اختبار متذبذب، أو مشكلة بيئة، أو تدهور الاختبار.
- محددات المواقع ذاتية الإصلاح وأدوات صحة مجموعات الاختبار (كشف التذبذب، الحجر الصحي، وتحليل الفجوات في التغطية).
- البنية التحتية لتقييم ميزات الذكاء الاصطناعي عبر منتجاتنا: مجموعات البيانات، والتقييم، وكشف التراجع عند تغيير المطالبة أو النموذج.
- التقييم الخاص بسوقنا بشكل خاص: سلوك اللغتين العربية والإنجليزية، وواجهات الاستخدام من اليمين إلى اليسار (RTL)، وقواعد نقاط البيع والضرائب والدفع الخاصة بالمنطقة. الصحة هنا نادراً ما تكون مجرد تطابق نصي.
الذكاء الاصطناعي الوكيل (Agentic AI) والتنسيق
- ذكاء اصطناعي وكيل يقوم بعمل حقيقي في أنابيب المعالجة الخاصة بنا: يقرأ الفروقات (diff)، ويشغل المجموعة ذات الصلة، ويعيد إنتاج الفشل، ويقترح إصلاحًا، ويفتح طلب السحب (PR).
- وكلاء يمتلكون سير عمل الجودة من البداية إلى النهاية: الاختبار الاستكشافي ضد بناء قيد التشغيل، والبحث عن فجوات التغطية، وتقييم مخاطر الإصدار، ومعرفة متى يتم التصعيد إلى عنصر بشري.
- التنسيق الذي يصمد تحت الحمل: التخطيط متعدد الخطوات، واستخدام الأدوات، وإعادة المحاولة، والحالة والذاكرة عبر الخطوات، والتنفيذ المعزول، والتسليم بين عدة وكلاء، والحدود الواضحة بين الخطوات الوكيلية والمحددة.
- التكامل مع المنظومة التقنية الحالية لدينا (CI، Jira، القابلية للملاحظة، واجهات أدوات بنمط MCP) بدلاً من بناء نظام موازٍ بجانبها.
- الحكمة والقدرة على تقييم متى يتفوق أنبوب المعالجة العادي على الوكيل، والتصريح بذلك.
الخلفية التقنية
يجب أن تكون مطلعًا ومواكبًا لكيفية إنجاز هذا العمل فعليًا اليوم، وقادرًا على النقاش والمحاجة حوله بدلاً من مجرد سرد المعلومات:
- أتمتة الاختبارات: تصميم الأطر والتجميع الطبقي، وهرم الاختبارات ومتى يتوقف عن كونه مفيدًا، واقتصاديات الاختبارات المتذبذبة، والتنفيذ المتوازي، وحقائق الأجهزة المحمولة والمتصفحات المتعددة، وبوابات CI/CD، الأطر: Playwright، Appium، Maestro
- الذكاء الاصطناعي الوكيل: التنسيق واستخدام الأدوات، والتخطيط متعدد الخطوات، والذاكرة والحالة، والتنفيذ المعزول، وأنماط الوكلاء المتعددين، ومعايير تكامل الأدوات مثل MCP وما شابهها، وتكلفة كل منها.
- هندسة السياق: استراتيجية الاسترجاع، والتقطيع، وإعادة الترتيب، والتخزين المؤقت، وإدارة سلوك السياق الطويل بما في ذلك حالات التدهور.
- التقييم: التقييمات المتصلة وغير المتصلة بالشبكة، واستخدام LLM كحكم وأنماط فشله، والمراجعة بمشاركة العنصر البشري، والأهمية الإحصائية على العينات الصغيرة، وبوابات التراجع في CI.
- الموثوقية: المخرجات المهيكلة، والضوابط، وتصميم النسخ الاحتياطي وإعادة المحاولة، والتعامل مع عدم الحتمية في الأنظمة التي يجب أن تظل مستقرة.
- العمليات: التتبع والقابلية للملاحظة لأنظمة LLM، وإدارة المطالبات والإصدارات، وميزانية زمن الانتقال والتكلفة، وتوجيه النماذج، ومتى يتفوق الضبط الدقيق أو التقطير على المطالبة الأفضل.
المؤهلات المطلوبة في المرشح
- مهندس يقوم بنشر برمجيات إنتاجية، مع عمل عملي حديث على أنظمة مدعومة بـ LLM اعتمد عليها مستخدمون حقيقيون.
- إتقان قوي للغة Python؛ مع الارتياح للعمل بلغة واحدة على الأقل من: .NET، أو Java، أو TypeScript.
- كود مختبر ومصان - وليس دفتر ملاحظات.
- عمق حقيقي في الأتمتة عبر أكثر من واجهة. قمت بإدارة مجموعة اختبارات تحكم الإصدارات على الواجهة الخلفية وعلى واجهة المستخدم (ويب أو محمول) ويمكنك شرح كيف حافظت على استقرارها دون حذف الاختبارات الصعبة.
- خبرة حقيقية في بناء أنظمة التقييم. يمكنك شرح كيف عرفت أن نظامك يتحسن، بالأرقام.
- عمق عملي في مجموعة أدوات LLM الحديثة: صياغة المطالبات، المخرجات المهيكلة، استخدام الأدوات، الاسترجاع، تنسيق الذكاء الاصطناعي الوكيل، وفهم واضح للمفاضلات.
- أساسيات اختبار موثوقة. لا تحتاج إلى مسمى وظيفي في ضمان الجودة، ولكن تصميم الاختبارات وأطر الأتمتة و CI/CD لا ينبغي أن تكون جديدة عليك.
- توجه نحو الاعتماد والتبني الفعلي. تقيس عملك بما يستخدمه المهندسون الآخرون، وليس بما قمت بتوضيحه في العروض التوضيحية.
We Are Foodics! a leading restaurant management ecosystem and payment tech provider. Founded in 2014 with headquarter in Riyadh and offices across 5 countries, including UAE, Egypt, Jordan and Kuwait. We are currently serving customers and partners in over 35 different countries worldwide. Our innovative products have successfully processed over 6 billion (yes, billion with a B) orders so far! making Foodics one of the most rapidly evolving SaaS companies to ever emerge from the MENA region. Also Foodics has achieved three rounds of funding, with the latest raising $170 million in the largest SaaS funding round in MENA, boosting its innovation capabilities to better serve business owners.
The Job in a Nutshell
You'll build the internal AI systems our engineers work inside every day: agents that generate and maintain tests, pipelines that triage failures before a human sees them, tooling that speeds up code review and debugging, and the evaluation infrastructure that makes our own AI features testable at all. This is a builder's role. You'll write production code, own systems in CI, and be measured on whether engineers actually use what you ship.
What Will You Do
- Test automation across the stack
- Backend: API and contract testing, service-level and integration coverage, data setup that doesn't rot, and test design that survives a schema change.
- Frontend: web E2E and component-level coverage with Playwright, visual and RTL regression, and suites fast enough to gate a merge rather than a nightly.
- Mobile: native and cross-platform coverage with Appium or Maestro, device-farm strategy, offline and sync behaviour, and the payment-peripheral paths that only break on real hardware.
- The connective tissue: shared fixtures, environment and test-data management, parallelisation, and CI pipelines where a red build means something.
- performance and load testing Experience.
The AI layer on top of it
- Test generation from specs, code, and production traffic with the maintenance story solved, not just the first draft.
- Failure triage that classifies a red build before a human opens it: real bug, flake, environment, or test rot.
- Self-healing locators and suite health tooling flake detection, quarantine, coverage-gap analysis.
- Evaluation infrastructure for AI features across our products: datasets, scoring, and regression detection when a prompt or model changes.
- Evaluation for our market specifically Arabic and English behaviour, RTL interfaces, and region-specific POS, tax, and payment rules. Correctness here is rarely a string match.
Agentic AI and orchestration
- Agentic AI that does real work in our pipelines: reads a diff, runs the relevant suite, reproduces a failure, proposes a fix, opens the PR.
- Agents that own a quality workflow end to end exploratory testing against a running build, coverage-gap hunting, release-risk assessment and know when to escalate to a human.
- Orchestration that holds up under load multi-step planning, tool use, retries, state and memory across steps, sandboxed execution, multi-agent handoffs, and clean boundaries between agentic and deterministic steps.
- Integration with the stack we already have (CI, Jira, observability, MCP-style tool interfaces) rather than a parallel system beside it.
- The judgement to know when a plain pipeline beats an agent, and to say so.
The technical ground
You should be current on how this work is actually done today, and able to argue about it rather than recite it:
- Test automation: framework design and layering, the test pyramid and where it stops being useful, flake economics, parallel execution, mobile and cross-browser realities, CI/CD gating, Framework: Playwright, Appium, Maestro
- Agentic AI: orchestration and tool use, multi-step planning, memory and state, sandboxed execution, multi-agent patterns, MCP and similar tool-integration standards, and the cost of each.
- Context engineering: retrieval strategy, chunking, reranking, caching, and managing long-context behaviour including where it degrades.
- Evaluation: offline and online evals, LLM-as-judge and its failure modes, human-in-the-loop review, statistical significance on small samples, regression gates in CI.
- Reliability: structured output, guardrails, fallback and retry design, and handling non-determinism in systems that must not flap.
- Operations: tracing and observability for LLM systems, prompt and version management, latency and cost budgeting, model routing, and when fine-tuning or distillation beats a better prompt.
Desired Candidate Profile
- An engineer who ships production software, with recent hands-on work on LLM-backed systems that real users depend on.
- Strong Python; comfortable in at least one of .NET, Java, or TypeScript.
- Tested, maintained code not notebooks.
- Real automation depth across more than one surface. You've owned a suite that gates releases on backend and on a UI web or mobile and you can explain how you kept it green without deleting the hard tests.
- Real experience building evaluation systems. You can explain how you knew your system was getting better, with numbers.
- Practical depth with the modern LLM toolkit prompting, structured output, tool use, retrieval, agentic AI orchestration and a clear sense of the trade-offs.
- Credible testing fundamentals. You don't need a QA title, but test design, automation frameworks, and CI/CD shouldn't be new to you.
- A bias toward adoption. You measure your work by what other engineers use, not by what you demoed.