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.
Mindrift تربط المتخصصين بفرص AI قائمة على المشاريع لشركات تكنولوجيا رائدة، مع التركيز على اختبار وتقييم وتحسين أنظمة الذكاء الاصطناعي. المشاركة قائمة على المشروع وليس توظيفاً دائماً.
عن الدور
ستصمِّم مهام ترميز تتحدى عملاء البرمجة الفائقين في الذكاء الاصطناعي. كل مهمة هي بيئة Docker مستقلة بقطعة برمجية تالفة؛ يحاول وكيل AI إصلاحها؛ الاختبارات الآلية تتحقق من النتيجة. الناتج النهائي هو حزمة المهمة الكاملة: الشفرة المعيبة، الاختبارات، التعليمات، وحل مرجعي يثبت أن المهمة قابلة للحل.
المسؤوليات:
اِختر سيناريو مطور واقعي — عِلة حقيقية، ETL مكسور، ميزة مفقودة — ليس مشكلة لعبة أبداً ابحث وبناء بيئة Docker قابلة لإعادة الإنتاج مع توجيه الاعتماديات تثبيت اختبار pytest يؤكد النتائج وليس أوامر محددة — حاسم، غير عشوائي، ولا يكشف الإصلاح اكتب ملف instruction.md يقرأ كـ تذكرة Jira يتلقاها مطوِّر اكتب حلًا مرجعيًا في solve.sh يثبت أن المهمة قابلة للحل قيِّم الصعوبة بحيث يحلها وكلاء الوضع الحالي من الطراز الأول في 20-60% من الوقت تكرار بناءً على تعليقات مراجعQA خبراء
ليس ضمن النطاق
تصنيف البيانات، هندسة التعليمات البرمجية، الإنتاجية — أنت تصمم المشاكل والتحقق لوكلاء AI لوحات Leetcode — يجب أن تبدو السيناريوهات كعمل مطور حقيقي ليست كل مهمة من مهام المرشح تُطرح — الجودة قبل الكمية
المتطلبات
3+ سنوات من تطوير البرمجيات في بيئة خلفية واحدة — Python، Go، Node.js، Java، أو Rust. العمق في وتد واحد أفضل من العرض رياضياً Python + pytest الطلاقة — مطلوبة بغض النظر عن التشتت الأساسي. تعتمد أداة المهمة على pytest حتى لو كانت التطبيق المكسور بلغة أخرى. Fixtures، parametrize، monkeypatch، timeouts، conftest.py Docker تأليف — ملفات Docker القابلة لإعادة الإنتاج، الاعتماديات المعينة، الإنشاءات متعددة المراحل عند الحاجة، مستخدم غير الجذر Linux و Bash — الراحة في التصحيح داخل الحاويات (strace، lsof، journalctl)؛ قشرة خارج set -euo pipefail AI coding agent experience — Claude Code، Cursor، Roo Code، أو ما يماثله، في عمل غير تافه. يمكنك ذكر وقت محدد كان فيه الذكاء الاصطناعي مخطئًا بثقة وكيف أمسكته English — B2+ مكتوب
غير مناسب
مهندسو Data Science، ML، أو Computer Vision بدون مخرجات backend-engineering فاحصو جودة Manual QA بدون أتمتة أو تأليف اختبارات Frontend-only، منخفضة الترميز / بدون ترميز، دعم IT، أو محللو أعمال مهندسون لم يشاركوا pytest من البداية Junior، متدرِّب، أو مساعد كأحدث دور
المؤهلات المفضلة
عمق مجال في الأمن، إدارة النظام (nginx / systemd / cron)، الحوسبة العلمية (NumPy / PyTorch / SciPy)، DevOps، أو أسرار Git أدوات Python الحديثة (uv، poetry، pyproject.toml) أداة التغطية (pytest-cov، coverage.py، gcov، llvm-cov، kcov) fuzzing أو الاختبار القائم على الخاصية (Hypothesis) مساهمة سابقة في معايير تقييم الوكلاء أو أُطر عمل ذات صلة
العملية
تقدم → اجتياز التأهيل (شاشة مهمة عينة لمدة 90 دقيقة + مقابلة سلوكية قصيرة) → الانضمام إلى مشروع → إكمال المهام → الدفع.
الالتزام الزمني
التأهيل: :10 ساعات لكل مهمة أولى حالة ثابتة: :5 ساعات لكل مهمة، 2-4 مهام موازية لكل مؤلف عبء أسبوعي واقعي: 8-20 ساعة. متاح حجم أعلى لأفضل المؤدين تختار متى وكيف تساهم؛ يجب تقديم المهام قبل الموعد النهائي وتلبية معايير القبول
التعويض:
مساهمات مدفوعة، معدلات تصل إلى 35$/ساعة* التعويض حسب المهمة وفق الساعة، اعتمادًا على الأداء والحجم بعض المشاريع تتضمن دفعات حافزة تتفاوت المعدلات بناءً على الخبرة وتقييم المهارات والموقع واحتياجات المشروع وعوامل أخرى. قد تتاح معدلات أعلى لخبراء متخصصين للغاية. قد تنخفض المعدلات أثناء onboarding أو في مراحل المشروع غير الأساسية. تفاصيل الدفع تُشارك per project
قدم
قدّم سيرتك الذاتية عبر منصة Mindrift. حدد مستوى الإنجليزية لديك، واذكر هذا الدور (مهندس تقييم هندسة البرمجيات — Terminal Bench)، وأدرج رابط ملف GitHub إن وجد.