Staff Software Engineer, AI Code Review - Python, Go, Rust, C#

G2i-ն աշխատանքի է հրավիրում հեռավար պայմանագրային մասնագետի՝ ավագ AI code review-ի համար, որի ուշադրության կենտրոնում է այն գնահատելը, թե ինչպես են Codex և Claude Code-ի նման coding agents-երը գործում իրական իրավիճակներում։ Աշխատանքը ոչ թե արտադրական ծրագրակազմ գրելն է, այլ գնահատելը, թե արդյոք մոդելի պատասխանները, բացատրությունները և ընդհանուր դատողությունը համապատասխանում են այն բանին, ինչ սպասում էր փորձառու ինժեները։ Այն հարմար է staff կամ principal մակարդակի software engineer-ների համար, ովքեր կարող են ուշադիր, հստակ դիրքորոշմամբ գնահատումներ անել որակի և վստահելիության վերաբերյալ։ Դերը պահանջում է ուժեղ տեխնիկական փորձ Python, Go, Rust կամ C#-ում և լավ պատկերացում, թե ինչպիսին է բարձրորակ ինժեներական մտածողությունը։

SENIOR AI INTERACTION EVALUATOR (CODEX / CLAUDE CODE) Contract | $100–$200/hour | 10–20 hrs/week | Start ASAP (through early May) Check out this Loom video for more details! https://www.loom.com/share/b0d1b0bf24c44ae8b95dca84b9db60e5 We’re looking for highly experienced software engineer (SR+) to help evaluate the quality of interactions with modern coding agents such as OpenAI Codex and Claude Code. This is not a traditional engineering role. You won’t be writing production code. You’ll be evaluating something harder: whether the model thinks like a great engineer. WHAT THIS ROLE ACTUALLY IS You will assess how AI coding agents behave in real-world scenarios — focusing on: - Whether the response makes sense - Whether the preamble and reasoning are useful - Whether the output reflects strong engineering judgment - Whether the interaction feels right to an experienced developer This role is about engineering taste — not syntax correctness. WHAT YOU’LL BE DOING - Evaluate AI-generated coding interactions end-to-end - Judge whether outputs are: - Useful - Correct (at a high level) - Aligned with how a strong engineer would think - Assess the quality of explanations and reasoning, not just code - Distinguish between different levels of response quality (e.g. what makes something a 2 vs 4) - Provide clear, opinionated feedback on: - What worked - What didn’t - What felt “off” or misleading - Help define what great looks like when interacting with tools like Cursor WHAT WE MEAN BY “TASTE” We’re specifically looking for engineers who can answer questions like: - Does this feel like something a strong engineer would actually say? - Is this explanation helpful, or just technically correct? - Is the model guiding the user well, or just dumping output? - Would this interaction build or erode trust? You should be comfortable making subjective but rigorous judgments. WHO YOU ARE - Staff / Principal-level engineer (or equivalent experience) - Strong background in one of the below: - TypeScript / JavaScript - Python - Hands-on experience using: - OpenAI Codex - Claude Code - Cursor - Deep familiarity with modern AI-assisted dev workflows - Able to evaluate code without needing to fully execute or deeply review every line - Comfortable giving direct, opinionated feedback - High bar for what “good engineering” looks like NICE TO HAVE - Experience with tools like Cursor or similar AI-first IDEs - Prior exposure to prompt design or evaluation workflows - Experience mentoring senior engineers or defining engineering standards ENGAGEMENT DETAILS - Rate: $100–$200/hour - Hours: ~10–20 hours/week - Duration: Through early May (with possible extension) - Start: ASAP - Process: - Take-home evaluation exercise - One behavioral interview