前线部署工程师 (FDE)

岗位 JD 分析

核心职责

• 嵌入客户工程或业务团队现场（通常每季度 1-4 周驻场 + 剩余时间远程），把客户模糊的业务问题拆成可交付的 AI 工程里程碑
• 用公司自家的基础模型（OpenAI GPT、Anthropic Claude、Palantir Foundry AIP）在客户真实数据上端到端构建原型，从 0 到生产级 demo 通常 ≤ 2 周
• 对接客户内网、打通数据源、处理权限和脱敏——经常要在客户方写数据管线和身份集成代码，而不是只跑云端 API
• 把反复验证过的 demo 代码固化为客户可自维护的生产代码库——包含 CI/CD、监控、evals 和 runbook
• 将客户遇到的共性问题反向反馈给总部 Product / Model / Research 团队，成为产品路线图的真实声音
• 帮客户算清 token 成本、推理延迟、幻觉率和 ROI——同时向客户 CTO 和 CFO 汇报的技术 + 商务桥梁
• 作为"客户现场第一人"处理合同外的突发需求、bug 和预期落差——需要在没有总部指令的情况下独立判断边界
• 在项目结束后写复盘案例，沉淀成公司内部 playbook 和销售素材

必备要求

• 4-8 年全栈 / 后端工程经验——能独立搭 API、写前端、调数据库、部署到 AWS/Azure/GCP，不依赖其他工程师
• 有至少 1 段"从 0 到 1 上线"的完整项目经验——在模糊需求下独立交付过生产系统
• 熟练使用 OpenAI / Anthropic / Claude Agent SDK 等至少一套 LLM API，理解 Prompt、RAG、Function Calling、Evals 的基本原理
• 强客户沟通能力——能在客户 VP / CTO 会议上讲清技术方案，也能和客户一线开发蹲在代码里 debug
• 极高的模糊容忍度——FDE 日常面对的是"客户也不知道自己要什么"的需求，需要自己拆解、验证、迭代
• 愿意出差 25-40%——驻场是这个岗位的核心价值，完全远程的 FDE 基本不存在
• 工程判断力——知道何时该快速写 hack demo、何时该停下来重构为生产代码，不混淆两者
• 完整的英文口语和书面沟通能力——大部分客户是跨国企业，现场交付需要流利英文

加分项

• 有咨询公司（McKinsey Digital / BCG X / Accenture）或投行 quant 背景——理解企业决策流程和商业语言
• 有前创业公司 founder / 早期员工经验——习惯在没有人告诉你该做什么的环境下工作
• 熟悉垂直行业（金融、国防、医疗、能源）的业务流程和数据合规要求
• 有 Palantir Foundry / AIP 或 Databricks 使用经验——这是 FDE 市场认可度最高的两个平台
• 懂数据工程（dbt、Airflow、Spark）——客户数据打通往往比模型调优更耗时
• 有 On-prem / 气隙环境部署经验——国防、金融、医疗客户常常不允许数据出内网
• 在 GitHub 或技术博客有能证明"端到端交付能力"的项目（不是 tutorial-level demo）
• 有带小团队的经验——Senior FDE 通常带 2-4 人的客户小组

典型的一天

转型建议

适合转入的背景

转型路径

1. 第 1 步：补齐 LLM 应用全栈能力——Prompt / RAG / Agent / Evals 四件套要能独立从 0 到上线（→ /learn/ai-engineer/hub）
2. 第 2 步：做 1-2 个"模拟客户交付"项目——找一个真实企业场景（不是 todo app），在 2 周内从业务问题到生产级 demo
3. 第 3 步：锻炼客户沟通能力——加入一个付费客户项目的技术交付（哪怕是兼职 / consulting），练习"技术讲给非技术 stakeholder"
4. 第 4 步：研究 Palantir 的 FDE 方法论——读 Shyam Sankar 和 Stephen Cohen 的公开演讲，理解"嵌入式工程"文化
5. 第 5 步：准备 FDE 面试——重点是 system design + 客户场景 role-play + 模糊需求拆解，和传统 SWE 面试完全不同
6. 第 6 步：直接投递 OpenAI / Anthropic / Palantir / Scale AI / Cohere 的 Forward Deployed Engineer 岗位——这类岗位往往通过内推优先

学习路线图

常见误区

推荐学习资源