编程导航学习网站:学编程、做项目、拿 Offer!
企业高频面试题库:开始刷题,面试遇原题!
精选简历模板大全:1 分钟搞定简历!
AI 资源导航网站:获取最新 AI 黑科技!
1 对 1 模拟面试:随时随地提升面试能力
AI 大模型应用开发求职高频面试题:开始刷题
⭐️ 推荐先观看 鱼皮的保姆级 AI 指南视频,快速掌握程序员必知必会的 AI 概念、AI 工具、AI 开发技术、AI 编程技巧。
要说 AI 浪潮里哪个编程岗位涨得最猛,答案可能会让很多人意外。它既不是算法工程师,也不是 Agent 开发工程师,而是一个很多人连名字都没听说过的岗位,FDE(Forward Deployed Engineer),中文一般叫做 “前沿部署工程师” 或者 “现场部署工程师”。
根据脉脉高聘发布的 《Agent 重置职场》人才报告,FDE 岗位量同比增长了 1522%,位居 AI 技术类扩招岗位的榜首。海外更是火得一塌糊涂,OpenAI、Anthropic、Palantir 等公司都在大量招聘,OpenAI 的 FDE 岗位 年薪写的是 18.5 万到 30 万美元,还不算股票。
那么 FDE 到底是干什么的呢?
FDE 这个岗位最早是由数据分析公司 Palantir 发明的。Palantir 对它的定义非常经典,传统的软件工程师是给很多客户开发同一个能力,而 FDE 是给一个客户打通很多能力。换句话说,FDE 会带着公司的产品和技术住进客户那里,搞懂客户的业务,把 AI 系统接入客户现有的系统,一直调试到它在生产环境中真正跑起来、产生价值为止,然后再把一线的经验反馈给公司的产品和研发团队。
为什么 FDE 会突然爆发呢?原因其实很简单。大模型的能力已经足够强了,但企业发现,从 “能演示” 到 “能用在生产环境里” 之间隔着一道巨大的鸿沟。企业的数据散落在各种老系统里,业务流程千奇百怪,权限、安全、合规的要求一大堆,标准化的 AI 产品很难开箱即用。正如 OpenFDE 社区创始人在 接受中国新闻网采访 时说的那样,FDE 的职责就是 “打通企业 AI 落地的最后一公里”。武汉光谷甚至专门提出了培育 1000 名 FDE 人才的计划。
不过我也要提前给大家泼一点冷水。FDE 是一个要求很高的 “六边形战士” 岗位,它既要求你能独立写出生产级的代码,又要求你能听懂业务、能和客户的业务人员甚至高管沟通,还经常需要出差驻场。海外的 FDE 岗位,要求的工作年限中位数是 4 年,面向应届生的岗位很少。所以这份路线更适合有一定开发经验、想往 AI 落地方向转型的同学,在校生也可以把它当作提前规划的参考。
FDE 的能力可以拆成三大块,分别是工程交付能力、AI 落地能力和业务沟通能力。下面这张图展示了整条路线的学习顺序。
▼mermaid复制代码graph LR A[全栈工程基础] --> B[AI 应用和 Agent 开发] B --> C[企业系统集成] C --> D[交付方法论] D --> E[业务理解和沟通] E --> F[作品集和求职]
每个阶段要掌握的知识点,可以看下面这张完整的思维导图:

很多同学第一次听说 FDE,会觉得它就是换了个名字的 “售前” 或者 “实施”。其实它们有本质的区别。
售前工程师的重点是做演示、写方案,帮助销售签下合同,通常不负责最终交付;实施工程师主要是按照标准流程部署和配置现成的产品,很少需要写大量代码;而 FDE 要对 “业务结果” 负责,从需求调研、方案设计、写代码、上线,一直到效果验收全程负责,遇到产品满足不了的需求,还要自己动手开发。和普通的 AI 应用开发工程师相比,FDE 更少关注某个技术点做得多深,更多关注怎么在一个复杂、模糊、充满限制的真实环境里,把事情做成。
我把一个项目从调研到验收拆成了五个环节,画了一张图来对比这几个岗位分别负责哪一段。可以看到,只有 FDE 是从头到尾全程负责的。

根据 OpenFDE 社区对 1800 多条海外 FDE 岗位的分析,同样叫 FDE,实际上可以细分成 5 种工作。
求职时最好先想清楚自己更适合哪一种,再按照对应的方向来写简历,效果会好很多。
目前招聘 FDE 的公司主要有下面几类,不同类型的公司对技能的要求也有明显差别。
另外,国内的 FDE 岗位还处在早期阶段,很多公司还没有统一叫法,薪资差异也非常大。有的公司是真正按资深工程师的标准在招,有的公司其实只是把 “实施” 换了个名字。投递之前一定要仔细阅读岗位职责,看看它要不要求你写代码、是否需要对上线效果负责。
1)FDE 不是一个适合 “从零开始” 的岗位,而是一个 “升级” 的岗位。它要求你先成为一个合格的工程师,再在此基础上叠加 AI 落地能力和业务沟通能力。如果你还没有独立开发过完整的项目,建议先按照 Java 学习路线 或 Python 学习路线 打好基础。
2)广度比深度更重要,但每一样都要能真正上手。FDE 每天面对的技术栈都可能不一样,今天对接 MySQL,明天就要对接 Oracle 和一个十几年前的老系统。所以你不需要在某个技术上钻得特别深,但前端、后端、数据库、部署、AI 这些都要能自己动手解决问题。
3)一定要重度使用 AI 编程工具。FDE 常常要在几天内交付一个可用的原型,靠手写代码是来不及的。熟练使用 Cursor、Claude Code、Codex 等工具快速出活,同时还能把控 AI 生成代码的质量,是 FDE 的核心竞争力之一。如果你还不熟悉 AI 编程,可以先看我免费开源的 《Vibe Coding 零基础入门教程》。
4)有意识地锻炼沟通能力。根据 OpenFDE 社区的统计,七成以上招聘 FDE 的公司会在岗位要求里强调 “清晰的沟通能力”,超过一半会提到 “适应模糊性”。这些能力没法速成,只能在实践中慢慢积累。你平时可以多做技术分享、多写技术文档、多去需求评审会上发言,有机会就主动找产品和业务同事聊需求。
⏰ 如果你已经有 2 年以上的开发经验,按照这份路线准备大约需要 3 到 5 个月(仅供参考)。
FDE 首先得是一名能够独立交付的工程师,所以我们从全栈工程基础开始。
具备独立开发和部署一个完整 Web 应用的能力,熟悉常见的数据库、云服务和部署方式,能够快速看懂和修改陌生的代码。
编程语言【必学】
后端和前端开发【必学】
数据处理【必学】
部署运维【必学】
1)这个阶段的目标是 “够用”,而不是 “精通”。如果你本身是后端开发,就重点补一下前端和部署;如果你是前端开发,就重点补一下后端和数据库。
2)SQL 和数据处理能力对 FDE 特别重要,因为 AI 落地的第一步几乎都是 “把客户的数据搞清楚”。很多时候,客户的数据格式混乱、字段含义不明、缺失值一大堆,这时候能快速写脚本把数据清洗干净的人,会非常受欢迎。
3)海外的 FDE 往往要使用客户已有的云平台,所以对三大云平台的岗位需求都差不多。国内则以阿里云、腾讯云、华为云为主,还会经常遇到私有化部署和信创国产化环境,有机会的话可以提前了解一下。
有了扎实的工程基础,接下来要掌握 FDE 带给客户的核心价值,也就是 AI 应用和 Agent 的开发能力。
熟练掌握 RAG、Agent、MCP、Agent Skills 等 AI 应用开发技术,能够针对客户的数据和业务流程,快速开发出可以投入生产的 AI 应用,并用评测数据证明它的效果。
AI 应用开发基础【必学】
FDE 的高频交付物【必学】
评测和质量保障【必学】
生产级要求【必学】
模型选型和优化【建议学】
1)这个阶段的技术内容和 AI 应用开发岗位基本一致,建议按照 AI 大模型应用开发学习路线 系统学习,这里只强调几个 FDE 特别需要的点。
2)MCP Server 和 Agent Skills 是 FDE 最常见的交付物。Anthropic 在招聘 FDE 时就明确写了,FDE 需要为客户交付 “MCP 服务、子智能体和 Agent Skills” 这些可以在生产环境中使用的技术产物。所以你最好亲手做几个 MCP Server,最好是对接真实的业务系统,比如飞书多维表格、企业微信、工单系统等。
MCP 官方文档里有一篇 “Build an MCP server” 教程,会带你从零写一个天气查询的 MCP Server 并接入 Claude,建议先跟着它跑通一遍,再去对接真实的业务系统。

3)评测能力决定了你能不能说服客户。客户不会因为你的 Demo 看起来很酷就买单,他们关心的是 “用了之后到底能省多少人、多少钱”。所以从项目的第一天起,就要和客户一起定义清楚验收指标,比如 “客服工单自动处理率达到 60%,错误率低于 2%”,然后用评测数据持续证明效果。
4)低代码平台是 FDE 的 “快速武器”。在需求还不明确的阶段,用 Dify 或 Coze 半天搭出一个原型给客户试用,比花两周写代码再推翻重来高效得多。等需求稳定了,再根据需要用代码重构成更可控的方案。
会开发 AI 应用还不够,FDE 面对的是客户真实而复杂的 IT 环境。能不能把 AI 安全、稳定地接入这些系统,是 FDE 和普通 AI 开发者最大的区别。
了解企业 IT 系统的常见架构,能够安全、稳定地把 AI 应用接入客户已有的业务系统、数据平台和协作工具,并满足企业的权限、安全和合规要求。
常见企业系统【必学】
系统对接方式【必学】
企业级要求【必学】
1)企业系统集成是 FDE 和普通 AI 开发工程师差别最大的地方。很多 AI 项目在 Demo 阶段效果很好,一到真实环境就卡在了 “拿不到数据”“没有权限”“不能连外网” 这些问题上。所以这个阶段的重点不是学多少新技术,而是建立 “企业级思维”,在设计方案时提前考虑好权限、安全和稳定性。
2)权限问题一定要放在第一位考虑。在 RAG 和 Agent 场景下,最常见的安全事故就是 AI 把用户没有权限查看的数据回答了出来。一个合格的方案,应该在检索和工具调用阶段就按照当前用户的权限做好过滤,而不是寄希望于提示词让模型 “不要说”。
3)建议找一个真实的平台练手,比如在飞书或企业微信里开发一个 AI 机器人,接入你自己的知识库,再加上审批流程。这个过程会让你遇到回调验签、消息加解密、权限申请、频率限制等一大堆真实的问题,比看十篇文档都有用。鱼皮的 公众号智能管理系统 项目就完整实战了第三方平台的认证、消息回调和 AI 自动回复,可以作为参考。
以飞书为例,开放平台的开发文档里专门有一个 “开发机器人” 的分类,从机器人概述、快速入门到自定义机器人的使用指南都写得很详细,跟着文档就能做出第一个能在群里回复消息的机器人。

技术问题解决之后,还要能把项目真正 “交付” 出去。这个阶段要学的,是一套从需求调研一直到上线移交的方法论。
掌握从需求调研到上线移交的完整交付流程,能够把一个模糊的业务问题拆解成清晰的技术方案和可衡量的验收标准,并在范围、速度和质量之间做出合理的取舍。
需求调研和问题定义【必学】
方案设计和范围管理【必学】
落地和移交【必学】
项目管理【建议学】
1)交付方法论是 FDE 区别于普通开发者的核心能力,也是最难从教程里学到的部分。我的建议是,先系统学习 企业项目开发流程 和 软件工程学习路线,理解一个项目从立项到上线的完整流程,再在自己的项目中有意识地实践。
下面这张图展示了 FDE 交付一个 AI 项目的典型流程。从需求调研、问题定义、方案设计,到小范围试点、正式上线和运维移交,每一步都要和客户确认清楚再往下走,项目结束后还要把沉淀下来的经验反馈给公司的产品团队。

2)学会把模糊的问题说清楚。客户提出的需求往往非常模糊,比如 “我们想用 AI 提升销售效率”。这时候你要做的不是马上开始写代码,而是通过追问把问题具体化。是销售人员写报价单太慢?还是找客户资料太费劲?还是跟进客户经常遗漏?每一个具体的问题,对应的方案都完全不同。Palantir 的 FDE 面试中有一个经典环节,就是给你一个模糊的业务问题,让你现场拆解成可以执行的计划,非常值得提前练习。
3)先交付价值,再追求完美。FDE 的成功标准是 “生产环境中的实际使用”,而不是代码写得多漂亮。在项目早期,宁可先上线一个只解决 30% 问题但稳定可靠的版本,也不要花三个月憋一个大而全的系统。
4)每做完一个项目,都要写一份复盘文档,记录这个项目的背景、方案、踩过的坑和最终效果。这些复盘既是你自己的成长积累,也是面试时最有说服力的素材。
交付方法论能否落地,最终靠的是和人打交道的能力。这部分内容没法速成,需要在日常工作中持续积累。
能够听懂客户的业务语言,和不同角色的人高效沟通,把技术方案讲得让非技术人员也能听懂,并在至少一个行业积累一定的业务知识。
沟通表达【必学】
业务能力【建议学】
职场软技能【建议学】
1)很多程序员对 “沟通能力” 有误解,觉得就是能说会道。其实对 FDE 来说,沟通能力的核心是 “听懂” 和 “讲清楚”。听懂客户真正的痛点,而不是他们嘴上说的需求;把复杂的技术方案讲清楚,让对方能够做出决策。
2)行业知识是 FDE 的 “护城河”。同样是做 AI 客服,懂保险业务的 FDE 和不懂的相比,设计出的方案质量可能天差地别。建议结合自己的工作经历,选择一个行业深入积累。如果你在金融、医疗等行业有工作经验,那会是非常大的优势。
3)锻炼沟通能力最好的方式就是 “多输出”。可以在团队里主动做技术分享,在社区写技术文章,或者把你的项目录成演示视频。刚开始可能会紧张、讲不清楚,这很正常,多练几次就好了。
最后,我们要把前面学到的所有能力,凝结成一份能打动面试官的作品集。
准备一个能够证明 “我能在复杂环境中把 AI 落地” 的作品集,写出有针对性的简历,顺利通过 FDE 岗位的面试。
FDE 的面试官最想看到的,是你 “把一个系统交付到别人的环境中” 的经历。所以比起做很多个小 Demo,不如集中精力打磨一个尽量贴近真实业务的完整项目。
一个理想的 FDE 作品集项目,应该包含下面这些要素。
比如你可以做一个 “企业智能客服助手”,接入一份真实的产品文档作为知识库,对接一个工单系统,支持把复杂问题自动转给人工,再配上评测报告和监控大盘。这样一个项目,能同时命中 FDE 岗位关于生产交付、Agent 开发、评测和系统集成的大部分要求。
如果你想跟着教程系统地做项目,鱼皮的这几个项目和 FDE 的工作内容非常贴近。
1)企业级 AI 网关:统一接入多家大模型,实战智能路由、自动降级、分布式限流和计费系统,FDE 在给客户做模型接入时经常会用到这套方案
2)AI 大模型评测平台:实战多模型对比、批量测试和 AI 评委打分,帮你掌握用数据说服客户的能力
3)AI 超级智能体:系统掌握 RAG、工具调用、MCP 服务开发和智能体开发
4)智能 BI 项目:用户导入数据后,AI 自动生成可视化图表和分析结论,是企业数据分析助手的典型场景

1)简历上要重点突出 “交付” 而不是 “技术”。不要只写 “使用 LangChain 开发了知识库问答系统”,而要写清楚 “为某业务团队交付了知识库助手,对接了哪些系统,解决了什么问题,上线后效果如何”。如果你有面向客户、对接业务部门的经历,哪怕不是 AI 项目,也一定要写上去。具体写法可以参考 鱼皮的保姆级写简历指南。
2)FDE 的面试流程和普通开发岗有明显的区别。以面试流程公开得最详细的 Palantir 为例,技术面通常会从下面几种轮次中抽取三轮,而且每一轮都会穿插行为面试题。
问题拆解轮是 FDE 面试最有特色的一轮。以 “如何减少超市的食品浪费” 为例,下面这张图演示了拆解的思路。先澄清目标,弄清楚要解决的是哪类食品的浪费;再定义可以衡量的指标,比如报废率;然后梳理手头有哪些数据,比如销量和库存;接着设计方案,比如根据历史数据预测销量;最后规划分期上线,先在一家门店试点。

OpenAI 的 FDE 面试则更偏向实战,通常会先布置一道基于 OpenAI API 的带回家作业(take-home),再让你录屏讲解思路,之后是技术深挖和面向客户的方案设计。所以准备 FDE 面试时,除了刷算法题,还要专门练习 “读别人的代码”“在需求变化时重构代码” 和 “把模糊问题讲清楚” 这三件事。练习问题拆解时,建议找朋友互相出题,练习时大声地把思考过程讲出来。
3)AI 相关的技术题,建议在 面试鸭 上系统刷一遍 AI 大模型题库;编程题和 SQL 题可以按照 数据结构和算法学习路线 准备;行为面试和案例分析,可以用 面多多 做几轮 AI 模拟面试,提前熟悉追问的节奏。
FDE 的走红,本质上反映了 AI 行业的一个重要转变,那就是竞争的焦点正在从 “模型有多强” 转向 “AI 能不能在真实业务里产生价值”。
当然,FDE 也有它的挑战。它需要频繁出差、经常面对高压的交付节点,对综合能力的要求也非常高。也有业内人士认为,等各行业的 AI 方案逐渐成熟、标准化之后,专门做探索性落地的 FDE 需求可能会有所回落。但我想说,FDE 背后所代表的那些能力,比如快速学习、解决模糊问题、把技术和业务连接起来,在任何时代都不会过时。即使将来岗位的名字变了,具备这些能力的人也一定会非常抢手。
如果你喜欢和人打交道,喜欢看到自己做的东西真正帮到别人,那么 FDE 很可能是一个非常适合你的方向。
加油,祝大家都能拿到满意的 Offer!

1)程序员学习交流圈:极客教程、实战项目、求职宝典
2)程序员面试八股文:实习/校招/社招高频考点、企业真题解析
3)程序员写简历神器:专业模板、丰富例句、直通面试
4)AI 知识资源大全:前沿技术、最新 AI 资讯、提示词大全
5)1 对 1 模拟面试:实习/校招/社招面试拿 Offer 必备