硅谷最火的新岗位，划出了 AI 时代职场的斩杀线

如果一家传统的银行，想要用 AI 来自动化老员工分析师的工作，第一步应该做什么？

一家公司已经购买了 AI 服务，搭建了自己的 AI 系统，但是反馈说根本不好用，问题是出在 AI 模型、数据、权限，还是选错了工作流？

管理层想要让 Agent 直接修改已有的生产系统，但安全团队表示坚决反对，工程师应该听谁的？

这些题目来自 Reddit 上一份 Anthropic FDE 面试指南，帖子完整地介绍了一个候选人，想要拿下 Anthropic 这个名为 FDE 的岗位，最好需要做哪些准备。

FDE 是什么，这个最近在硅谷走红的岗位，怎么就突然成了 AI 公司招聘页面的热门。

Forward Deployed Engineer 是 FDE 的全称，常译作前沿部署工程师或前线部署工程师。这类工程师既要写生产代码，也要懂 Agent、评测和安全；既要进入客户现场，又要决定什么问题值得解决。

OpenAI 把 Forward Deployed Engineering 单独列成团队，在旧金山、西雅图、东京、首尔、新加坡等地招聘；Anthropic 把新加入的成员称为「founding FDE」。

国内的大厂，像字节和腾讯等公司都有相关的 FDE 职位，腾讯在社招里发布了三个前线部署工程师的岗位，都需要三到五年以上工作经验，属于产品的职业类别。

字节则是直接叫 AI FDE 工程师，没有使用「前线部署工程师」类似的翻译，放在了研发这一职位类别下，招聘的岗位也从飞书、火山引擎到数据平台都有。

甚至还有实习生的 FDE 岗位，但字节的 FDE 实习生又属于「销售-销售支持」这一类别。

一直都在说 AI 只会抢走人类的岗位，这个因为 AI 而兴起的岗位FDE，具体又到底是什么，我也可以去申请吗？

2023 年以来，暴涨 42 倍

根据 LinkedIn 2026 年 1 月的全球劳动力报告显示，Forward-Deployed Engineer 自 2023 年以来增长 42 倍，同期 AI Engineer 为 13 倍。

而据招聘平台 Indeed 的数据，2025 年 4 月，全站 FDE 岗位只有 643 个；到 2026 年 4 月，这个数字变成了 5330——一年翻了 7 倍多。《华尔街日报》直接称它为「科技行业最热门的工作」。

听着很新潮，但这个岗位已经有将近 20 年的历史。最早是美国一家公司为了应对客户数据需要高度机密的情况，客户说不清楚具体需求，于是干脆把工程师「部署」在客户现场。

用他们的原话说，这个岗位的精髓就是：普通工程师用一个能力服务所有客户，FDE 为一个客户动用所有能力。

在这家公司的岗位招聘页面，他们还写着「我们首创了这一独特的职位，将才华横溢的工程师直接派驻到客户团队，直面他们最紧迫的挑战。」

二十年后，各种大模型在 demo 演示、个人用户手里无所不能，但一接进企业团队的真实系统就各种水土不服。想要真正让 AI 应用在更大的市场，「最后一公里」似乎成了各家公司招聘 FDE 的最大原因。

于是一名完整的 FDE 需要参与问题发现、技术定界、架构设计、开发、上线和用户采用。项目做完后，还要判断哪些内容只适用于这一名客户，哪些应该变成共享组件、参考架构或核心产品能力。

这套做法曾经与标准 SaaS 模式有些格格不入。软件公司追求一次开发、重复销售，FDE 却把昂贵的工程师重新放进每一个客户项目。而这一切，都是 AI 让这笔人力投入变得合理了。

FDE 要考什么

从腾讯招聘列出来的 JD 可以看到具体的岗位职责和岗位要求，以及加分项。

通常来说，FDE 都需要计算机科学、软件工程、数学、物理以及 AI 等理工科相关专业的本科及以上学历，3 年以上工程或者 toB 交付经验。

其中，最主要的还是要掌握各种 AI 应用技术栈，各类 Agent 产品，以及 AI 圈那些 RAG、Prompt、模型选型、Harness、微调、Skills、MCP、Multi-Agent 等专业术语的熟练掌握。

具体的工作内容和上文介绍的 FDE 工作详情类似，都是要进入客户现场，把模糊的业务需求做成可以上线的 AI 系统，推动客户真正使用，并对交付效果和 ROI 负责。

还有一点，自己动手搭建过 OpenClaw 或者其他 AI Agent 工具项目，都能算作加分项。我们曾经写的 OpenClaw 从安装到卸载也是能帮上忙了。

上下滑动查看更多内容

在 Reddit 上分享的面试指南帖子，更是直接把 Anthropic FDE 的面试流程大致分为了五关，每一关都在回答同一个问题：你能不能把 Claude 安全地融入任何一家企业的生意里？

HR 的初筛就要求说明为什么要选择驻场岗位，而不是去做传统的研发，你的动机大于一切。

接着围绕 Claude + MCP 等工具链的部署推演，作为技术场景的面试。这一轮主要考察候选人是如何做好上下文窗口管理，应对超长上下文不可靠该如何解决。

Anthropic 可能直接给参加面试的人开通 Claude，让他们边用边回答。

由于顶着工程师的头衔，编码轮面试还是必不可少。除了大量的刷力扣上的算法题，这份指南里推荐做一些针对性的刷题，像是做一个 Claude 的额度限制器、重构一个重试的排队、用模拟数据库做一个小型连接器，以及做一个任务调度系统等。

技术面之后，业界盛传通过率最残酷的一关，客户模拟轮就来了。有机构估算，约六成通过技术轮的候选人倒在这里。

面试官会扮演不懂技术的企业高管和挑剔的架构师，候选人不能打开代码编辑器，全靠提问完成需求发现。

最后是 Anthropic 的招牌关卡，也被广泛认为是全场最难。前段时间在社交媒体上也是被讨论的沸沸扬扬，Anthropic CEO 担心自己招来的人，只认钱不认使命。

因此，这一轮问题会深入道德冲突、上级压力、以及「你当时是什么感受」。有外媒报道，有的面试者会被直接问「如果公司的使命和赚钱发生冲突时，你会如何选择？」

如果公司有一天出于安全原因放弃人工智能计划，你会作何感想，而这一决定导致公司股价跌至零。

接受采访的这位 Anthropic 岗位求职者，还向外媒提出请不要泄露他的任何信息，他担心影响未来的就业机会。

Anthropic 还在招聘一名「内部风险调查员」负责监控并分类针对员工的外部威胁

抛开 Anthropic 对使命的追求，FDE 考察的其实从算法工程师、Prompt 工程师和售前顾问都有，它集合了产品经理、解决方案架构师、全栈工程师，以及客户交付负责人这些不同的岗位。

而薪资情况，FDE 在 Anthropic 给出的年薪是 188 万– 215 万，位于应用型、客户交付型工程岗位的高段，上限刚好碰到高级软件工程师和一般软件工程师的起点；核心模型、训练、评测等研究工程岗位的工资还是更高。

AI 时代的人才

未来 AI 时代的人才，不是那些最会写 Prompt 的人，而是了解行业，又知道如何把 AI 接入不同行业传统流程的人，他们就是 FDE。

网络上类似的评论非常多，尤其是在各种 FDE 科普、培训的帖子下。

还记得 Prompt 刚开始流行的时候，这个最吃香的人曾经是会写 Prompt 的人，Harness 流行，最吃香的人是会搭 Harness 的人，现在看来最吃香的人又变成了 FDE。

Prompt 工程师、Harness 工程师、FDE，职位名称一轮轮变化，这些 AI 想要突破能力却越来越清楚：让 AI 从演示走进生产环境，并为最终结果负责。

前段时间，吴恩达在 X 分享了自己对 AI 时代，个人需要掌握的四项 AI 技能。他提到这份 AI 工程技能图谱来自对大量招聘 JD、专家访谈和问卷调研的分析。

四项技能分别是构建和部署人工智能应用程序、软件工程基础知识、使用编码 Agent，以及 Shaping the Build，也就是理解业务和客户目标，参与决定产品该做什么。

FDE 的工作几乎同时覆盖这四项大能力：软件工程基础让系统能上线，AI 应用能力处理模型的不确定性，Shaping the Build 用来厘清客户目标，Coding Agent 加快现场试错。

而针对第一项技能，他最近的文章又提到因为 AI 应用和传统软件的本质区别，在于输出不可预测。

我们事先不知道 LLM 会吐出什么，构建 AI 系统是高度迭代的过程，一个 AI 高手的标志就是「能根据中间结果，熟练地决定下一步做什么」。

于是这项技能，他又分成了六个模块，大模型基础、用数据为模型提供上下文、Agent 系统、评测驱动开发、生产运维和机器学习基础。

对普通人来说，FDE 跟这个 AI 技能图谱一样，像一份 AI 时代的能力说明书。我们需要找到一个值得解决的问题，用 AI 把它做成可以上线的系统，并让真实用户愿意使用。

AI 行业愿意为 FDE 付溢价，买的正是这些能力，在别人的烂摊子里，把不确定性变成生产力。

国内的求职市场，FDE 或许很难像硅谷那般全面铺开，但我们可能未必需要成为 FDE，按照 FDE 的标准，重新构建自己的能力就够了。

我们正在招募伙伴

简历投递邮箱hr@ifanr.com

✉️ 邮件标题「姓名+岗位名称」（请随简历附上项目/作品或相关链接）