前沿部署工程——多形式学习

AI Agent 评测手册

一本关于评测 AI Agent 的独立手册——理论、交互式组件和实用指导。涵盖轨迹评测、工具使用评分、LLM 作为裁判、可观测性和可靠性，面向产品经理、工程师和创始人。

AI Agent 模式手册

每个 LLM Agent 背后的设计模式——ReAct 思考–行动–观察循环、工具/函数调用、规划与执行、反思、记忆、多 Agent 编排，以及在生产环境中导致 Agent 失效的故障模式（死循环、幻觉工具、恢复、人在回路）。

Kubernetes 手册

所有 YAML 背后的核心思想——声明期望状态，由控制循环让现实与之匹配。涵盖编排问题、Pod、Deployment 与 ReplicaSet、服务与网络、调和循环与自愈、调度器、配置/密钥与健康探针、自动扩缩容，以及你何时真正需要 Kubernetes。

可观测性手册

看清生产环境内部——监控与可观测性的区别、三大支柱（指标、日志、追踪）及各自能回答的问题、结构化日志、指标类型与基数陷阱、分布式追踪、黄金信号与 SLI/SLO/错误预算、基于症状而非原因的告警，以及故障期间如何关联三者。

AI 安全手册

你的应用现在会读取互联网并相信它。为什么提示注入是过滤器无法解决的设计问题、致命三要素（私有数据 + 不可信内容 + 数据外泄）、从最小权限到输出验证的纵深防御、PII 实际泄露的位置（日志、嵌入、权重）、MCP/模型供应链信任，以及作为 CI 门禁的红队评测套件。

Docker 手册

容器是内核讲述的一个“谎言”——命名空间（进程能看到什么）加上 cgroups（进程能使用什么），而非虚拟机。涵盖镜像分层与将构建时间减半的缓存排序规则、交付体积更小的多阶段 Dockerfile、卷与绑定挂载、基于名称的网络、Compose，以及向 Kubernetes 的交接。

API 设计手册

API 是一个你要坚守多年的承诺。诚实地在 REST、gRPC 与 GraphQL 之间做选择、对 REST 进行资源建模以便消费者能够猜测、契约优先的 gRPC 与 protobuf 演进、能在真实网络中存活的幂等语义（幂等键、游标分页、结构化错误）、不破坏客户端的版本管理，以及为什么 Agent 工具模式是最新的 API 面。

RAG 与微调

AI 工程中最常见的弯路——需要检索时却去做微调，或者反过来。决定方向的关键区别（知识 vs 行为）、一张正面对比表、各自适用的场景，以及为什么最强的系统会两者结合：用微调塑造行为，用 RAG 提供知识。

MCP vs Function Calling

人们常把两者放在一起比较，但它们其实处于不同的层次——就像拿 USB-C 和“发送数据”来比较。Function calling 是模型发出结构化工具请求的能力；MCP 则是用于发现和连接工具服务器的开放标准。MCP 如何使用 function calling，以及各自何时重要。

LLM 可观测性手册

将一次 AI 请求追踪为一棵 span 树。为什么总延迟是关键路径——取的是最大结束时间，而不是各时长的总和，因为并行的 span 会重叠——而成本则是所有 span 之和；如何找到瓶颈 span，以及每次 LLM 调用应该记录什么（包括用百分位数而非平均值）。附可演算的数学和可运行的代码。

CI 中的评测手册

把 LLM 质量变成回归门禁，就像代码的单元测试。每次变更都在黄金集上打分，以及为什么门禁既需要整体阈值，也需要逐用例不回归——因为健康的平均值可能掩盖一个坏掉的用例（均值保持不变，而某个用例已经崩溃）。如何接入 PR 流水线、用容差区间处理非确定性，以及避免门禁不稳定。附可演算的数学和可运行的代码。

OAuth 与认证深度解析

“使用 Google 登录”如何让应用代表你行事，却始终看不到你的密码。OAuth 用一个范围受限、可撤销的令牌换取你的凭据，并通过一个短时效的授权码交付——这个授权码本身毫无价值，要换成令牌需要浏览器无法完成的背信道交换。两个参数守护整个流程：state（一个会被原样回传的随机值，用于阻止伪造/CSRF 响应）和 PKCE（challenge = SHA-256(verifier)，因此即使授权码被窃取，没有密钥也无法兑换）。此外还涵盖认证 vs 授权、OIDC/ID 令牌，以及各种陷阱（隐式流程、未校验的令牌、过宽的权限范围、令牌泄露）。附可演算的数学和可运行的代码。

前沿部署工程师：角色与思维方式

AI 领域增长最快的工程职位的全面解读：FDE 到底做什么（对客户结果负责，而不是对工单负责）、它与软件工程师、解决方案工程师和顾问的区别、它要求的思维转变、一周的真实工作，以及如何入行。

FDE 的客户探索与需求界定

FDE 如何在构建错误的问题之前找到真正的问题：错误问题的代价、观察用户而非询问用户、能挖掘真相的提问方式、把成功定义为一个数字、界定能证明价值的最小切片，以及预示部署将陷入停滞的危险信号。

FDE 的客户集成模式

集成是 POC 死掉的地方。FDE 实战手册：五大集成类型（REST/GraphQL、webhook、文件/SFTP、数据库/CDC、队列），接入客户系统的认证（API 密钥、OAuth、mTLS），边缘可靠性（幂等性、带抖动的重试、webhook 验证、死信队列），以及映射混乱的客户数据。

FDE 的快速原型开发

FDE 如何在几天而非几个月内构建一个有说服力的原型：一次性优先思维、最小可演示的垂直切片、选择无聊但快速的技术栈、诚实地伪造非核心部分（硬编码 / 桩 / 奥兹巫师法）、演示驱动开发，以及知道何时该丢弃、何时该加固。

在客户环境中部署

把产品交付到客户真正能运行的地方：四种部署目标（你的 SaaS、客户的云/VPC、本地部署、物理隔离环境），向右迁移时会发生什么变化——数据流出、更新、模型托管、密钥、可观测性以及你自己的访问权限——外加可移植的打包方式和物理隔离环境的更新路径。

演示与讲故事实战手册

演示是一场表演，不是代码评审。FDE 如何准备（客户数据、排练、备用录像）、构建故事结构（以问题开场、先展示后解释、落在“所以呢”上）、在现场故障时如何恢复而不在台上调试、读懂观众（高管 / IT / 用户），以及趁热打铁地跟进。

FDE 的安全与合规

足够的安全以赢得客户的“同意”：SOC 2、HIPAA、GDPR 和 PCI 实际要求什么，如何处理数据和密钥，安全审查会检查什么，以及 FDE 必须应对的 AI 特有风险（提示注入、数据泄露给模型提供商、提示中的 PII）。

解决方案工程与干系人管理

FDE 工作中非代码的一半：摸清会议室里的角色（拥护者、阻碍者、决策者、用户），用可见的“以后再做”清单管理范围蔓延，友善地说不，设定预期并尽早暴露风险，以及多线沟通以确保部署不会因某一个人而搁浅。

从 POC 到生产：加固

“演示成功”与“人们依赖它”之间的差距：FDE 如何将概念验证加固为真正的系统——可靠性（异常路径处理、幂等性、背压、校验）、可观测性（结构化日志、指标、健康检查）、安全与配置卫生，以及加固还是重建的决策。

FDE 的交接与赋能

FDE 如何在不变成永久无偿支持团队的情况下完成部署交接：为什么退出才是目标、交接什么（运维手册、文档、架构、联系人清单）、如何写出能在凌晨 2 点派上用场的运维手册、手把手赋能客户团队，以及提前定义退出条件。

快速学习客户的业务领域

FDE 如何在一周内成为新领域的行家：为什么领域精通是一种超能力、从客户的真实数据中学习、进行能让你学到东西的 SME 访谈（“提外行问题”的许可）、建立客户术语表、找到领域的 80/20 要点，以及精通如何累积信任。

面向 FDE 的 AI 应用模式

现代 FDE 部署的 AI 工具箱：基于客户文档的 RAG、驱动客户工作流的 Agent，以及作为验收测试的评测——外加如何在提示词、RAG、Agent 和微调之间做选择，以及如何以“足够好”的标准和人工把关诚实地交付 AI。

什么是前沿部署工程师？

核心定义及来源：FDE 负责客户环境内部署的完整周期。该角色的三种类型（构建者 / 偏售前型 / 内部型）、为什么招聘启事一年内增长 729%、谁在招聘、真正的门槛是什么，以及这个头衔能否在自身炒作中存活。

FDE 与所有相邻角色对比

一张总表，将前沿部署工程师与十一个相邻角色——软件工程师、AI 工程师、解决方案工程师、架构师、顾问、PM、DevOps、数据工程师、SRE、TAM、客户成功——在环境、职责归属和薪酬结构上进行对比，随后是四组深度对比，以及一个用于解读任何招聘启事的四项检查测试。

FDE 与软件工程师

同样的代码，不同的物理规律。重塑一切的责任不对称、并排对比的两份日历、为什么 FDE 薪酬更高但波动范围大得多、哪些能力可以从产品工程迁移过来、哪些必须从头建立，以及双向转换的坦诚清单。

FDE 与 AI 工程师

工具箱相同——RAG、Agent、工具 schema、评测——但 AI 工程师的难题是模型，而 FDE 的难题是围绕模型的组织。应用 AI 工程师和 Agent 工程师的定位、作为区分两者关键技能的协商式评测，以及薪酬、天花板和出路的不同。

FDE 与解决方案工程师及架构师

一个问题区分三者：签约之后，谁对生产环境的运行负责？包括能在 30 秒内识破换壳售前招聘启事的测试、一个企业级交易的逐阶段跟踪，以及如果你从售前转型需要补齐的生产工程差距。

FDE 与顾问

前沿部署工程只是包装更好的咨询吗？三件事真正区分它们——运行软件、产品反馈闭环和股权——而每一项都可能悄然消失。服务化陷阱、四个能检测它的面试问题，以及 FDE 无论如何应该向顾问借鉴的东西。

前沿部署工程师薪酬详解

为什么公开数字相差七倍——现已理清：基本工资与总薪酬的区别、从前沿实验室到国防系统集成商的六个雇主层级、职级阶梯及每一级的要求、解读 offer 的六个问题，以及让薪酬包大部分成为对未来预估的股权结构。

如何成为前沿部署工程师

具体的入行路径：真正的门槛（staff 级判断力，而非简化版软件工程师）、按依赖顺序排列的六项技能、胜过一切的唯一作品集成果、12 周计划、来自支持/咨询/无学位背景的应对方法，以及对付费 FDE 课程和认证的坦诚评价。

前沿部署工程值得做吗？

坦诚的版本。五项明确的代价——编码能力退化、出差、有责任无控制权、服务陷阱，以及一种特定类型的倦怠——每一项都附上不会发生该问题的岗位版本。然后按顺其自然的程度对出路进行排序，以及八个能帮你摆脱这些代价的问题。

FDE 的一天

逐小时展开，基于已发布的亲历叙述：客户现场的一天、远程开发的一天和发布周的一天——外加 40/30/30 的分配比例在单次部署的探索、原型、加固和交接各阶段中如何实际变化。

一个完整的 FDE 项目案例

一家虚构的保险公司，一次 12 周的部署，九份结业成果全部填写完整：探索、章程、架构与威胁模型、部署切片、评测关卡、事故复盘、与财务部门的 ROI 论证、经过测试的运维手册和泛化备忘录。每个数字都对得上。

FDE 面试准备：九轮面试

完整的前沿部署工程师面试指南——问题拆解、学习轮、增量编码、调试/重构、带回家作业+答辩、客户角色扮演、价值观、面向客户的系统设计和行为面试中的担当。每轮考察什么、每家公司都在筛选的五个信号、四周计划，以及每一轮的互动式演练。

Palantir FDSE 面试

每家公司都在效仿的面试流程：在线测评、从五种轮次类型中抽取的面试小组，以及逐分钟拆解的问题拆解轮——优秀候选人在前五分钟做什么，失败者又做什么。外加 FDSE / 部署策略师的区别和两周准备计划。

OpenAI FDE 面试

据报道的 OpenAI 前沿部署工程师面试流程如何运作：数小时的 API 带回家作业、真正被打分的必做视频演示，以及占评估约一半的案例/共情轮——外加赢得带回家作业的六个习惯。

Anthropic 应用 AI / FDE 面试

前沿实验室中最具 Agent 形态的 FDE 面试：层层加码的编程评估、靠协商评测才能拿下的部署案例，以及候选人普遍反映失败率最高的价值观环节——外加如何针对性准备的完整指南。

Sierra Agent 工程师面试

现场增量编程、在不使用 Agent 框架的前提下搭建一个客服 Agent，以及一场埋有预设 Bug 的现场调试。为什么“禁用框架”这一约束是所有已公开的 FDE 面试流程中最干净的信息提取手段——以及框架替你隐藏的六个决策。

Distyl AI 面试（允许使用 AI）

少数公开自身面试理念的公司之一：在带回家的作业中使用 AI，然后为它产出的一切进行答辩。他们否决的三种反模式——Autopilot、Default 和 Demo——以及当允许使用 AI 时，哪些环节仍须由人来完成的逐阶段拆解。

FDE 带回家作业实战手册

带回家作业是现代 FDE 面试流程的重心，评分标准是判断力而非工作量。包含时间预算的五阶段方法、评分者真正看重什么、一份刻意含糊的五小时练习题、一份 30 分自评量表，以及如何准备视频答辩。

面向客户工作的评测

前沿实验室 FDE 职位描述中被引用最多的硬技能，却几乎无人教授：把“它应该准确”变成一道关卡。在承诺任何数字之前先测量专家间一致性，构建经得起实战检验的黄金数据集，用人工评分校准 LLM 评审，接入 CI 关卡（包括逐案例回归检查），最后把整套东西交接出去。

证明价值与 ROI

大约 95% 的企业级 AI 试点没有产生可衡量的损益影响——而“可衡量”这三个字才是这句话的关键。第一周就采集基线，商定一个核心数字，度量采用率和人工接管率，从容应对三种常见的 ROI 质疑，并主持那场决定续约与否的 45 分钟业务复盘。

FDE 的事故处理、值班与 SLA

在一个不属于你的环境中做生产运维：协商一份计时从你被呼叫（而非用户发现问题）时才启动的 SLA，熬过单人轮值，在日志无法离开客户网络时处理事故，在续约决策者在场的情况下撰写复盘报告，以及用四个里程碑把自己从轮值中解脱出来。

面向 FDE 的企业身份体系

这一层挡下的企业订单比模型质量问题加起来还多。SAML 与 OIDC 的取舍以及客户何时替你做决定、SCIM 停用（是通过 PATCH 把 active 设为 false，而不是 DELETE）、能在组织重组后依然成立的组到角色映射、用工作负载身份取代静态密钥，以及安全审查者会向你要的五份材料。

FDE 的商业层

没人教你的部分：在被 SOW 约束之前读懂它，造成所有痛苦的六个条款，四种定价模式及各自对你一周工作的影响，区分客户需求与销售代表的业绩指标，服务陷阱的算术，以及提前九个月开始的续约。

FDE 的 MCP

Anthropic 的 FDE 职位描述将 MCP 服务器列为交付物。设计模型真正能用的工具接口，把 2009 年的 SOAP 服务和存储过程封装为工具，把代码到词汇的映射放进服务器，以及在客户数据与读取任何内容的模型之间的四个信任边界问题。

气隙与受监管环境部署

客户说“气隙”时的五种含义，为工程师讲解 FedRAMP 和 DoD 影响级别，模型权重进入断网环境的八步路径，由变更委员会而非你的 CI 设定的更新节奏，以及当遥测数据无法传出时为什么评测总是最先出问题。

面向客户环境的 IaC

当账号、集群和变更流程都属于别人时的 Terraform 和 Helm：谁持有状态，无出口 VPC 在运行时会破坏的七件事，引用你不得读取的密钥，以及作为交接唯一诚实测试的洁净室重建。

应用 AI 工程师详解

“应用”不是指应用研究——而是指模型要对接真实客户的系统，而你正站在这一切发生的地方。公开的 40/30/30 比例，这一头衔与 AI 工程师和 ML 工程师的区别，该家族的五种徽章变体，以及能识别其中任何一种的两个问题。

FDE vs FDSE vs 部署策略师

Palantir 将前沿部署工作分为工程阶梯和策略阶梯；大多数公司照搬了头衔却没有照搬这种划分，这就是为什么同一个词现在指两种工作。每个角色负责什么，两者的循环如何分化，以及这份对比旨在防止的职业错误。

AI 解决方案工程师

签字另一端的工程师。大约三分之一的 FDE 家族职位是售前性质的：这在整个交易周期中意味着什么，OTE 如何改变你在哪些客户上花时间，为什么“它有多准确？”绝不能用一个数字来回答，以及接受 offer 前要问的四个问题。

FDE 经典文献

十个真正能解释这一角色的来源——第一手叙述、作为文档来读的职位描述、商业论证以及市场数据——每个都说明能从中学到什么以及它没有谈到什么。按此顺序阅读，并诚实记下缺失的部分：关于身份、安全审查、商业层面或评测的内容几乎没有什么好的资料。

路线图 1

系统设计 7

设计大规模 Webhook 摄取系统

构建可靠的 Webhook 接入管道——所有集成的基石。学习签名验证与重放保护、通过持久化队列快速确认、将至少一次投递转化为实际恰好一次的幂等处理、带死信队列的有界重试、修复后的重放，以及消费者滞后和 DLQ 深度的监控。

设计客户数据集成管道

构建在几乎每次部署中都要接入客户杂乱数据的管道。学习源连接器（API、SFTP、数据库、变更数据捕获）、暂存、验证与映射到规范模式、隔离坏行而非丢弃它们、基于检查点的增量同步、带回填的幂等 upsert 加载，以及证明数据已落地的对账。

设计多租户客户隔离

用一个系统服务众多客户，且绝不泄露他们之间的数据。学习租户上下文传播、数据隔离谱系（行级、每租户一个模式、每租户一个数据库）、通过每租户配额防止嘈杂邻居、每租户加密密钥与配置，以及让隔离可被证明的审计与自动化跨租户测试。

设计审计日志与合规追踪

构建能通过客户安全审查的审计系统。学习对“谁在何时做了什么”的结构化捕获、仅追加的不可变（WORM）存储、基于哈希链的防篡改证据、面向合规窗口的保留与归档，以及脱敏敏感数据并审计审计者的受控查询。

设计企业级评测管道

把“应该准确”变成能阻止合并的关卡。学习分层冻结的黄金集、设定可辩护目标的专家间一致性上限、附带校准报告的 LLM 评审、按用例断言回归而非平均值的 CI 关卡、区分分布偏移与分数衰减的漂移监控，以及续约真正依赖的那个业务数字。

设计 Agent Harness（AI 监督交付）

从编写功能代码转向编写生成代码的系统。学习将任务分解为机器可验证的单元、用精心设计的窄工具面替代 shell 访问、让失败代价低廉的每任务沙箱、Agent 无法绕过的验证关卡、按影响范围路由的评审队列、基于仓库的上下文，以及让 Agent 工作可审计的台账。

设计企业级 SSO 与用户开通

这一层比模型质量更能阻碍企业级交易。学习多租户 SAML 与 OIDC 联合认证、以不可变的 subject 标识符作为用户主键、SCIM（停用以 PATCH 而非 DELETE 的形式到达）、能在组织重组后依然有效的组到角色映射、在承诺的时间窗口内撤销活跃会话与 API 令牌，以及安全审查人员索要的证据。

AI 系统设计 2

AI 系统设计

在客户环境中部署 LLM

在客户自己的环境中部署大语言模型——当受监管的客户不愿将数据发送到公共 API 时，前沿部署工程师就会遇到这一约束。了解为什么托管端点行不通、如何根据客户实际拥有的固定硬件选择合适的模型规模与精度、如何在有限的 GPU 上高效推理、如何在无网络出站的情况下运行（物理隔离、不回传数据）、如何以签名包的形式将模型与安全更新交付到锁死的环境中，以及如何在不外泄客户数据的前提下获得可观测性。

AI 系统设计

设计安全的文档摄取 + RAG

基于客户敏感的内部文档构建检索增强助手，其中安全——而非相关性——才是硬约束。了解为什么朴素的 RAG 会在用户之间泄露文档、如何在摄取时进行分类与访问标记、如何实现将相关性与用户可见权限求交集的权限感知检索、如何在提示词与日志之前对 PII 和机密进行脱敏、如何防御隐藏在不可信文档中的提示词注入，以及如何引用来源并对每次访问进行审计，使整个流水线能够通过安全审查。

论文精读 3

论文精读

审视那个 95% 的数字

企业 AI 中被引用最多的统计数据，经过仔细解读：据报道，约 95% 的试点没有产生可衡量的损益影响。这句话的关键在于两个词。“可衡量”指的是可归因的财务效应——不是准确率，也不是满意度；“试点”指的是有边界的试验，这天然筛选出那些在会计期结束前就终止的项目。这一个数字背后隐藏着三种不同的失败：衡量失败（系统有效，但不存在基线，因为没有人第一周就记录改造前的状况，事后无法弥补）、归因失败（某项指标改善了，但同一季度还有其他三件事发生了变化，财务部门不会把功劳记在你的头上），以及实际失败（工作流本身错了，或者没有人采用它）。前两种失败正是前沿部署这一角色存在的原因——它们都通过模型之前和之后的工作来解决。附来源与置信度标注（通过媒体报道获得，而非公开的方法论），并配以与之呼应的 a16z 论点。

论文精读

用毛利换护城河

为什么一家软件公司会刻意雇佣昂贵的工程师来做客户工作。服务驱动增长论点：把毛利率花在部署深度上，因为由此产生的集成难以被替代，且成果可被证明——毛利率的损失是换取防御性的获客成本，而非低效。决定这一论点是否成立的算术，以一个纸面演算为例：一名总成本约 30 万美元的 FDE 每年做 3 次部署，每次部署成本约 10 万美元，占 15 万美元 ACV 的 67%，占 60 万美元 ACV 的 17%——而 REUSE 是唯一会随时间改善的变量（0.6 倍，然后 0.4 倍）。这一论点内嵌的失败模式是付出了毛利率却没得到护城河，而护城河的流失是一次一个“合理例外”地发生的。诊断方法：第 N 次部署是否比第 N−1 次耗时明显更少？此外还有这种交易对你职业发展的意义，以及应该问雇主的两个问题。

论文精读

1,000 个 FDE 职位分析

读一千条职位描述胜过读一千种观点。同一个头衔至少涵盖三种截然不同的工作——构建者（客户少、深入、以里程碑为驱动）、售前（客户多、浅层、以季度为驱动、常带销售指标）以及内部/平台——而且使用 FDE 头衔的职位中约有三分之一是售前形态，而职位描述很少明说这一点。另一项统计在 669 家公司中统计了 1,206 条严格定义的职位，发布的基本薪资中位数约为 18.5 万美元。每条职位都要求：扎实的通用工程能力、LLM 应用模式、真实的集成经验、在你不掌控云环境的场景下做部署，以及日益增多的把 MCP 服务器作为交付物——其中评测是被引用最多的硬技能，却几乎无处教授。如何正确解读一条职位描述、能判定它属于哪种形态的两个问题，以及一个诚实的提醒：职位数量衡量的是需求信号，而非已填补的岗位。

编程挑战 16

指数退避重试

工具会超时，API 会限流——生产级 Agent 会重试而不至于狂轰滥炸。指数退避在每次失败后等待更长时间（1 秒、2 秒、4 秒、8 秒……），直至上限。计算延迟时间表：delay[i] = min(cap, base·2ⁱ)。用 Python 或 TypeScript 解决。

验证 Webhook 签名

每个真实的集成都会发送带签名的 webhook——而每个 FDE 都必须验证它们。对负载重新计算签名、以恒定时间进行比较，并拒绝过期事件以阻止重放攻击。用 Python 或 TypeScript 解决，附带隐藏测试。

幂等键处理器

网络会重试。一个 webhook 触发两次；一笔支付在超时后被重新发送。没有幂等性，你就会重复扣款或重复写入。解决方案：按客户端提供的键去重，并始终返回第一次的结果。用 Python 或 TypeScript 解决，附带隐藏测试。

CSV → Schema 映射器

每个客户都会交给你一份混乱的导出数据。在数据流入你的系统之前，每一行都必须被强制转换为符合 schema 的格式——字符串转整数、"true" 转布尔值——而不符合的行应被隔离，而不是被悄悄丢弃。用 Python 或 TypeScript 解决，附带隐藏测试。

数据对账差异比较

客户坚称迁移成功了。你来进行对账：以 id 为键，将源记录与目标系统中实际落地的记录进行比对，并准确报告哪些被新增、删除或修改了。用 Python 或 TypeScript 解决，附带隐藏测试。

PII 脱敏器

在客户数据写入日志行——或发送给第三方 LLM——之前，个人信息必须被清除。用模式匹配来遮蔽电子邮件、社会安全号码、信用卡号和电话号码，其余内容保持可读。用 Python 或 TypeScript 解决，附带隐藏测试。

配置校验器

“在客户那边跑不起来”的问题有一半源于错误的配置——缺少键、该是整数的地方却是字符串、使用了不允许的环境。提前进行校验，并以清晰的错误列表大声失败，而不是在三层深处崩溃。用 Python 或 TypeScript 解决，附带隐藏测试。

API 分页收集器

客户的 API 每次通过游标返回 100 行数据。你需要拿到全部数据。逐页跟随 "next" 指针直到耗尽——这是每个“同步一切”集成背后的循环。用 Python 或 TypeScript 解决，附带隐藏测试。

带完全抖动的指数退避

当客户的 API 抛出 503 错误时，所有按相同倍增节奏重试的请求会同步蜂拥而至。完全抖动将重试随机分散在整个时间窗口内，使请求群散开。计算延迟调度。用 Python 或 TypeScript 解决，附带隐藏测试。

重构遗留 ETL

你接手了一个没人能解释清楚的聚合逻辑，而且总数是错的。三个被埋下的缺陷——规范要求的是包含列表却写成了排除列表、去重键缺少一个字段、以及本不应出现的预置客户。这是 FDE 重构环节。用 Python 或 TypeScript 解决，附带隐藏测试。

修复传播遍历

接手的代码计算某事物在联系人图谱中的传播范围，但答案在小规模输入下看不出错误。一个单向邻接表、一个没有去重的边界集合，以及一个更新晚了一步的已见集合。用 Python 或 TypeScript 解决，附带隐藏测试。

LRU 缓存，逐个约束叠加

增量编码环节的完整打包：一个缓存先变成有界的，再变成最近最少使用的，最后加上监测功能——每个阶段都会推翻上一阶段的实现形态。考验你的第一版代码能否吸收下一个需求。用 Python 或 TypeScript 解决，附带隐藏测试。

深拷贝，逐个约束叠加

一个渐进式挑战轮次，问题的第三阶段会真正打破显而易见的设计：复制一个对象，然后是嵌套结构，再是包含循环引用的结构，最后是两个键必须仍然共享同一个克隆的结构。用 visited set 防止崩溃，并在最后一个阶段让它失败。用 Python 或 TypeScript 解决，附带隐藏测试。

限流器，逐条约束实现

第三个渐进式挑战轮次，第二阶段会彻底推翻第一阶段：固定窗口计数器变成滑动窗口，然后按键区分，再加上突发流量配额。考验你能否冷静地说出“这个计数器必须扔掉”并进行重构。用 Python 或 TypeScript 解决，附带隐藏测试。

调和两个不一致的系统

客户确信 ERP 和 CRM 的数据是一致的；但他们从未核对过。构建一个对账工具，生成一份可执行的报告——规范化匹配、逐字段差异、双方各自缺失的数据，以及重复键要报告出来而不是静默丢弃。用 Python 或 TypeScript 解决，附带隐藏测试。

采集一个不稳定的分页 API

供应商 API 采用分页，偶尔返回 500，存在未文档化的限流，而且当数据在你读取时发生变动会返回重叠的页面。收集所有数据，重试值得重试的请求，去重，并返回部分结果同时记录失败，而不是抛出异常。用 Python 或 TypeScript 解决，附带隐藏测试。

实验 12

部署目标选择器

不要猜测客户解决方案应该部署在哪里——回答约束条件，看着推荐结果自然得出。FDE 问题中对架构影响最大的是“这能部署在哪里？”。切换数据能否离开本地、是否受监管、是否有互联网、以及更新发布速度的要求，观察四种目标——SaaS、客户 VPC、本地部署、物理隔离——的评分，并附上胜出方案的推理过程。已做成可交互形式，附理论和测验。

集成可靠性实验室

不要只是阅读关于可靠集成的文章——观察一个不稳定的端点如何丢弃和重复事件，然后修复它。通过一个有时失败或超时的端点发送交付流，并切换三种能让它在真实流量下存活的模式：重试（减少丢失，但产生新的重复）、幂等性（消除重复）和死信队列（把丢失变成可恢复的东西）。观察 exactly-once 交付率攀升——已做成可交互形式，附理论和测验。

数据映射实验室

别只是阅读数据映射——动手做，看着数据行通过或失败。每个客户都会给你一份混乱的导出文件；在数据流入之前，每一列都必须映射到规范字段并强制转换为特定类型，不符合的行要被隔离，而不是被悄悄丢弃。选择哪一列对应哪个字段，看着验证逐行亮起绿色和红色——错误的映射会让一切失败，正确的映射只会隔离坏值。已做成可玩的形式，附理论和测验。

灰度发布策略实验室

别只是阅读发布策略——发布一个 bug，看看影响范围。你如何向客户的用户发布变更，决定了在你发现问题之前，一个糟糕的版本会波及多少人：全量发布让所有人暴露在风险中，金丝雀发布则先只暴露 1% 的用户。选择一种策略，发布一个有 bug 或健康的版本，看看影响范围——以及你为安全所牺牲的发布速度。已做成可玩的形式，附理论和测验。

范围界定模拟器

别只是阅读范围界定——在截止日期的压力下亲手裁剪。你有一个两周的预算和一份愿望清单。为概念验证挑选功能，然后看结论：它是否包含那个能证明价值的垂直切片，是否符合时间盒？塞得太多，你什么都交付不了；跳过核心，你什么也证明不了。找到能让客户相信的最小切片——已做成可玩的形式，附理论和测验。

问题拆解轮，模拟版

Don't read about the FDE decomposition round — sit it. Pick a case (taxi fleet, emergency response, fraud unification, marketplace) and get scored on the five clarifying questions you ask before the propose button unlocks, then on which sub-problems you attack and in what order, then on the two things you explicitly refuse to build. Premature solutioning scores negative, exactly like the real round. Ends with an interviewer verdict and a band. The signature Palantir-style round, interactive nowhere else.

客户角色扮演模拟器

真正决定部署成败的四场对话，以分支对话的形式呈现：你的演示在客户 CTO 面前崩溃，一位利益相关者坚持要错误的功能，安全团队拒绝放行数据，以及一位团队不断缩小的经理不断提出异议。你的每一次回复都会移动一个实时信任度仪表，并改变他们接下来的说法。最后根据 FDE 面试官筛选的四个信号给出评分结论——这是每份指南都让你和朋友排练的那一轮。

学习轮，模拟版

Learn a library that does not exist. You get the internal docs for <code>flowpkg</code> — a package installer with dependency stages, a barrier between them, ordered post-install hooks and idempotent installs — in three unlocking sections with comprehension gates. Two rules are deliberately buried, and the last question can only be answered by combining rules from different sections. Tests reading strategy, not recall, exactly like the real round.

评测构建器：从模糊目标到 CI 关卡

A customer says the system “should be accurate”. Turn that into something a contract can rest on, in four acts: pick metrics (two of the strongest are not accuracy at all), discover the real ceiling by measuring how often the two human experts agree with each other, configure and calibrate an LLM judge, then set a CI gate and watch it catch a change that raises overall accuracy while more than doubling the expensive errors. The most-cited hard skill in FDE job descriptions, made playable.

安全审查闯关

The review that blocks more enterprise AI deployments than any technical problem, in three rounds. Answer a SIG/CAIQ-style questionnaire where a specific no with a compensating control outscores a vague yes — and a false yes ends the review. Survive a live CISO call with a trust meter that punishes bluffing exactly as the real one does. Then threat-model an LLM application, where the plausible mitigation is usually not the one that holds. Ends with a findings report: approved, approved with conditions, or blocked.

利益相关者政治实验室

部署死于组织架构图，而非架构。同一客户的六个人，每人仅用一句话描述——将他们分类为经济买方、拥护者、最终用户、阻碍者或数据守门人，并且至少有两次头衔会误导你。然后处理真正终结项目的三种情况：从不说不但也从不授予访问权限的守门人、其团队正被你自动化的团队负责人，以及在第五个月辞职的拥护者——同时联盟仪表追踪谁还站在你这边。