Plank Research · FDE 指南

前沿部署工程师面试指南

前沿部署工程师面试同时考察三件事：你能否编写生产级代码、能否在别人的系统和约束条件下工作、以及你是否对上线之后的结果负责。缺了任何一项，面试流程就会到此为止。

构建

生产级代码，而非演示。基础功底、Agentic 工作流、LLM 应用、Agent、RAG、语音。

融入

在客户的系统、数据和政治环境中工作。集成与部署的技艺。

负责

对生产环境中的结果负责。评测、可靠性、安全性、采纳率。

如何准备

深度胜过广度。没有人能在所有领域都是专家，但你应该能够在任何一个领域按需深入。

  • 完整交付一个端到端的项目，并清楚它在哪里出了问题 面试官会探究演示与生产之间的差距。准备一个你真正上过线的系统，并能说出你没有预料到的故障模式，以及你为此做出的改变。
  • 选两个领域，深入到第三个问题 广度帮你通过初筛，深度才能拿到 offer。选择与你实际构建过的东西最接近的领域，不断深挖直到触及你知识的边界，并且清楚这个边界在哪里。
  • 准备一个与代码无关的结果故事 几乎每一场 FDE 面试都会问到因采纳率、政治因素或糟糕数据而停滞的部署项目。提前准备好这个例子，包括你如何改变了自己的工作方式，而不仅仅是构建了什么。
  • 熟记你的数字 延迟预算、单次请求成本、评测通过率、token 开销、吞吐量。在这些问题上含糊其辞，会让面试官觉得你只做过演示。
  • 练习大声解读陌生代码 在一个不是你写的代码仓库中进行实时调试是常见的考察环节。说出你先检查什么以及为什么，因为被评分的正是你的推理过程。

软件工程基础

FDE 首先是一名资深工程师。考察标准是在陌生代码库中编写生产级代码，而不是白板智力题。

  • 务实的数据结构，以及你能推理而非死记的复杂度分析
  • API 设计：REST 与 RPC、版本管理、分页、幂等性
  • 关系型建模、索引与查询计划；NoSQL 何时才值得使用
  • 并发、异步 I/O、背压，以及它们所隐藏的竞态条件
  • 缓存层、失效机制与一致性权衡
  • 带退避和抖动的重试、超时与熔断器
  • 测试：单元、集成、契约、端到端；什么该 mock，什么绝不该 mock
  • 高压下的 Git：rebase、bisect，以及阅读一个不是你写的大型代码仓库
  • 对第一次接触的代码进行插桩和性能分析

信号题

  • 在一个你从未见过的服务中，现场调试一个缓慢的接口。
  • 什么时候可以接受最终一致性？如何让它变得安全？

Agentic 开发工作流

Plank 的 FDE 使用 AI 结对工具进行交付。这方面的熟练度是基本要求，也是一名工程师能够完成一个小组工作量的关键。

  • 在 Claude Code 和 Codex 中进行 AI 结对编程：主导开发，而不仅仅是提示
  • CLAUDE.md 约定、自定义斜杠命令和可复用技能
  • 子代理与并行 git worktree，同时交付多个功能
  • 事件钩子：pre-commit、post-edit 和带门控的对抗性审查
  • AI 软件开发生命周期：工单、设计、编码、测试、PR、部署、监控
  • MCP 架构：工具、资源、提示；stdio 与 SSE 的对比
  • 用 TypeScript 编写自定义 MCP 服务器
  • 哪些环节必须有人类参与，哪些环节可以信任 Agent

信号问题

  • 在一次会话中并行处理三个互不相关的变更，且互不冲突。
  • AI 结对开发在哪些情况下会让你变慢，你如何察觉？

构建 AI 应用

生产级 LLM 应用的解剖，深入到所有人都依赖的框架抽象之下的那一层。

  • Messages API：角色、内容块、系统提示
  • 采样控制：temperature、top-p、最大 token 数、停止序列
  • 在推理型、均衡型和快速廉价型模型之间做选择，以及成本曲线
  • 基于 server-sent events 的流式传输；部分渲染与取消
  • 提示工程：few-shot、思维链、结构化指令
  • 工具使用：JSON-Schema 输入、调用循环、多工具编排
  • 对不可逆操作的人工确认
  • 上下文管理：token 预算、截断、滑动窗口、压缩
  • 长期记忆：跨 Redis、Postgres、向量库的提取、检索与衰减
  • 生成式 UI：LLM 驱动的 JSON 输出到受约束、安全的 React 组件目录

信号问题

  • 一个 Agent 调用了会向客户收费的工具。如何保证安全？
  • 任务进行到一半上下文窗口满了。你丢弃什么，如何决策？

Agent、RAG 与检索

大多数 AI 演示在生产环境中悄悄崩塌的地方。这里的深度是 FDE 与提示词修补匠的分水岭。

  • 观察-思考-行动循环；Agent 与普通工具使用的区别
  • ReAct、先规划后执行与 Reflexion，以及各自适用的场景
  • 从零构建带防护、预算和停止条件的 Agent
  • 多 Agent 模式：编排者、流水线、群体、辩论；任务交接与共享上下文
  • 为什么暴力 RAG 会失败，以及它何时仍然够用
  • Agentic 检索：在真实语料上搜索、阅读、精炼、交叉引用
  • 虚拟文件系统模式：对文档执行 ls、cat、grep、find
  • 嵌入与向量搜索；HNSW 与 IVF 的对比、混合搜索、重排序
  • 分块、元数据过滤与数据新鲜度
  • 浏览器、桌面与爬虫自动化；从混乱的 HTML 中基于 schema 提取数据

信号问题

  • 一个 RAG 系统返回自信但错误的答案。请端到端地诊断它。
  • 什么情况下你会完全不用向量数据库？

多模态：语音与视频

语音是 Plank 第二常见的工作负载。延迟就是一切，而其中的数学非常严苛。

  • 流式语音转文本：Whisper、Deepgram、AssemblyAI
  • 文本转语音与声音克隆：ElevenLabs、Cartesia
  • 实时语音：语音活动检测、轮次切换、插话打断
  • 延迟预算：让对话感觉自然的往返时间计算
  • 音频采集：MediaRecorder 和 Web Audio API
  • 视频理解：帧提取与视觉分析
  • 流式架构以及抖动环境下的部分结果处理

信号问题

  • 为语音 Agent 的一轮对话计算端到端延迟预算。你会从哪里削减毫秒数？
  • 模型打断了用户。在不增加延迟的前提下修复轮次切换。

系统集成与真实世界

FDE 的真正工作：把 AI 接入系统记录——没有任何演示需要经受这种考验。部署的成败就在于此。

  • 集成系统记录：ERP、CRM、EHR、数据仓库、工单系统
  • 企业级认证：OAuth 2.0、SSO、SAML、OIDC、服务账户、令牌刷新
  • Webhook、事件流以及用于实现恰好一次效果的幂等键
  • 第三方 API 的速率限制、配额、分页和部分失败处理
  • 跨不匹配源系统的模式映射与实体解析
  • 脏数据：空值、重复、编码、时区，以及那些会撒谎的字段
  • ETL、反向 ETL 和变更数据捕获基础
  • 密钥管理、轮换和最小权限访问

信号问题

  • 客户的权威数据源中同一条记录存在三个相互冲突的值。现在怎么办？
  • 你的配额是每分钟 200 个请求，而一个夜间任务需要两百万次调用。围绕它进行设计。

生产环境、评测与可靠性

交付演示很容易。让它在生产环境中保持正确、低成本且可观测，才是你拿薪水要做的事。

  • 以类型化模式表示结构化输出；使用 Zod 校验并配合重试与反馈机制
  • 带置信度评分和人工审核队列的抽取流水线
  • 持久化工作流编排：检查点、恢复、扇出与扇入
  • AI 的测试金字塔：单元测试、集成测试、端到端测试和评测
  • 评测：LLM 作为裁判、黄金数据集、统计显著性、回归门禁
  • 使用 Langfuse 进行追踪与可观测性；提示词版本管理与 A/B 测试
  • 成本控制：提示词缓存、模型路由、令牌预算、批处理
  • 部署：速率限制、告警、PII 处理和安全回滚

信号问题

  • 编写一个能捕获单元测试无法发现的回归问题的评测。
  • 你的令牌账单一夜之间涨了 10 倍。找出原因并止血。

架构、安全与部署姿态

FDE 通常独自做出架构决策，而且往往是在别人的安全边界之内。搞错这一点会导致项目终止。

  • 面向可靠性的设计：降级方案、优雅降级、熔断器
  • 部署拓扑：SaaS、单租户 VPC、本地部署、物理隔离
  • 数据驻留、PII、PHI，以及工作层面的 SOC 2、HIPAA 和 GDPR
  • 自建、采购还是微调；什么时候更小的模型或经典机器学习更胜一筹
  • 将延迟、吞吐量和成本作为一等设计约束
  • 防护机制：提示词注入防御、输出校验、允许列表
  • 对拥有真实工具访问权限的 Agent 进行威胁建模

信号问题

  • 数据不能离开客户的 VPC。重新设计你的技术栈。
  • 你如何为一个能发送邮件和转移资金的 AI Agent 做安全辩护？

前沿部署的技艺

这份工作中不属于写代码的那一半，也是大多数工程师直到一个能运行的系统上线后却无人问津时才意识到被低估的那一半。

  • 需求挖掘：提取利益相关者无法明确表达的隐性规则
  • 将业务目标映射到 AI 功能，并以高管信服的方式阐述 ROI
  • 利益相关者分析、Delta 和 Echo 的区分、支持者与阻碍者
  • 在利益相关者在场的情况下，现场界定架构范围
  • 通过演示建立信心；设定并管理期望
  • 让试点落地：采用、变革管理和最后一公里
  • 留下能力：文档、模式和交接，让计时器停止
  • 承担一个你只能部分掌控的结果，并在模糊中沟通

信号问题

  • 试点成功了但没人使用。你遗漏了什么，接下来该怎么做？
  • 利益相关者坚称流程是 X；数据却显示是 Y。如何解决？

常见问题

前沿部署工程师是做什么的？+

前沿部署工程师（FDE）会深入客户组织内部，针对他们的真实数据和系统编写生产代码，并对系统是否真正交付成果负责。与以功能上线为衡量标准的产品工程师不同，FDE 的衡量标准是客户是否真正获得了承诺的结果。如果软件能运行但没人采用，那么 FDE 就失败了。

前沿部署工程师面试考察什么？+

同时考察三件事：你能否编写生产级代码、能否融入客户的真实系统和约束条件、能否对生产环境中的结果负责。实践中涵盖软件基础、现代 AI 技术栈（LLM 应用、Agent、RAG、语音）、系统集成、评测与可靠性、安全态势，以及需求挖掘、范围界定和推广采用等非代码的部署技艺。

如何准备前沿部署工程师面试？+

端到端交付一个系统，并准备好描述它在生产环境中哪里出了问题。选择两个技术领域深入钻研，直到清楚自己知识的边界。准备一个与代码无关的成果故事，通常是一个因采用率低或数据质量差而停滞的部署项目。熟悉你的数字：延迟预算、每次请求的成本、评测通过率。练习大声阅读陌生代码，因为在你不曾编写的代码库中进行现场调试是常见的面试环节。

FDE 面试会问哪些问题？+

预期会遇到迫使你在演示与生产之间做出判断的场景题，而非琐碎的知识点。代表性例子：在一个你从未见过的服务中调试一个缓慢的接口；一个 Agent 调用了会向客户收费的工具，如何确保安全；一个 RAG 系统返回自信却错误的答案，如何诊断；数据不能离开客户的 VPC，重新设计你的技术栈；试点成功但没人使用，你遗漏了什么。编程环节通常在不熟悉的代码库中进行，而不是在白板上。

FDE 面试与标准软件工程面试有何不同？+

标准面试流程考察的是你能否按照规格进行开发。FDE 面试流程则增加了两个维度：一是你能否在别人的系统、数据和约束条件下开展工作，二是产品上线后你能否对结果负责。这意味着会有更多关于集成和可靠性的问题，需要面对真实的模糊性而非清晰的问题陈述，并且至少有一轮关于利益相关者调研和产品采纳的面试，完全不涉及代码。

成为 FDE 需要深厚的 AI 经验吗？+

你首先需要是一名优秀的工程师；AI 这一层是可以学习的，而且变化很快。最优秀的候选人将扎实的软件基础与 AI 技术栈中几个领域（Agent、RAG、评测或语音）的真正深度相结合，并具备将它们集成到混乱的真实系统中的判断力。没有人能在所有方面都是专家，但你应该能够在需要时在任何一个领域深入钻研。

前沿部署工程师这个职位的资历要求有多高？+

要求较高。只有大约 3% 的 FDE 职位面向职业早期工程师，因为这份工作需要独立做出架构决策、在别人的代码库中工作，并对你只能部分掌控的结果负责。总薪酬中位数约为 185,000 美元，在前沿 AI 实验室则超过 250,000 美元。Plank AI Accelerator 正是专为职业早期工程师进入这一水准而设计的通道。

为此进行训练

免费 FDE 培训：AI FDE 课程

40 天的实战训练，涵盖上述大部分内容，从 Agent 开发工作流到 Agent、检索、语音、评测、集成和部署，每一天的成果都会通过你的 GitHub 仓库进行验证。这是 Plank AI Accelerator 的 2 个月项目，对所有人开放。

相关内容：FDE 竞赛选手画像、FDE 就业市场，以及 FDE 即服务的现状。