FDE 首先得是能自己改生产代码的工程师,再叠加做过 AI Agent 的实战经验和高主动性的客户推进能力;内部孵化时,这类人更像“创业公司 CTO”,而不是客服或售前。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
硬门槛:工程素养和 AI Agent 实战,缺一不可
材料里的观点Jove Zhong 对 FDE 画像讲得很具体:FDE 必须是 engineer。Cresta 面试保留一个不用任何 AI 写简单 Python 程序的环节,考的不是算法,而是变量命名、流程组织、测试意识、分层概念这些工程素养。他举例说,没有工程背景的人做登录界面,前端看着能登录,关键逻辑却全塞在前端,删个 DOM 就能绕过1。
第二项是真正做过 AI agent。Jove 对简历上只写“会用 Claude Code、Codex、Cursor”不太买账,他的说法是现在工程师不会用 Claude Code 就像不会打字,这已是基础能力,不再是差异化。有价值的是做过 agent、RAG、tool calling、workflow、test/eval,能把 AI 系统从 toy project 推到企业可用1。立正在另一篇里也转述了一个共识:FDE 必须能自己上手改 production 代码,不能在现场搞完提个 ticket 让家里工程师改;能改生产代码的才叫 FDE,否则那部分是 solution engineer2。
软特质:高 agency、敢 say no、能赢得信任
材料里的观点Jove 说 Cresta 目前不太放心招 junior,FDE 对 agency 要求很高,理想候选人通常有三年以上工作经验,本身是很好的工程师;做过 founder、co-founder、founding engineer,或有 consulting、customer-facing、negotiation、win trust 经历都加分。他的总结是“我们就像是招了一群创业公司的 CTO,或者比较全面的人”,需要判断哪里该发力、哪里该 say no、如何理解客户真实需求、处理冲突、推进项目1。
他还提到这个角色是 mixed 的:既有技术一面,也要能跟人打交道、解决 conflict,甚至要加班出差;面对对品牌话术和 SOP 很挑剔的客户,没有足够时间培养 trust 就很难做出让对方信服的方案3。立正在对话中把这一点概括为:既要懂 AI,又要有沟通能力、赢得用户信任、理解客户业务4。
内部孵化时的取舍:先定 FDE 与 PM 的分工
AI推演Cresta 的做法是分两条线:一条偏 engineer 的 FDE,一条偏 process 或 strategist 的 forward deployed product manager(FDPM),后者不那么 technical,更多管 business logic、验收标准和风险。Jove 说,客户内部常常自己都没对齐想要什么,每个会都让 FDE 参加不见得是最好利用时间的方式,所以由 PM 先把非技术的事理顺3。
这对内部孵化有直接含义:如果你们把客户沟通、需求对齐、验收标准都压给同一个 FDE,要么他变成 PM,要么工程深度被稀释。可以先明确一件事——这个角色是否被授权直接改生产代码、对交付结果负责;如果只是“驻场支持”,那按立正的说法,它更接近 solution engineer 或客服工程师换了个名字2。这是 AI 基于上述材料对内部场景的推演,不是嘉宾对你们组织的判断。
材料主要来自 Cresta 的 FDE 招聘实践和立正对国内市场的观察,没有覆盖你们所在行业、团队规模和现有工程能力;这些条件会实质影响画像的取舍。
出处
- 1AI Agent 时代的 FDE:把模型能力落到真实业务里
Jove 对 FDE 人才画像讲得最完整:工程素养、AI Agent 实战、工作年限与创业/客户经历加分。
- 2学术界火了十年的Graph数据库,为什么等到 AI 才开始落地?|向量数据库为什么是死胡同?|纯技术创业有多爽?
明确 FDE 必须能改生产代码,并区分 FDE 与 solution engineer。
- 3他的FDE团队从30人扩到100人,但为什么很多大厂工程师甚至不知道这个岗位?
补充 FDE 的 mixed 特质、信任建立,以及 FDE 与 FDPM 的分工。
- 4他的FDE团队从30人扩到100人,但为什么很多大厂工程师甚至不知道这个岗位?
立正对能力要求的概括,以及 FDE 与客户贴身服务的语境。
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 这个课干啥的
这是一门教人真正把 AI 用进工作与项目的课,重点不是软件操作步骤,而是提需求、判断与动手做的能力;另有一门一小时小课供先试。
- 课代表在223年写的一篇文章里面有讲包括大语言模型是怎么来的呀?介绍这些背景资料的
按现有片段,无法确认“课代表”在2023年写过介绍大语言模型由来的文章;能确认的是立正在2023年有两份公开讲解,分别从生成模型原理和范式变化切入。
- 前辈想请我付费帮她做一档播客,我很愿意采访,但觉得采访完之后的剪辑和发布比较麻烦。一方面我觉得 AI 应该可以把后期做的不错,但实际上我自己的播客后期一直没有弄的很丝滑。我不太知道怎么判断这件事合适。我想的是,我可以收很低的费用,只负责采访。或者用相对高一些的费用,把采访和后期都接了。不太想接负责找外包剪辑同学以及和外包同学沟通,之前自己试过比较麻烦。
按你的约束,更稳的是低价只接采访,把后期排除在承诺之外;若想连后期一起接,就应把外包剪辑和沟通成本算进报价,而不是假设 AI 能替你消化。
- 如何做好 data agent?
做好 data agent 的关键不在模型多强,而在先把数据关系建模成图、在生成查询外加一层审计纠错,并把上线后的持续调优当成常态。
- 目前用了很多 agent,如果管理跨 agent 的 skill 更新和维护问题?
把 skill 当成需要持续运营的共享资产:统一存放、版本化、按环境适配,并给高风险改动加审批。多 agent 不是多份 skill,而是同一份 skill 被多处引用。
- 想赚钱,增加收入,普通人是不是做自媒体更好
不一定。对多数普通人,自媒体更该先当低成本试水的事业,而不是稳赚的副业;它前期大概率不赚钱,成功标准要先定清楚。