Tờ báo của nghề Forward Deployed Engineer
Mỗi tuần một bài đào sâu cho người đang làm FDE: dữ liệu riêng, tài liệu chính chủ, bài học rút ra.
Một quảng cáo AI của Coca-Cola đạt điểm kiểm thử tối đa mà công chúng vẫn quay lưng, nên cổng duyệt cuối cùng phải là con người có quyền quyết định, không phải một con số.
09/10/2026
Tài liệu của chính các hãng cho thấy câu lệnh từng cứu prompt trên model cũ có thể làm hỏng nó trên model mới.
Thứ khách hàng đang hình dung vẫn chỉ là giả thuyết, còn thứ bạn giao được là một hệ thống do kỹ sư lắp ráp. Việc của FDE là nối hai thứ đó mà không dập tắt kỳ vọng của khách.
Microservices chia ứng dụng thành nhiều service, còn deployment stamps chia khách hàng thành nhiều nhóm; với một FDE phải phục vụ cả ngân hàng lẫn chuỗi bán lẻ, thường cách chia thứ hai mới quyết định dự án có đi đến cùng hay không.
Ba kiến trúc dữ liệu thường bị so sánh như ba món công nghệ, nhưng thật ra chúng trả lời ba câu hỏi khác nhau về chuyện ai làm gì trong công ty khách hàng.
Một bên muốn hệ thống nhớ lâu, một bên muốn hệ thống quên nhanh, và cả hai đòi hỏi đó dồn vào cùng một chỗ: bảng log bạn viết hôm nay.
Từ 26/8/2026, lệnh lấy lại tin nhắn trong thread đã ngừng chạy; khách nào không tự lưu lịch sử hội thoại thì phần đó coi như đã mất.
Xếp RAG, agent và hệ gợi ý vào cùng một bảng, những use case dễ kiểm soát nhất có chung một điểm: hoặc có người chốt kết quả, hoặc có một chỉ số đo được hằng ngày.
Chức danh bị dùng lẫn và AI Engineer với ML Engineer dùng chung bộ công cụ, nên thứ thật sự tách FDE ra là ai đặt đề bài và thế nào thì được tính là xong việc.
Trong khoảng chênh mười lần giữa sức chứa của cửa sổ ngữ cảnh và mốc an toàn có lost-in-the-middle, KV cache và một hóa đơn tăng phi tuyến mà khách thường chưa nhìn thấy.
Bảng so sánh tính năng chỉ cho bạn biết công cụ nào làm được gì. Với một FDE, câu hỏi quan trọng hơn là dữ liệu của khách được phép đi đâu và khách đang cần trả lời câu hỏi nào.
Ngay cả Anthropic cũng khuyên bắt đầu mà không cần framework. Vì thế, câu hỏi tại site khách không còn là dùng thư viện nào, mà là bạn sẵn sàng để thư viện của người khác lo phần việc nào.
Reasoning token không hiện ra trong response nhưng vẫn chiếm context và tốn tiền, nên FDE nào bật reasoning mà không đo thì đang để khách trả tiền cho một thứ chưa ai kiểm chứng.
Ở công ty khách, model "tốt nhất" thường không phải model được chọn. Model được chọn là model mà bộ phận compliance chịu ký, và hệ thống của bạn đổi được chỉ bằng cách sửa cấu hình.
Anthropic và Cognition công bố hai kết luận ngược nhau chỉ cách nhau một ngày, nhưng khi đặt hai bài cạnh nhau, ranh giới thật sự lại khá rõ: đừng hỏi bao nhiêu agent, hãy hỏi agent nào được quyền ghi.
Với hầu hết vị trí FDE, đi công tác là một phần của công việc. Kỹ sư Việt quen làm outsource có thể đang thiếu đúng kỹ năng mà những chuyến đi ấy đòi hỏi.
Cognition được cho là đã bỏ hẳn coding và system design. Còn ở những nơi vẫn giữ vòng code, vòng được coi trọng nhất lại là 45 đến 60 phút ngồi với một vị “khách hàng” cố tình giấu thông tin.
Nhà tuyển dụng FDE coi kỹ năng mà bạn mất nhiều năm luyện là chuyện đương nhiên. Thứ họ thật sự chấm điểm lại là thứ mà cách tổ chức công việc của bạn hiện nay vẫn che khuất.
Agent viết code càng nhanh thì phần việc cần con người càng lộ rõ: hiểu đúng bài toán, đặt giới hạn cho agent và dám nói kết quả nào thực sự có giá trị.
Một tin tuyển FDE gắn nhãn “Remote” lại chỉ nhận công dân Mỹ. Trong khi đó, những lab nói thẳng là phải lên văn phòng thì tài trợ visa hoặc hỗ trợ chuyển chỗ ở. Kỹ sư Việt nên chọn cửa nào?
Các công ty AI đổ khoảng 10 tỷ USD trong 12 tháng để dựng đội FDE, nhưng thứ quyết định mô hình sống hay chết không nằm ở số người được tuyển.
Cùng một chức danh nhưng là hai công việc khác hẳn nhau, và tin tuyển dụng cho bạn biết mình sắp phải gánh bao nhiêu phần trong đó.
Cuộc tranh cãi "chuyên sâu hay generalist" bỏ sót một điều: khi đổi khách hàng, cả kiến thức ngành lẫn hiểu biết về account đều không theo bạn trọn vẹn, chỉ có cách bước vào một bối cảnh lạ là mang theo được.
Khi “đúng” trở thành chuyện chủ quan, người đứng gần khách hàng nhất phải là người biến nó thành bài kiểm thử chạy được.
Palantir từng nói không với những hợp đồng kiểu "Accenture có phần mềm tốt hơn" — và lời từ chối ấy nói rõ hơn mọi bài so sánh về thứ khiến FDE khác consultant.
Khoảng cách giữa dòng "1+ năm kinh nghiệm" trong tin của Palantir và dòng "2+ năm quản lý FDE" trong tin của OpenAI nói về nghề này nhiều hơn bất kỳ báo cáo lương nào.
Hai lab dẫn đầu cuộc đua mô hình đang tuyển ngày càng nhiều người không làm research, và lý do nằm ở một khoảng trống mà khách hàng không tự lấp được.
OpenAI
Anthropic
Databricks
Palantir