Kỹ năng viết eval của FDE đang có người mua mới: các AI lab
Prime Intellect và Labelbox đang tuyển FDE để dựng môi trường RL và verifier từ chính quy trình của khách.
Tóm tắt nhanh
- Prime Intellect và Labelbox đều tuyển FDE với đầu việc chính là dựng môi trường RL, eval harness và verifier.
- Epoch AI coi quy trình doanh nghiệp là mảng tăng trưởng lớn của môi trường RL, và Wing VC cho biết doanh nghiệp thường nhận phần việc này qua forward-deployed engineering.
- Wing VC cũng cảnh báo: thiếu chiều sâu nghiên cứu thì công ty làm môi trường dễ kẹt lại ở mức đội làm thuê tại chỗ khách.
Labelbox đang tuyển một vị trí tên “Forward Deployed Engineer, RL Environments”. Theo tin tuyển dụng, việc chính của người được tuyển là dựng những môi trường thực thi tách biệt, tái lập được, nơi agent AI làm việc trong lúc huấn luyện.
Nhìn qua thì đây chỉ là thêm một chức danh. Nhưng khi đọc cùng tin tuyển dụng của Prime Intellect và các phân tích thị trường gần đây, nó cho thấy một hướng đi rõ hơn.
Kỹ năng quen thuộc của FDE là ngồi cạnh khách, hiểu công việc thật của họ rồi biến nó thành thứ đo được. Giờ chính kỹ năng ấy đang được đóng gói thành sản phẩm để bán cho các AI lab.
Với một kỹ sư đang làm hoặc muốn làm FDE, có hai điều cần nghĩ cho rõ. Nếu việc viết eval cho khách là thứ thị trường muốn mua, bạn nên học sâu nó đến đâu? Và bạn có nên lo rằng nghề triển khai đang biến thành nghề gia công dữ liệu?
Tin tuyển dụng đã mô tả một sản phẩm khác
Prime Intellect đặt tên vị trí là forward-deployed research engineer. Một đầu việc chính trong mô tả là thiết kế và xây dựng môi trường RL, eval harness và verifier riêng cho từng khách. Cách làm vẫn rất FDE: làm việc ngay trong đội của các khách hàng chiến lược để hiểu kiến trúc agent, các kiểu lỗi và mục tiêu sản phẩm của họ.
Dòng đáng đọc kỹ nhất nằm ở phần kỹ năng. Prime Intellect muốn người có trực giác tốt về thiết kế eval, tức là nhìn vào agent của khách và nhanh chóng xác định cần đo cái gì. Họ xếp eval vào năng lực cốt lõi của vị trí, thay vì coi nó là việc làm thêm sau khi deploy xong.
Labelbox đi theo hướng tương tự nhưng từ phía nhà cung cấp dữ liệu. Đơn vị Alignerr của họ làm việc trực tiếp với các AI lab hàng đầu để sản xuất môi trường RL và bộ benchmark đánh giá, trong khi khách hàng còn có cả doanh nghiệp Fortune 500.
Ở cùng một công ty, ranh giới giữa vai trò nhà cung cấp dữ liệu và vai trò FDE đang mờ đi.
Vì sao lab cần người đứng sát công việc thật?
Labelbox tự đưa ra lý do trong tin tuyển dụng: chất lượng môi trường RL là một trong những nút thắt lớn nhất của việc huấn luyện agentic AI hiện nay. Môi trường tệ sẽ dạy agent những thói quen tệ. Muốn có môi trường tốt thì phải có người hiểu công việc mà agent sẽ phải làm ngoài đời.
Epoch AI, trong một bài hỏi đáp về môi trường RL, gọi quy trình doanh nghiệp là một mảng tăng trưởng lớn, với ví dụ như Salesforce, báo cáo và bảng tính.
Epoch cũng cho rằng các công ty sản phẩm là đối tác tự nhiên để dựng môi trường quanh chính phần mềm của họ. Khi đối tác cung cấp quy trình và FDE dựng môi trường, công việc thật của khách đi thẳng vào vòng huấn luyện.
Nhu cầu phía lab không nhỏ. TechCrunch đưa tin lãnh đạo Anthropic từng bàn việc chi hơn 1 tỷ USD cho môi trường RL trong năm tới. Theo Epoch, các hợp đồng thường ở mức sáu đến bảy chữ số mỗi quý.
Cũng theo TechCrunch, Surge, một công ty gán nhãn dữ liệu lâu năm, đã lập riêng một tổ chức nội bộ để làm môi trường RL. Các nhà cung cấp dữ liệu đang đổ vào đúng mảng này.
Một quy trình CRM trở thành môi trường như thế nào
Để thấy phần việc cụ thể, lấy một ví dụ giả định. Một khách dùng CRM muốn agent đọc ghi chú sau cuộc gọi bán hàng, cập nhật giai đoạn của cơ hội bán hàng và tạo việc cần làm tiếp theo. Một FDE theo kiểu cũ sẽ nối API, viết prompt, chạy thử với vài chục ghi chú rồi bàn giao.
Muốn biến quy trình đó thành môi trường RL, bạn phải làm thêm ba việc. Việc đầu tiên là dựng một bản CRM tách biệt, nạp sẵn dữ liệu cố định, để lần chạy thứ một nghìn giống hệt lần chạy đầu.
Việc thứ hai là viết nhiệm vụ thành các ca cụ thể, chẳng hạn ghi chú nói “khách đồng ý ký hợp đồng thử” thì giai đoạn phải chuyển sang đàm phán và phải có đúng một việc cần làm gắn với người phụ trách.
Việc thứ ba khó nhất: viết verifier. Verifier chấm trạng thái cuối của CRM, không chấm câu trả lời của agent. Agent có thể viết rất trôi chảy rằng đã cập nhật xong, nhưng nếu bản ghi vẫn nằm ở giai đoạn cũ hoặc bị tạo trùng hai việc cần làm thì điểm là 0.
Chính những kiểu lỗi bạn quan sát được khi ngồi cạnh khách, như trùng bản ghi hay sai người phụ trách, sẽ trở thành các ca kiểm tra.
Ví dụ này giải thích vì sao Prime Intellect đặt trực giác về eval lên đầu. Phần khó không nằm ở Docker hay ở thuật toán RL. Khó là ở chỗ quyết định thế nào là làm đúng một công việc mà chỉ người trong nghề của khách mới hiểu hết.
| Khía cạnh | FDE triển khai sản phẩm | FDE dựng môi trường RL |
|---|---|---|
| Đầu ra chính | Hệ thống chạy được trong production của khách | Sandbox tái lập được, eval harness, verifier |
| Lỗi của agent dùng để | Sửa trước khi bàn giao | Biến thành ca kiểm tra và tín hiệu huấn luyện |
| Người dùng kết quả | Đội vận hành của khách | Khách, và cả AI lab huấn luyện agent |
| Kỹ năng bị hỏi nhiều nhất | Tích hợp, giao tiếp, đưa hệ thống lên production | Thiết kế eval, chọn thứ cần đo, chấm tự động |
| Rủi ro nghề nghiệp | Bị coi là đội tích hợp làm theo yêu cầu | Kẹt ở mức đội làm thuê nếu thiếu chiều sâu nghiên cứu |
Doanh nghiệp mua người, rồi mới đến môi trường
Wing VC, trong phân tích về thị trường môi trường RL, nhận xét rằng doanh nghiệp phần lớn không mua môi trường trực tiếp. Công việc này thường đến với họ qua forward-deployed engineering. Nói cách khác, FDE là kênh phân phối. Không có người ngồi cạnh khách thì không có quy trình thật nào đi vào môi trường.
Nhưng Wing cũng đưa ra lời cảnh báo ngược lại. Những startup làm môi trường thiếu chiều sâu nghiên cứu hoặc chưa được các lab tin tưởng có nguy cơ chững lại thành các đội forward-deployed đơn thuần.
Hướng đi này có thể thất bại: nếu chỉ có người tại chỗ mà không có năng lực thiết kế tín hiệu huấn luyện tốt, công ty sẽ bán giờ công chứ không bán sản phẩm.
Ghép hai nhận xét ấy của Wing lại, nỗi lo ở đầu bài có lời đáp khá rõ. Nghề triển khai không biến thành nghề bán dữ liệu. Nó đang mọc thêm một nhánh, nơi giá trị nằm ở khả năng chuyển hiểu biết về công việc của khách thành phép đo đáng tin. Phép đo tốt thì có giá trị. Giờ công đơn thuần thì không.
Bạn nên chuẩn bị gì nếu muốn đi nhánh này
Khi đọc tin tuyển dụng, hãy tìm những cụm như RL environments, evaluation harness, verifier, reproducible sandbox hay failure modes. Những tin có các cụm này đang tuyển người thiết kế phép đo, dù chức danh có thể vẫn ghi là FDE hay applied research. Nếu tin chỉ nhắc tích hợp và bàn giao, đó là nhánh triển khai truyền thống.
Kỹ năng cần luyện là chuỗi bạn vừa thấy trong ví dụ CRM: biến một quy trình mơ hồ thành nhiệm vụ cụ thể, dựng môi trường tái lập được, rồi viết bộ chấm dựa trên trạng thái cuối. Trong CV, đừng chỉ ghi “xây dựng eval”. Hãy ghi bạn đo cái gì, phát hiện được kiểu lỗi nào, và eval đó dẫn tới quyết định gì.
Còn một thói quen nên có ngay từ đầu: trước khi biến quy trình của khách thành môi trường, hãy hỏi rõ hợp đồng cho phép dùng nó vào đâu.
Khi công việc thật của một doanh nghiệp có thể trở thành tài liệu huấn luyện cho mô hình của người khác, FDE nên là người đầu tiên hỏi ai sở hữu quy trình ấy, đừng đợi bộ phận pháp lý hỏi thay.
Thế hệ FDE trước được đánh giá qua việc hệ thống có lên production hay không. Thế hệ tiếp theo có thể còn được đánh giá qua một câu hỏi khó hơn: bạn có chứng minh được agent đã làm đúng việc không?
Bài này có hữu ích không?
Cảm ơn bạn đã góp ý!
5 nguồn
- Applied Research - Forward-Deployed @ Prime Intellect | Menlo Ventures Job Board
- Forward Deployed Engineer, RL Environments at Labelbox | JobMinglr
- An FAQ on Reinforcement Learning Environments (Epoch AI) · 2026-01-12
- Who Will Win the RL Environment Market—and Why · 2026-01
- Silicon Valley bets big on 'environments' to train AI agents · 2025-09-16