FDE Times 数据在招 FDE 职位 924▲33 近 7 天在招职位数的变化(同口径比较):不计入本周新开始追踪的公司的职位近 7 天新增 80在招公司 196支持远程 25%美国薪资中位数 $200k招聘最多 Databricks 107
ENVI

前线部署工程师(FDE)的专业媒体

分析

Agent 写代码之后,FDE 靠定义与评判拿薪水

GitHub 分析了 2500 多份 Agent 配置文件,多数因过于模糊而失败,问题出在布置任务的人。

分享微博

要点速览

  • GitHub 分析了 2500 多份 Agent 配置文件,发现多数失败是因为过于模糊:难点在需求规格,而不在生成代码。
  • Cognition 认为,代码生成更快只会把问题推到测试、评审、部署和维护环节;企业要的是价值,而不是一个看起来很忙的系统。
  • FDE 保留的三项任务是:明确用户和成功标准,把规格说明当作活文档来写,以及靠理解代码而不是等测试通过来评判结果。
横向四步流程图。01 定义:用户是谁,先做什么,如何衡量成功?失败信号:说不出用户是谁,或需求只是“做一个 AI Agent”。02 约束:Agent 可以做什么,绝不能做什么?失败信号:规格说明含糊,或写完一次就被搁置。接着是 Agent 写代码,旁注“忙碌不等于有价值”。03 评判被标为新瓶颈:产出是否创造价值,我们是否读懂了代码?失败信号:把测试通过当作完成,把评审当作理解,把忙碌误当作有价值。一条虚线箭头从评判指回定义:评判把信息反馈给定义,修正输入通常比修正输出便宜。
Agent 写代码可以非常快,但定义、约束和评判仍然要由 FDE 来做。流程末端的评判会把信息反馈给开头的定义。

据 Addy Osmani 介绍,GitHub 分析了 2500 多份 Agent 配置文件,发现其中大多数失败的原因很平常:写得太模糊。写这些文件的人没有说清楚自己想要什么。

这一发现与 Cognition 在 AI Engineer World’s Fair 2026 上的观点吻合。在这家公司看来,更快地生成代码并不能解决全部问题,因为测试、评审、部署和维护都还在。瓶颈没有消失,只是转移了。

对想转做前线部署工程师(FDE)的开发者来说,这是一个值得重视的信号。打代码快已经不是别人愿意付钱的技能。真正有价值的,是 Agent 目前还无法替你完成的三件事:定义问题、约束 Agent、评判结果。

外包执行,FDE 做决定

Ghanemzadeh 在一篇谈前线部署 AI 工程的文章中划了一条清晰的界线:外包人员负责执行,FDE 负责决定。按他的描述,FDE 是一个有主见的操盘者,清楚要做什么、按什么顺序做、怎么做,以及如何衡量成功。

定义环节的第一个问题听起来简单,却最常被跳过:用户是谁?Ghanemzadeh 写得很直接:如果你说不出用户是谁,那根本就不算 FDE 项目。“客户想要一个 AI Agent”这样的需求只是愿望,还算不上问题。

以一家想用 Agent 处理贷款申请的银行为例。“实现核保自动化”听上去很具体,却给不出任何方向。

换成“每天大部分时间都在核对材料的支行核保人员”,你马上就知道该衡量什么、先解决什么,以及做到什么程度才算完成。

Agent 自己做不了这一步。它不会坐在核保人员旁边,也看不到哪项工作让对方叹气。所以定义这件事仍然属于一线的人。

约束是一份活的规格说明,不是一条提示词

fde.academy 博客上的一篇文章把工程师与 Agent 协作时的新角色描述为:定义任务、设定约束,然后引导 Agent。这是从业者的看法,不是研究结论。

即便如此,它与上文 GitHub 的发现一致:Agent 配置文件因模糊而失败,也就是说,失败发生在约束环节。

Osmani 引用了 GitHub 的规格驱动开发方法:规格说明成为共享的唯一事实来源,是一份随项目演进、可执行的活文档。

“活”字很关键。规格说明不是项目启动时写一次就归档了事,而是你、客户和 Agent 之间的契约,现场一有新发现就要更新。

回到银行的例子。一条好的约束可以是:“Agent 只标记材料缺失的申请,绝不自行拒绝任何申请。”这一句话起了两个作用:限制了 Agent 的行为,也记录了一项业务决策,以后写代码的人都必须遵守。

写出这句话,需要理解客户的风险,光靠提示词语法做不到。因此约束与定义直接相连:不知道用户是谁,就不知道哪些事绝不能发生在他们身上。

为什么评判成了新瓶颈

如果说定义和约束是输入,评判就是压力最集中的地方。Osmani 直接点明了问题:AI 生成代码的速度远远超过人评估代码的速度,评审变成了吞吐量问题。

很多团队的第一反应是依赖测试。Osmani 同意测试必不可少,但他明确表示测试不够。测试只能检查编写者想到的情况;代码是否真正满足客户需要,仍得由理解代码的人来回答。

他还进一步指出,“评审过的代码就是被理解的代码”这一常见的组织假设已经不成立。当一个人每天批准几十个 Agent 写的 PR 时,批准按钮只能说明代码被看过,证明不了有人真正看懂了。

Cognition 把这一论点推到企业层面。强监管行业的大公司想知道的是系统能否创造价值,至于系统忙不忙,它们并不关心。一个 Agent 可以通宵运行、提交几百个 PR,却什么都没交付。

分辨“忙碌”和“有价值”是一种判断,而这种判断建立在一开始设定的成功定义之上。fde.academy 那篇文章的结论是,评判这一层不会因为写代码那一层变快就自动化。这是一种观点,但 Osmani 和 Cognition 给出的证据都偏向它。

三项任务,三种失败方式

把三项任务放在一起看,会发现每项都有自己的失败方式,而且任何一种都可能被一个非常卖力的 Agent 掩盖。

FDE 任务 要回答的问题 出问题的信号 如何练习
定义 用户是谁,先做什么,如何衡量成功? 说不出用户是谁;需求只是“做一个 AI Agent” 为每个工单写一句话描述用户,再写一个成功指标
约束 Agent 可以做什么,绝不能做什么? 配置文件或规格说明含糊;规格说明写完一次就弃之不顾 把规格说明当作活文档维护,Agent 每犯一次错就更新
评判 结果是否创造价值,你是否理解代码? 把测试通过当作完成;把评审过当作看懂了;把“忙碌”误当成“有价值” 批准前亲自讲清每处改动;对照定义好的标准衡量结果

评判反过来影响定义

Cognition 把客户交付和产品反馈描述为一个闭环:现场学到的东西回流,影响产品决策。落到这三项任务上,闭环的形态很清晰:末端的评判把信息反馈给前端的定义和约束。

当评判显示结果没有带来价值时,有一个实用的排查方法:先别怪 Agent,检查一下用户是否找对了,规格说明里是否还有模糊之处。修正输入通常比修正输出便宜。

这也是三项任务很难拆给三个人的原因。定义用户的人应当就是评判结果的人,否则没人会发现规格说明已经偏离现实。所以 FDE 是一个岗位,而不是一条流水线。

这个岗位的需求在增长。The Pragmatic Engineer 报道称,Google、OpenAI 和 Anthropic 对 FDE 的招聘需求非常旺盛。当打造 Agent 的公司也在招人站在 Agent 和客户之间,它们缺什么技能就不难猜了。

越南开发者该练什么

很多越南开发者出身外包,需求在客户那边就定好了,团队只管执行。这正是 Ghanemzadeh 所说的外包人员模式。转做 FDE,意味着要学会提出过去由别人替你回答的问题,这一点适用于任何交付型公司出身的开发者。

从当前的工作做起。把工单交给 Agent 之前,先写一句话说明用户是谁,写一个可衡量的成功标准,再写三条 Agent 不得违反的约束。如果写不出来,这个工单就还没准备好,无论交给 Agent 还是交给人。

阅读 FDE 职位描述时,留意“直接与客户合作”“定义需求”“对结果负责”这类表述。

在简历上,不要只罗列做过的功能,要写清你如何确定用户、设定了哪些成功标准,以及如何验证系统创造了价值,而不只是在运行。

Agent 写代码只会越来越快。招聘方不会问你能生成多少行代码,他们会问你是否知道哪些代码值得留下。

这篇文章对你有帮助吗?

6 个信源
路线图上的下一篇 · 阶段 4: 客户工作客户要自动化 PR 评审,瓶颈却是两个人把每条需求当作待验证的假设,问对几个问题,就能省下三周白做的功夫。