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

为什么狂刷 LeetCode,对 FDE 面试帮助不大

在 Distyl AI 和 Databricks,分量最重的一轮是 45 到 60 分钟,面试官扮演刻意隐瞒信息的客户。

分享微博

要点速览

  • 据一份面试指南,Cognition 已取消编码和系统设计轮,改为现场客户模拟。Distyl AI 仍考编码,Databricks 则很少出经典算法题。
  • 问题拆解轮由 Palantir 首创,题目刻意模糊。评分看候选人提的问题、拆解问题的方式,以及界定范围的能力。
  • 最常见的错误是过早提出方案。转行者应像当年刷 LeetCode 一样,系统地练习澄清需求。
关于 FDE 面试问题拆解轮的信息图。在 0 到 60 分钟的时间轴上有两种做法:常见反应是直接给出方案(模型、数据管道、部署),可能解决的是错误的问题;得分的做法据 Databricks 的建议,是先用 5 到 15 分钟提问、澄清业务目标,再设计技术方案。下方列出需求说明刻意留空、需候选人自己发现的四项:范围、约束、数据、成功标准。旁边是面试官评估的四项能力:结构化拆解问题、理解终端用户、基于数据的推理、对范围的判断。
在问题拆解轮中,前 5 到 15 分钟提出的问题,比你给出的方案更重要。

据 Exponent/aced.io 的一份面试指南,Cognition 招聘前线部署工程师(FDE)时,取消了两轮瞄准大厂的工程师往往要准备一年的面试:编码和系统设计。最后几轮改为现场客户模拟,比如向高管推介方案,或通过一次通话分析案例。

很多人会把这理解为“FDE 不需要很强的编码能力”。这种理解是错的。在 Distyl AI 和 Databricks,编码轮依然存在,只是性质变了,不再是主要筛选关卡。

权重最大的一轮,是面试官扮演客户、递给你一份刻意不完整的需求说明。如果你为了转行做 FDE 刷了几百小时 LeetCode,这些时间换来的分数会比预期少。

好消息是,评分最细的那项能力可以训练。只是很少有人有意去练。

Cognition 是特例,不是常态

Distyl AI 仍有编码轮。techinterview.org 上一篇分析该公司 FDE 招聘的文章建议候选人准备 Python,并指出题目会贴近日常工作。那里的编码轮检验的是你能否胜任驻场在客户公司的工程师工作,并不考算法。

Databricks 也在往同一方向走。据 Exponent/aced.io 指南,Databricks 软件工程师面试中常见的图、算法和并发题,在 FDE 面试流程中很少出现。作为替代,流程中增加了一轮单独的问题拆解面试。

AI Engineering Insider 的一篇 Substack 文章用一句话概括了这一趋势:“少一点 LeetCode,多一点实战工程”,编码题比如解析一个杂乱的 CSV 文件,或者写一个限流器。

Educative 的 FDE 课程把客户模拟列为 FDE 招聘中稳定出现的四类面试之一,整个流程通常为 4 到 6 轮,历时 3 到 5 周。

可见,Cognition 取消代码考核,只是一个更大趋势中最极端的例子。代码仍然要考,用来看你是否达标;但决定能否拿到 offer 的,是另一轮。

真正的筛选往往不涉及代码

那篇 Substack 文章直接把问题拆解轮称为主要筛选关卡。候选人拿到一个没有明确规格的模糊业务问题,用 45 到 60 分钟去处理,没有唯一正确答案。

据 techinterview.org,这一轮通常不写代码:模拟客户抛给你一个模糊的问题,然后看你怎么应对。

这种形式并不新。据 aced.io 一份关于拆解题的指南,它由 Palantir 首创并推广,如今许多招聘 FDE 的公司都有自己的版本。

这一轮难在需求说明本身就是故意不完整的。aced.io 指南明确指出,找出缺失的范围、约束、数据和成功标准,本身就是评分内容的一部分。

在 Distyl,扮演客户的面试官不会主动补充细节,所以候选人的评分取决于他们提出的问题。

不考代码,面试官评什么?

据 techinterview.org,面试官评估四项能力:结构化拆解问题、对终端用户的同理心、基于数据的推理,以及对范围的判断。这些都无法从一个正确运行的函数里看出来,却都体现在你问了什么、按什么顺序问。

同一来源指出,最常见的错误是问题刚讲完就给出方案,没先问清用户是谁、“完成”意味着什么。对优秀工程师来说,这是一种自然反应。多年来因解题快而受到奖励,让人习惯默认需求说明是正确且完整的。

举一个虚构的例子。“客户”是一家物流公司,说想用 AI 减少延迟送达的订单。缺乏经验的候选人会直接给出送达时间预测模型、数据管道和部署方案。答案听上去很有技术含量,但可能解决的是错误的问题。

优秀的候选人会先提问。订单延迟时,谁受影响最大:终端客户、司机,还是客服团队?怎样才算延迟?行程数据存在哪里,质量如何?三个月后,哪个数字能证明项目成功了?

正确答案也许根本不需要 AI,只需给调度员发一条提前预警。

针对 Databricks 问题拆解轮的建议给出了一个具体数字:先花 5 到 15 分钟澄清业务目标,再进入技术设计。跳过这个提问环节,正是 techinterview.org 所说的最常见错误。

三家公司,三种权重

把三家的流程放在一起看就很清楚:这些公司并没有放弃考察技术能力,而是把权重移向判断力。

Cognition Distyl AI Databricks
编码轮 据报道取消了编码和系统设计 仍保留,用 Python,贴近日常工作 很少出图、算法或并发题
以客户为中心的一轮 最后几轮为现场客户模拟:向高管推介、案例分析通话 问题拆解,面试官扮演客户,被视为关键一轮 单独一轮问题拆解,从业务目标出发
准备重点 在客户面前陈述和应对场面 主动提问,因为面试官不会主动给细节 设计前先花 5 到 15 分钟澄清目标

三家都会让候选人面对一位还不清楚自己到底要什么的客户,区别只在于额外考多少编码。

这种设计有其道理。一个写代码比同事慢一点的 FDE,照样能交付项目。而一个搭出漂亮系统却解决了错误问题的 FDE,会让项目失败,而且是在客户眼皮底下失败。面试针对的正是第二种风险。

转行者该练什么?

对越南的许多开发者,尤其是做外包的开发者来说,需求通常经由业务分析师或项目经理,以写好的工单形式到达。你也许很擅长把规格说明变成代码,却很少需要问客户这份规格对不对。问题拆解轮考的,恰恰是你用得最少的能力。

这项能力可以训练,方法和当年练 LeetCode 一样:有题目、有计时、有人打分。请一位同事扮演客户,只在被问到时才回答,然后按上面四项标准给自己打分。练过五六次,你就会发现自己急于提方案的冲动有多强。

不要完全丢下代码:Distyl 仍有 Python 编码轮,而关于 FDE 面试的各方描述都表明,编码题如今是实战工程而非 LeetCode。要改变的是练习方式:少做算法谜题,多做解析脏数据、写限流器、带重试地调用 API 这类任务,并按会在客户现场运行的标准来写代码。

阅读职位描述时,留意“decomposition”“customer simulation”或“case study”这类词,它们说明哪一轮分量重。简历上不要写“用 Python 开发了 X 模块”,而要描述一次初始需求很模糊的经历:你问了什么,范围如何确定,结果如何。

FDE 招聘方读到这样一行,看到的正是他们的面试想找的能力。

编码轮没有消失,但它现在只用来判断你是否达标、能否继续。想拿到 offer,你需要在与一位不清楚自己需求的模拟客户的对话中表现出色。

这篇文章对你有帮助吗?

7 个信源
路线图上的下一篇 · 阶段 8: 职业发展招聘 FDE,生产级代码只是入场券Anthropic 要求 4 年以上面向客户的技术岗位经验,而这恰是你现有工作安排让你远离的另一半技能。