Anthropic FDE 面试：把岗位描述当成每一轮的复习大纲

打开 Anthropic 在伦敦招聘前线部署工程师（FDE）的岗位描述，有一行很容易一眼扫过：25%–50% 的时间要出差到客户那里，与客户一起直接构建。乍看这只是出差安排，其实它说明这个岗位要的是能当着客户的面把东西做出来的人，而不只是擅长算法题的人。

所以，最有效的准备方法是把岗位描述本身当作教学大纲，把每条要求对应到最可能考它的那一轮。

岗位描述是教学大纲，不是广告

根据岗位描述，这个岗位隶属 Applied AI 团队。FDE 在客户自己的系统里用 Claude 构建生产级应用，交付物很具体：MCP 服务器、子智能体（sub-agent）和智能体技能（agent skill）。这是一份你必须能亲手做出来的清单，而不只是叫得出名字。

任职要求同样直白。候选人需要 4 年以上面向客户的技术岗位经验，例如 FDE。

还需要 LLM 的生产环境经验，包括高级提示工程和智能体开发；需要扎实的 Python；岗位描述还希望候选人高度自驱，能在规模大、层级多、情况模糊的组织里找到方向。

每条要求都能对应到最可能涉及它的那一轮。所以第一件事不是打开刷题网站，而是先把这张对应表做出来。

四轮面试，每轮考一项能力

Exponent/Aced 的一份面试准备指南列出了这个岗位的一个示例流程。第一轮是 30 分钟的招聘方电话，聊你的背景、动机、推荐人以及适合你的职级。

接下来是技术面，围绕一个真实场景展开：用 MCP 工具部署 Claude，并在上下文变得很长时保持系统稳定。

据同一份指南，编码轮是在类似 CodeSignal 的平台上完成的分步实操题，每一步追加一个新需求。

终面包含两部分：方案设计，即为客户设计 Claude 系统的架构；以及关于行为和公司价值观的问题。

这只是示例流程，并非固定安排，具体轮次顺序请向你的招聘方确认。

岗位描述中的要求	最可能考察的轮次	准备方法
交付 MCP 服务器、子智能体、智能体技能	技术面	搭一个把 Claude 接入真实数据源的小型 MCP 服务器
高级提示工程、智能体开发	技术面、设计轮	准备一组测试用例，用来对比两个版本的提示词
扎实的 Python	增量编码轮	练习写小而易扩展的函数，每一步都配测试
在情况不明时找到方向	设计轮、行为面试	练习在画架构之前先提澄清问题
4 年以上与客户合作的经验	招聘方电话、行为面试	准备三个故事，每个都包含客户、冲突和结果

示例：每一步追加一个需求的编码题

设想下面这道题。这是练习题，不是真实面试题。第一步：输入一组 JSON 格式的支持工单，按客户分组。第二步：去掉内容重复的工单。第三步：发送给模型之前做裁剪，让每个客户的总长度不超过某个阈值。

陷阱在于把第一步写成一个长函数。到了第三步，你只能在计时中把它拆开重写。更稳妥的做法是让每个需求都是一个纯函数，这样新需求只需在链条上多加一环：

from dataclasses import dataclass
from collections import defaultdict

@dataclass(frozen=True)
class Ticket:
    id: str
    customer: str
    created_at: str  # ISO 8601，例如 "2026-03-01T09:30:00Z"
    text: str

def load(rows: list[dict]) -> list[Ticket]:
    return [Ticket(r["id"], r["customer"], r["created_at"], r["text"].strip())
            for r in rows]

def dedupe(tickets: list[Ticket]) -> list[Ticket]:          # 第 2 步
    seen, out = set(), []
    for t in tickets:
        key = (t.customer, t.text.lower())
        if key not in seen:
            seen.add(key)
            out.append(t)
    return out

def group(tickets: list[Ticket]) -> dict[str, list[Ticket]]:  # 第 1 步
    groups = defaultdict(list)
    for t in tickets:
        groups[t.customer].append(t)
    return dict(groups)

def budget(groups, max_chars: int):                            # 第 3 步
    trimmed = {}
    for customer, items in groups.items():
        total, kept = 0, []
        # 最新的优先：同一时区的 ISO 8601 字符串按字典序排序即为时间顺序
        for t in sorted(items, key=lambda t: t.created_at, reverse=True):
            if total + len(t.text) > max_chars:
                break
            kept.append(t)
            total += len(t.text)
        trimmed[customer] = kept
    return trimmed

def pipeline(rows, max_chars=4000):
    return budget(group(dedupe(load(rows))), max_chars)

第三步按工单创建时间排序，而不是按 id，因为 id 大不一定代表工单更新。如果数据里没有时间戳字段，先把你的假设说清楚，再退而使用 id。

真正得分的是你边写边说的内容，而不是代码本身。把取舍讲明白：你保留最新的工单，是因为假设它们更相关；如果这个假设不成立，你会去跟客户确认。

这个上下文预算问题，也很接近技术面核心的长上下文稳定性问题。

设计轮：先提问，后画图

岗位描述强调在情况不明时找到方向的能力，因此设计题很可能故意省略大量细节。要养成先问再画的习惯。

假设面试官说：“一家保险公司希望员工能向 Claude 询问保单条款。”不要马上画一张带向量数据库的架构图，可以先问几个问题。

可以从这三个问题开始：“谁会使用它，是呼叫中心员工还是理赔部门？保单存在哪个系统里，有没有访问控制？如果 Claude 答错了，后果是来电者不满，还是赔付出错？”

问完这三个问题之后，再提出架构：一个遵循现有访问控制的 MCP 服务器，一个专门负责引用保单条款的子智能体，以及一组基于员工真实提问构建的测试用例。

行为面和深挖轮：真实的故事胜过漂亮的故事

Educative 关于 Anthropic 工程岗位招聘流程的一份通用指南指出，技术深挖环节青睐真正理解自己所建系统的人。在行为面试中，面试官往往更看重诚实、自我认知和反思，而不是包装精美的成功故事。

具体来说，至少准备一个自己的部署失败的故事：讲清技术原因、你当时的决定，以及之后做了哪些改变。如果被追问两层之后你仍然讲得清楚，这一个故事比十个只停留在表面的项目更有分量。

这也是修改简历的好时机。不要写含糊的“有 LLM 相关经验”，而要写清你搭建了一个 MCP 服务器，把模型接入了哪个系统，为谁运行，以及如何衡量它的质量。

这类具体的描述并不能替代岗位要求的 4 年以上经验，只是让读简历的人一眼看出你这几年做了什么。

Claude 使用规则：提前了解

Anthropic 发布了关于候选人使用 AI 的官方指引。你可以用 Claude 润色申请材料，但初稿必须自己写。你可以用 Claude 研究公司、练习回答、准备向面试官提的问题。

界线划在评估本身。现场面试“全靠你自己”，除非面试官另有说明，否则不能借助 AI。带回家完成的作业同样不能用 Claude，除非得到许可。

对于一个整天和 Claude 打交道的岗位，这听起来有些矛盾，但合理的理解是：他们想看到你在没有助手时的真实底子。

让优秀候选人落选的错误

第一个常见错误是备错了考试类型：花几周刷算法，而按示例流程，技术面其实是一个用 MCP 部署 Claude 的场景题。其次是把代码写成一整块，导致每来一个新需求都得重写。

还有一个是设计题还很开放时就直接进入架构，恰好跳过了岗位描述中明确写出的在模糊中找方向的能力。

剩下两个错误与人有关。一是讲的故事太完美，听的人找不到你真正学到东西的地方。

二是在不允许的场合使用 Claude，比如未经许可在带回家的作业中使用。这会让你失去信任，而在一个依赖客户信任的岗位上，失去信任就等于失去一切。

本周练习：请一位同事扮演面试官，只给你一个故意含糊的设计题，比如“一家医院想在前台使用 Claude”。

设一个 30 分钟的计时器。前 10 分钟只能提问，不能画任何东西。结束后问同事，你的哪个问题最能把问题弄清楚。