# 一个后端习惯，让不少人倒在 FDE 面试上

> 两年生产代码经验已覆盖大部分要求，很多人却在问清成功标准之前就先画了架构。

原文: https://fdetimes.net/zh/guides/backend-engineer-to-fde-transition/

FDE 面试官给出一道题：一家物流公司想用 AI 处理客户投诉邮件。后端工程师的第一反应，很可能是拿起笔，画一个队列，选一个数据库，再勾勒出 API。

很多候选人就倒在这一步。fde.academy 的转岗指南指出，后端工程师常在这一轮失利，原因是还没弄清成功标准就直接跳进了架构设计。讽刺的是，同一份指南也说，只要有两年以上生产环境后端经验，就已经具备前线部署工程师（FDE）所需的大部分能力。

两个岗位之间的差距比很多人想的要小，但恰好落在后端工程师练得最少的地方。现在也是补齐它的好时机：据 The Pragmatic Engineer 报道，Google、OpenAI 和 Anthropic 对 FDE 的需求都很旺盛。

## 你带来的比想象中多

Paraform 把 FDE 的核心技能概括为五个方面：一门后端语言、云基础设施、数据工程、应用 AI 和客户沟通。做过几年后端的人，通常对前三项已经很熟，至少足够上手干活。

fde.academy 认为，最能直接沿用的是可观测性和调试能力。在客户现场，你要调试别人搭的系统，日志不全，权限受限，所有人都在等你的结论。

那些半夜值班的经历，正是在为这种场面练手。

翻看 Palantir 和 Anthropic 的招聘启事，也能看到同样的要求。Palantir 希望前线部署软件工程师（FDSE）端到端负责高风险项目。

Anthropic 的 Applied AI FDE 岗位要求候选人深入客户系统，基于 Claude 模型构建生产级应用。两家要的都是能在别人的环境里交付真正跑得起来的代码的人，而这正是后端工程师每天在做的事。

## 需要补上的三项短板

fde.academy 列出了三项短板：客户沟通、对 AI/ML 系统的理解，以及部署的范围界定，也就是先定下成功标准，再考虑架构。Scaler 的指南说得更直白：大多数工程师转 FDE 失败，是因为做不好技术需求探查，而不是代码能力弱。

AI 这块短板，只有在你主要做 CRUD 服务时才真的明显。fde.academy 指出，这种情况下你需要理解 AI 系统的行为与传统服务有何不同。

对 CRUD API 来说，相同输入得到相同输出，出错时有堆栈信息。大模型（LLM）应用却可能答错了还说得头头是道，所以你需要一套评测，光靠单元测试不够。

除了这三项，招聘启事里还有一条要求值得留意。Anthropic 要求候选人有很强的主动性，能在复杂组织的模糊情境中找到方向。在产品公司，工单到你手上时，需求已经有人理清了。在客户现场，理清需求就是你的工作。

## 同一个项目，两种讲法

fde.academy 建议围绕结果而不是功能重写简历。Scaler 给出了一个面试讲故事的框架：从“我做了 X”改成“我为客户 Z 部署了 X，解决了 Y”。拿一个假设但很常见的项目试试：一个与合作方系统同步订单的服务。

| 要素 | 开发者版本 | FDE 版本 |
|---|---|---|
| 开头一句 | 用 Go、Kafka 和 Postgres 构建了订单同步服务 | 运营团队靠手工录入合作方订单，数字经常对不上 |
| 完成的定义 | 没提 | 与运营负责人约定：不再有任何订单需要手工录入 |
| 难点 | 重试和幂等 | 合作方 API 会发送重复事件。加了链路追踪，证明问题出在对方 |
| 结果 | 服务运行稳定 | [你的真实数据：节省的手工录入工时、前后订单不一致率] |

右栏里技术依然在，但它服务于客户的问题。不要编数字。如果当时没测量过，就去问问原来的团队，或者直接说明这是估算值。

从没对接过外部客户？使用你系统的内部团队也是客户。运营、财务、数据团队都算。招聘经理想听到的是：你问过他们需要什么，并且衡量过他们是否得到了。

## 拆解题，前十分钟定胜负

据 techinterview.org 介绍，拆解题中表现出色的候选人，会用前十分钟提问，问用户是谁，问“完成”指什么。

这一轮考察的是结构化拆解问题、用户同理心、基于数据推理和范围界定。文章提醒：如果只刷算法题，你复习的是这场考试里最不重要的部分。

回到投诉邮件这道题。与其画架构，不如先问这样一些问题：

“现在谁在看这些邮件，每封要花多长时间？每月大概收到多少封，投诉分哪几类？如果六周后项目成功了，你会看哪个指标来判断？

AI 把一封严重投诉分错类，会怎样？邮件存在哪个系统里，数据最多能移出到什么程度？”

每个问题都会引出后面的一个技术决策。分类错误的代价，决定是否需要人工审核输出。数据存放的位置，决定模型能在哪里运行。拿到答案之后再画架构，图上的每个框就都有了理由。

## 转岗时的常见错误

第一个错误，是简历上只有一串技术名词。罗列 Kafka、Kubernetes、gRPC，只能说明你会用这些工具，说明不了你解决了谁的问题。

第二个错误，是藏起事故经历。你如何追查出一次故障的根因，是证明调试能力的最好素材，而这正是 fde.academy 认为最能直接沿用的能力。讲的时候要讲清哪些用户受了影响，你又是如何让他们及时了解进展的。

第三个错误，是夸大 AI 经验。如果只做过 CRUD，就做一个带正规评测的小项目，如实讲出来。追问一句输出不稳定怎么办，没真正做过的人很快就会露馅。

读招聘启事时，留意“end-to-end”“customer systems”“ambiguity”这类说法。每一条都准备好一个自己的真实故事。

编码能力让你坐上面试桌。让人相信你能站到客户面前的，是开工之前先问一句：“‘完成’指的是什么？”

**本周动手试试:**

- 挑一个你最得意的后端项目，用五句话重写：用户是谁，“完成”指什么，你部署了什么，修复了哪次事故，衡量出的结果是多少。
- 请朋友扮演客户，给你一个模糊的问题，计时十分钟。这十分钟里你只能提问，不许画架构。
- 做一个调用 LLM API 的小应用，写二十个左右的测试用例，记下每一次输出错了却听起来很合理的情况。

## 信源

- [Backend Engineer to Forward Deployed Engineer: A Complete Transition Guide](https://fde.academy/blog/backend-engineer-to-forward-deployed-engineer)

- [How to Transition from Software Engineer to Forward Deployed Engineer](https://www.scaler.com/topics/how-to-transition-from-software-engineer-to-forward-deployed-engineeer/)

- [What the forward deployed engineer interview really tests](https://www.techinterview.org/post/3233477236/forward-deployed-engineer-interview/)

- [What is a forward deployed engineer? A complete guide](https://www.paraform.com/insights/what-is-a-forward-deployed-engineer)

- [Forward Deployed Software Engineer (Palantir)](https://jobs.lever.co/palantir/90aa8748-3fef-4e2b-9ea9-c4dc5f37f0d2)

- [Forward Deployed Engineer, Applied AI (Anthropic)](https://jobs.generalcatalyst.com/companies/anthropic/jobs/70192292-forward-deployed-engineer-applied-ai)

- [The Pulse: Forward deployed engineering heats up again](https://newsletter.pragmaticengineer.com/p/the-pulse-forward-deployed-engineering)
