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

技能指南 · 指南

服务两家竞争客户,经验可以带走,数据必须留下

同时服务竞争对手的 FDE,要把边界写进代码和合同,单靠记性迟早会出事。

分享微博

要点速览

  • 为两家竞争对手工作并不违背职业道德,前提是未经许可,任何信息都不在两家客户之间流动。
  • 厂商拥有的模式可以带走;数据、客户专属的提示词以及用客户数据训练的模型必须留下。
  • 把边界落实在数据层,并在每次发布时测试,而不是依赖每个人的自觉。
示意图:客户 B 的 RAG Agent 只能通过锁定为 tenant_id = B 的检索器发起查询,该检索器以强调色标出。检索器通向连锁品牌 B 的数据,通往连锁品牌 A 数据的路径被阻断。
租户过滤内置在数据访问层,Agent 的每次检索都锁定在单一客户。CI 中的跨租户测试确保重构时不会删掉这个过滤。

设想一位前线部署工程师(FDE),某个周一在连锁餐饮品牌 A 的办公室里,收尾一套系统:核对收银(POS)终端和外卖平台之间的营收。

三周后,销售宣布来了新客户:连锁品牌 B,A 的直接竞争对手,要的东西一模一样。B 在启动会上问的第一个问题,很可能就是:“A 是怎么做的?”

正确的回答是:不能说。但不说不等于从零开始。如果每个项目都得推倒重来,FDE 不过是一个昂贵的顾问。可一旦带错了东西,公司可能同时失去两家客户。

关键在于把经验和数据分开,而且这种分隔不仅要在脑子里完成,还要落实在代码和合同里。

道德的界线其实很窄

安全顾问 David Mortman 给出了同时服务两家竞争企业的基本规则:未经许可,绝不向一家客户透露另一家客户的任何信息。在他看来,同时接两家对手的活是可以的,前提是没有任何信息从一边流到另一边。

规则很简单,但对 FDE 来说比对顾问更难遵守。Palantir 把产品工程师描述为“一种能力,多个客户”,把 FDE 描述为“一个客户,多种能力”。

FDE 深度服务单一客户,接触的是对方的真实数据。据 The Pragmatic Engineer 介绍,这些数据往往敏感且属于专有信息,有时还位于物理隔离的环境中。

与此同时,FDE 的价值又在于把在一家客户那里学到的东西反馈回产品。在 OpenAI,为某个客户做的语音模型改进,后来让 Realtime API 和所有其他客户都受益。所以问题在于:如何让经验流动,同时让秘密留在原地。

谁拥有什么:先读合同,再看代码

第一步是读合同,然后才打开编辑器。Databricks 的 Martin 指出,要让工作成果可以复用并回流到产品,知识产权(IP)必须归厂商所有。同一篇文章也明确,用客户数据训练的定制模型归客户所有。

由此分出三类。厂商拥有的通用代码和模式可以带走。数据、业务配置以及包含 A 具体细节的提示词归 A。用 A 的交易数据微调的模型同样归 A,即使训练管道是你写的。

Alteryx 的 Irudayaraj 描述的正是连锁餐饮对账这个场景:做一次,之后的客户不再重做。这里复用的是模式,客户的数据一条也没有带走。

靠结构隔离,而不是靠记性

即使出发点再好,检索增强生成(RAG)Agent 也可能泄露信息:只要在回答 B 的问题时检索到一段 A 的上下文就够了。Wolfia 介绍了一种防御模式:每一次 AI 请求都必须限定在单一客户范围内,提示词和检索到的上下文都是如此。

租户过滤内置在数据访问层,每次查询都必须经过它,而不是指望开发者记得加上。每次发布还要运行测试,检查租户之间的隔离。

放到对账项目里,代码大致如下:

class TenantScopedRetriever:
    """每次检索都锁定在一个租户上,没有任何绕过的途径。"""

    def __init__(self, store, tenant_id: str):
        if not tenant_id:
            raise ValueError("必须提供 tenant_id")
        self._store = store
        self._tenant = tenant_id

    def search(self, query: str, k: int = 5):
        # 过滤在这里统一施加,而不是留给调用方去记
        return self._store.search(query, k=k, filter={"tenant_id": self._tenant})


def test_no_cross_tenant_leak(store):
    store.add("September revenue discrepancy rate", tenant_id="chain_a")
    b = TenantScopedRetriever(store, "chain_b")
    assert all(d.tenant_id == "chain_b" for d in b.search("revenue discrepancy"))

关键在于,Agent 永远拿不到原始存储,只能拿到一个已经锁定租户的检索器。把这个测试放进持续集成(CI),这样仓促的重构就无法悄悄去掉过滤。

写出老客户认不出自己的经验卡片

代码层只解决了一半问题。另一半在你的脑子里,以及你留给团队的笔记里。离开项目 A 之前,写好经验卡片,然后逐行重读,问自己:如果 A 的 CTO 读到这些,能认出自己的公司吗?

项目 A 结束后的原始笔记 可以带走的经验卡片
A 九月的结算文件和 POS 对不上,因为外卖平台关账晚了 外卖平台的结算文件经常延迟关账,应按订单 ID 加金额容差对账,而不是按日期
A 的会计只信早上 6 点导出的报表 尽早问清谁签字确认数字,以及他们信任哪个数据源
few-shot 提示词用了 A 的 20 笔真实交易 提示词结构;示例必须用合成数据重写

左列包含日期、内部习惯和真实数据,不能离开项目 A。右列是任何行业都会遇到的模式。只有这一列可以进入共享 wiki、模板,或者提给产品团队的工单。

开始服务客户 B

当 B 问“A 是怎么做的”时,准备好回答:“我不会透露其他客户的任何信息,就像我也不会把你们的信息告诉任何人。我带来的是一套经过验证的方法。”这句话本身,就是 B 信任你的理由。

如果想复用处于灰色地带的内容,比如案例研究,就按 Mortman 的规则,书面征得 A 的许可。

通用化的部分应当回到产品里,变成 Palantir 描述产品工程师工作时所说的“一种能力,多个客户”。

到了这一步,你不再需要随身携带这条经验,因为它已经变成了一项功能。

还有一步常被跳过:检查技术栈里每个第三方工具的训练政策。HubSpot 的文档写明,部分模型会用多个客户账户的数据训练,而选择退出只从退出那一刻起生效。

对这类工具来说,退出无法撤回已经用于训练的数据。在第一天、加载任何真实记录之前就把这个问题定下来。

四个常见错误

最常见的错误,是把边界当成个人自律问题。如果每次查询都要手动加 tenant_id,迟早会有一次漏掉。只要架构允许泄露,总有一天会泄露。

第二个错误是用轶事来推销,比如“业内某家大型连锁就是这么做的”。在只有寥寥几家竞争者的市场里,这样一个细节就足以让对方猜出是谁。

第三个错误是把 A 的微调模型或 few-shot 示例集带到 B,而据 Insight Partners 的说法,用 A 的数据训练的模型归 A 所有。第四个错误是以为选择退出能抹掉过去。

把这项能力变成求职优势

介绍过往项目时,要展示你如何把方案通用化,同时不暴露客户。

在简历上,像“为 RAG Agent 构建租户隔离的数据访问层,并在 CI 中加入跨租户测试;将对账模式封装为跨客户使用的模块”这样的描述,比“具有安全意识”具体得多,也更容易核实。

阅读岗位描述时,留意 multi-tenant、data isolation 或 “feed learnings back to product” 这类表述,它们很可能说明公司正需要这项能力。面试中被问到过往项目时,用经验卡片的语言来讲。讲述方式本身就证明了你懂得守住界线。

客户 B 永远不会知道 A 教会了你什么。A 那里唯一允许到达 B 的是方法,而 B 只能从一个事实中看到它:自己的项目不必从零摸索。

这篇文章对你有帮助吗?

5 个信源
路线图上的下一篇 · 阶段 7: 项目主导AI 答错照样返回 HTTP 200,服务台需要一份处置手册一线支持无需懂模型,只要问清刚改了什么、收齐三项证据,并敢于尽早升级。