Cresta 高级 FDE 招聘启事：每一条要求都是客户现场的一项任务

打开 Cresta 于 2026 年 10 月 13 日发布、面向澳大利亚远程候选人的高级前线部署工程师（FDE，AI Agent 方向）招聘启事，看到的是一份熟悉的清单：Python、Golang、云、DevOps、LLM、项目管理。

粗看，它和其他工程岗位的启事没什么两样。细读就会发现，每一条都对应一项要在客户系统上完成的具体任务，尽管这是一个远程岗位。

这里要学的技能并不限于 Cresta，而是怎样读 FDE 招聘启事：把每一条要求翻译成它背后的工作，再为每项任务做一份小小的证据。这样做的候选人更容易通过简历筛选，进入技术测评时，也已经亲手做过一个版本的工作。

启事里的动词比名词更能说明问题

职责部分的第一句话有四个动词：在 Cresta 的平台和工具上开发、配置、部署和优化 AI 智能体。这个顺序就是一次客户项目的生命周期。不是从零做产品，而是拿一个现成的平台，让它为某一家具体的客户跑起来。

要理解“跑起来”意味着什么，得先看产品。Cresta 称自己是一个面向企业级规模、同时服务人工坐席和 AI 智能体的统一平台。

eesel AI 在 2026 年 5 月更新的一篇分析中提到，Cresta 的 AI Agent 支持语音、聊天和短信，通过基于 API 的 function calling 以及 MCP 支持与其他系统对接。

一个更早的细节更重要。早在 2021 年，Cresta 的博客就写道，产品的设计目标是与客户已在使用的呼叫中心软件集成并协同运行。所以这里的 FDE 几乎总是在别人的系统里工作，数据、限制和流程都不由自己掌控。

每一条要求都是客户现场的一项任务

下表把启事中的主要条目翻译成实际工作，并说明投递之前怎样证明每一项。

启事中的条目	客户现场的实际工作	需要准备的证据
将智能体与 API、数据库、CRM 集成	智能体要在对话中途查询账单、订单和客户记录	一个调用 API 的工具，带超时和兜底方案
Python 和 Golang	编写智能体逻辑，编写稳定运行的中间件服务	同一个服务分别用两种语言实现
云（AWS、GCP 或 Azure）和 DevOps	容器化，通过 CI/CD 发布，上线后做监控	一个包含 Dockerfile、CI 流水线和监控面板的仓库
LLM 和提示词工程（优先）	智能体在真实数据上答错时调优提示词	一套测试问题集，附修复前后的结果
设定里程碑、制定计划、内部协调	多个团队参与时按期交付	一份带里程碑和风险的部署计划

启事要求至少 3 年全职经验，方向可以是软件开发、咨询或 AI/ML 工程。三条路径同等对待，所以没做过 AI 的后端工程师也有机会，前提是能证明 Python 和 Golang 这一条，以及云和 DevOps 这一条。

示例：客户还在通话时，智能体查询账单

假设一家电信运营商希望 AI 智能体在语音渠道回答“我这个月的账单是多少？”。数据在运营商的计费系统里，不在 Cresta。你的任务是写一个智能体可以通过 function calling 调用的工具。

import requests

BILLING_URL = "https://billing.example-telco.internal"

TOOL_SPEC = {
    "name": "get_open_invoice",
    "description": "获取已验证手机号的客户的未付账单",
    "parameters": {
        "type": "object",
        "properties": {"phone": {"type": "string"}},
        "required": ["phone"],
    },
}

def get_open_invoice(phone: str) -> dict:
    try:
        r = requests.get(
            f"{BILLING_URL}/invoices",
            params={"phone": phone, "status": "open"},
            timeout=2.5,  # 通话中，长时间沉默就等于失败
        )
        r.raise_for_status()
    except requests.RequestException:
        # 客户系统出错：不要猜，转接人工
        return {"ok": False, "action": "handoff_to_human"}

    items = r.json().get("items", [])
    if not items:
        return {"ok": True, "invoice": None}
    inv = items[0]
    return {"ok": True, "amount": inv["amount"], "due": inv["due_date"]}

API 调用本身只有几行。价值在于围绕它的三个决定，面试官想听你讲清楚的也正是这些。

第一个决定是超时。聊天渠道里等五秒可以接受；通话中沉默五秒，客户会以为电话断了。这里的 2.5 秒只是示意性假设，真实项目中要先测出客户 API 的延迟再定。

第二个决定是返回 handoff_to_human，而不是让模型自由发挥。拿不到数据却照样回答的智能体，就是在编造账单金额。平台同时服务人工坐席和 AI 智能体，把电话转给真人是顺理成章的兜底。

第三个决定是区分“没有账单”和“出错”。两种情况给客户的回答完全不同，提示词必须教会智能体在每种情况下说对的话。

从示例到投递：按这个顺序做

先实现上面这个工具，对接一个自己写的模拟 API，再加十个测试问题，包括不存在的号码和卡住不响应的 API。记录调优提示词前后智能体答对了几个。这就是 LLM 和提示词工程这一条的证据，启事明确将其列为优先项。

然后用 Go 重写模拟计费服务。启事同时要求 Python 和 Golang，一个用两种语言实现同一服务的仓库，正好直接回应这一条。把它容器化，加一条运行测试的 CI 流水线，再接入一个延迟指标：这三样完整覆盖了云和 DevOps 这一条。

最后，为这家运营商写一页假想的部署计划：有哪些里程碑，客户的哪些团队需要开放 API 权限，哪些风险可能导致延期。启事要求 FDE 自己设定里程碑、规划部署，并与内部团队协调以按期交付，这份计划就是这一条的直接证据。

CoderPad 环节与常见错误

根据启事，通过简历筛选的候选人要在 CoderPad 上自主完成一项技术测评。简历是第一道关，因此应当描述做过的工作，而不是罗列技术。

一个简单的模板：“通过 API Y 将智能体与客户系统 X 集成，使 Z 降低”，其中 Z 是你实际测得的数字。

第一个错误，是在技能栏写上“LLM、RAG、智能体”，却没有测试集佐证。第二个，是以为 FDE 要替换客户的系统，而 Cresta 自己就说产品是为了与现有呼叫中心软件协同运行而设计的。第三个，是以为 AI 只需要 Python，于是跳过 Go。

Cresta 的另一份启事展示了这条路的下一步：2026 年 1 月发布、面向美国远程候选人的前线部署工程经理岗位，要求至少 2 年管理、指导和培养工程团队的经验，并愿意有 10-25% 的时间出差拜访客户、参加活动。

今天练习的规划和协调能力，就是迈出那一步的基础。

会读招聘启事的人，不数自己命中了多少关键词。他们问的是：这项工作我给谁做过吗？如果还没有，就在这个周末做一个小版本。