# 数据科学家转 FDE，建模只是入场券

> ML 基础和调试直觉可以沿用，要补的是拆解模糊问题、写生产代码，并对部署端到端负责。

原文: https://fdetimes.net/zh/guides/data-scientist-to-forward-deployed-engineer/

一个流失预测模型，AUC 很漂亮，notebook 也整洁，交给了平台团队。三周后它还原封不动地放在那里，因为没人把它接进客户的登录系统。

做前线部署工程师（FDE），接这根线的人就是你。好消息是这条路确实走得通：FDE Academy 的职业资料把 ML 工程列为进入 AI 公司 Forward Deployed Engineering 岗位的可行路径。

Cloud Authority 在 2026 年对招聘信息的分析也发现，许多 FDE 岗位明确提到机器学习或 Agent 开发经验。

不那么好的消息是：根据 Sundeep Teki 2026 年的 FDE 面试指南，面试流程会同时考察四项通常分开评估的能力，即问题拆解、编码、客户同理心和主人翁意识。建模能力只是敲门砖。真正的问题是：哪些该保留，哪些要新学。

## 你带来的东西比想象中更值钱

ML 基础是直接的优势，尤其是在 AI 公司需要懂模型、数据管道和 LLM 应用如何部署与集成的人时。你知道模型为什么会退化，数据泄漏长什么样，怎么看数据分布。这些反射已经形成，不必从头学起。

第二样值得保留的是调试思维。FDE Academy 关于从数据工程转 FDE 的指南说得很直白：调试能力可以迁移。当你追查某个特征为什么突然全是空值时，做的正是 FDE 对接一个出了故障的客户系统时要做的事：提出假设，缩小范围，加以验证。

同一份指南也点出了核心差别：做数据的人通常面向内部，FDE 则直接面对客户。调试思维不变，但你要理解的系统数量成倍增加。

## 短板在模型周围，不在模型里面

Cloud Authority 援引 The Pragmatic Engineer，对两种角色做了一个简洁的区分：开发者为许多客户构建一种能力；FDE 则围绕一个客户，深入多种能力。站到单个客户一侧之后，训练模型只是你亲手要做的众多工作之一。

Palantir 在华沙招聘 Forward Deployed Software Engineer 的岗位描述写道，工作以小团队方式开展，监督极少，要从头到尾负责高风险项目。同一份岗位描述还要求候选人是熟练使用 Python、Java、C++ 等语言的强编码者。统计能力替代不了这一条。

## 一个模糊问题，逐层拆解

Teki 把问题拆解列为 FDE 面试中最重要的能力。技术深挖环节约 60 分钟，不写代码，围绕一个表述非常宽泛的真实问题展开。ML 背景的人往往在这里栽跟头，因为第一反应通常是选模型。

看一个假设的题目：“一家连锁诊所想用 AI 减少患者等待时间。”数据科学家会想直接用梯度提升预测等待时间。FDE 拆解问题的顺序不一样：

```text
1. 用户：谁在感受等待？患者、前台还是医生？
2. 决策：有了更好的信息，谁会改变做法？（前台调整预约？诊所加班次？）
3. 数据：预约、签到时间和问诊时长存在哪里？谁有权访问？
4. 约束：医疗数据 -> HIPAA，运行在客户的 VPC 内，
   通过现有 SSO 登录
5. 第一周：按时段展示等待时间的看板，暂时不需要模型
6. 然后才是 ML：预测每小时负荷，为排班提供建议
```

注意，模型出现在最后一步。第四层也不是偶然：Teki 说，FDE 的系统设计环节与每个客户的具体情况挂钩，涉及 VPC、SSO、HIPAA/SOC2 等话题。

如果面试时你能说出“这些数据不能离开客户的基础设施”，你回答的正是这一系统设计环节想考的问题，而不只是画一个模型架构。

**要点:** 在 FDE 面试里，模型是第六个问题的答案。

## 凌晨两点部署出故障时

Teki 用一个很具体的场景说明主人翁意识：凌晨两点部署出了故障，你不去提工单。对习惯把模型交给别的团队的人来说，这是最大的思维转变。

回到诊所的例子，假设预测接口突然开始返回 401 错误。旧的反射是通知平台团队。FDE 的反射是自己追查：SSO token 是不是刚轮换过？服务账号还有没有预约表的读权限？修好之后，写下根因，再加一条告警，下次能更早发现。

调试思维还是你的，只是范围扩大到了整个系统。

## 练习计划：算法、一个真实项目、一份新简历

第一，算法。Teki 说编码环节是 LeetCode 中等难度，并以客户场景包装；有候选人反馈在 Palantir 遇到了 BFS 和图论题。notebook 练不出这种反射，所以要定期刷题，并练习把思路大声讲出来。

第二，一个端到端项目。FDE Academy 建议做一个包含云、API、身份认证、数据库和监控的项目。对 ML 背景的人来说，最快的做法是拿一个自己以前的模型，封装成带登录的服务，把预测结果记录到数据库，再做一个跟踪延迟和数据漂移的看板。

再加一层小型 RAG 也值得，因为 Teki 列出的技能包括 Python、LLM/RAG、云、SQL/数据管道和全栈。

第三，简历。Teki 认为，端到端交付的能力比公司名气更重要。对从未在大厂工作过的开发者来说，这是好消息：每一条经历都应写清你为谁解决了什么问题、交付了什么系统、它在生产环境中表现如何。

阅读岗位描述时，留意“end-to-end”“customer-facing”“minimal supervision”这类字眼，判断这个岗位是否正需要你刚补上的能力。

## ML 背景的人常踩的坑

最常见的坑是一开口就报模型名字。面试官想听你追问用户和决策，XGBoost 和 transformer 孰优孰劣可以往后放。

第二个坑是作品集全是 notebook。notebook 能证明你分析做得好，却证明不了你会部署、做用户认证或监控系统。第三个坑是因为自己“做 AI”而轻视算法环节。编码环节照样是 LeetCode 中等难度，Palantir 的岗位描述照样要求强编码能力。

最后一个坑是谈准确率，而不谈客户的结果。诊所里没人为 AUC 买单，他们买的是患者少等一会儿的早晨。

本周练习：选一个你做过的模型，像诊所例子那样，为一个假想客户写出六层拆解，然后问自己哪一层从没亲手做过。那一层就是下一步要学的。

**本周动手试试:**

- 拿一个你训练过的模型，封装成带认证的 API，写入数据库并配一个最简监控看板，然后部署到云上。
- 每天做一道 LeetCode 中等难度的图论或 BFS 题，并把题目改写成一个真实的客户场景。
- 按“用户的问题、你交付的系统、上线生产环境后的结果”这个公式，改写简历上的三条经历。

## 信源

- [The Definitive Guide to Forward Deployed Engineer Interviews in 2026](https://www.sundeepteki.org/advice/the-definitive-guide-to-forward-deployed-engineer-interviews-in-2026)

- [How to Become a Forward Deployed Engineer: Career Paths, Required Experience and Training Options](https://fde.academy/blog/how-to-become-a-forward-deployed-engineer)

- [Data Engineer to Forward Deployed Engineer: Skills, Gaps, and Transition Guide](https://fde.academy/blog/data-engineer-to-forward-deployed-engineer)

- [Forward Deployed Software Engineer (Palantir, Warsaw)](https://jobs.lever.co/palantir/bf718bd3-b2ef-451e-8033-cb4d2d9c094b)

- [The Rise of the Forward Deployed Engineer: History, Myths, and Why It's Back](https://cloud-authority.com/the-rise-of-the-forward-deployed-engineer-history-myths-and-why-it-s-back.md)
