# 66% 的 FDE 岗位要求 Python，几乎是第二名的两倍

> 1,000 份招聘中，TypeScript、Agent、AWS 和 LLM 都在三分之一左右，门槛与加分项由此分开。

原文: https://fdetimes.net/zh/guides/fde-skills-1000-job-postings/

打开一份前线部署工程师（FDE）的招聘信息，要求能数出十几条：Python、TypeScript、某个云平台、LLM、Agent、与利益相关方沟通、愿意出差。到这一步，问题已经不是“我够不够格”，而是“我该先学什么”。

凭感觉猜，很容易走错方向。Bloomberry 分析了 1,000 份 FDE 招聘，统计了每项技能出现的频率，这是更可靠的依据。

知道哪些技能出现在三分之二的招聘里、哪些不到五分之一，学习和写简历就都有了优先顺序。

有条理地读招聘信息，价值正在上升。Paraform 的招聘数据显示，2025 年第一季度到 2026 年第一季度，FDE 招聘数量增长了 350%。招聘越多，噪音越大，能筛出核心要求的人，才会投对地方。

## 三分之二的招聘要求同一门语言

下表是 Bloomberry 样本中的技术技能，按出现频率排序。第三列把百分比换算成 1,000 份中的招聘数，便于直观感受规模。

| 技能 | 提到该技能的招聘占比 | 相当于 |
|---|---|---|
| Python | 66% | 660 份 |
| TypeScript | 35% | 350 份 |
| AI Agent | 35% | 350 份 |
| AWS | 32% | 320 份 |
| LLM 经验 | 31% | 310 份 |
| GCP | 22% | 220 份 |
| Azure | 18% | 180 份 |

Python 遥遥领先：66%，几乎是第二名 TypeScript 的两倍。接下来是集中在三分之一左右的一组：TypeScript、Agent、AWS 和 LLM。换句话说，Python 近乎入场券，第二组才是候选人开始拉开差距的地方。

技术技能之外，还有一个数字值得记住：68% 的招聘要求到客户现场出差。

## 为什么百分比不能相加

这是读这份数据时最常见的错误。AWS、GCP 和 Azure 加起来是 72%，但不能据此得出 72% 的招聘要求云技能。一份招聘可能同时提到 AWS 和 GCP，同一份就被算了两次。

每项技能都应单独看，它是对着 1,000 份招聘独立计算的。正确的问题是：如果只再学一样，哪一样能打开最多的岗位？就云而言，答案是 AWS，出现在 320 份招聘中，GCP 是 220 份。

这样读还能避免学得太散。一个把 AWS 用熟的工程师，自己部署过、自己排查过 IAM 问题、盯过成本，比三个云都浅尝辄止的人更有说服力。深入理解一个平台之后，到客户现场换用另一个也会快得多。

## 拆解一份真实招聘：OpenAI 纽约岗位

现在把频率表套到 OpenAI 在纽约的 FDE 招聘上。它要求 5 年以上技术或部署经验，其中包括一部分直接面向客户的工作。候选人需要用 Python 或 JavaScript 编写生产环境代码，并且必须构建或部署过由 LLM 或生成式模型驱动的系统。

逐条对照表格。Python 是最常见的技能（66%）。JavaScript 没有单独的数字，因为 Bloomberry 只统计了 TypeScript（35%），但 Paraform 把 Python 和 JavaScript 都归入“table stakes”，也就是入场门槛。LLM 要求（31%）才是这份招聘开始挑人的地方。

下一行最容易一眼扫过。OpenAI 的招聘希望候选人能与工程师、产品团队和客户方利益相关者清晰沟通。

Paraform 还认为，区分候选人的是部署过真实的 LLM 或 Agent 系统，加上懂客户这类软技能。OpenAI 的招聘正好对应这两点：要求构建或部署过 LLM 系统，也要求能和客户方良好沟通。

Palantir 美国政府业务的前线部署软件工程师（FDSE）招聘呈现另一种模式。它希望候选人能熟练使用 Python、Java 或 C++ 编程，并要求具备绝密（Top Secret）安全许可。

这项许可与该岗位的政府工作绑定，因此最合理的看法是把它视为公司特定门槛，而不是市场的普遍信号。

**要点:** 人人都有的技能帮你过筛选，真正用过的技能让你被选中。

Palantir 的招聘还透露了一条有用的信息：FDSE 独立工作、自己做决定，并经常与客户商讨。看到这样的描述，就该准备一个面试故事：某次你必须独自拍板，没有人替你签字。

## 从频率表到学习计划

上面的表格可以分成三层。第一层是生产级的 Python：有测试、有打包、有完善的错误处理。

第二层是三分之一那组里的一两项：如果经常为客户做界面，选 TypeScript；如果想瞄准 AI 公司，选 Agent 和 LLM。

第三层是一个云平台，没有特别理由的话，选 AWS。

贯穿三层的，是直接与客户合作过的证据。既然 68% 的招聘要求出差，OpenAI 的招聘也写明经验必须包括面向客户的工作，招聘方多半想看到你在客户现场为真实用户做过东西。

写简历时，对比两种写法。弱的写法：“有 LLM、Agent、AWS 经验”。更强的写法，举个假设的例子：“为 12 人的会计团队构建发票识别 Agent，运行在 AWS Lambda 上，对账时间从两天缩短到半天”。

第二种写法恰好回答了招聘方想知道的三件事：你做了什么、谁在用、是否真正跑起来了。

## 让技能清单适得其反的三个错误

最常见的错误是想把清单上的每一项都打勾。频率表是用来决定舍弃什么的，不是用来全部收集的。Python 扎实、熟悉一个云平台、交付过一个真正能跑的 Agent 项目的候选人，会排在七项技能都略懂一点的人前面。

另一个错误是把工作年限当成一堵墙。Bloomberry 发现，60% 的招聘面向 3 到 5 年经验的中级候选人，初级岗位只占 12%，约为 1,000 份中的 120 份。

如果你的经验不到三年，就直接瞄准这一小部分岗位，同时在现在的工作中积累面向客户的经验。

最后一个错误是只罗列关键词。自动筛选系统也许会捕捉到简历上的“LLM”，但面试官会问你在生产环境上线了什么、哪里出过问题、怎么修好的。一个准备充分、带真实数字的故事，胜过十个关键词。

## 练习：自己数五份招聘

挑五份你真正想加入的公司的 FDE 招聘。把每条要求单独复制到电子表格的一行，合并同一技能的不同表述，然后计数。和上面的表格对比：一致的地方是市场信号，有出入的地方则是你瞄准的那类公司特有的要求。

Bloomberry 的表格给你的是市场全貌。你自己数的五份招聘，告诉你下周一该学什么。

**本周动手试试:**

- 找五份在招的 FDE 岗位，把每条要求复制到电子表格，标出在三份或以上招聘中重复出现的要求
- 在最常见的那组技能里选出你最大的一个短板（例如 Agent 或 TypeScript），规划一个为期两周的小项目来补上
- 按这个公式改写简历中的一行：什么系统、谁在用、实际运行效果如何

## 信源

- [What I learned analyzing 1K forward deployed engineer jobs](https://bloomberry.com/blog/i-analyzed-1000-forward-deployed-engineer-jobs-what-i-learned/)

- [Forward Deployed Engineer (FDE) - NYC (OpenAI)](https://jobs.thrivecap.com/companies/openai/jobs/92970128-forward-deployed-engineer-fde-nyc)

- [Forward Deployed Software Engineer - US Government (Palantir)](https://jobs.lever.co/palantir/ce8ca664-60dc-4f9a-8986-3c96673bcfdf)

- [How to hire a forward deployed engineer in 2026 | Paraform](https://www.paraform.com/insights/forward-deployed-engineer-demand-quadrupled)
