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。
要点速览
- Bloomberry 分析的 1,000 份 FDE 招聘中,66% 提到 Python。TypeScript 和 AI Agent 并列 35%,LLM 为 31%,AWS 为 32%。
- 这些比例互相重叠,不能相加。深入掌握一个云平台,比三个都浅尝辄止更划算。
- 按 Paraform 的说法,Python 和 JavaScript 只是入场门槛。真正拉开差距的,是交付过真实的 LLM 或 Agent 系统,并且懂客户。
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。
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。
这篇文章对你有帮助吗?
感谢你的反馈!