AI 让执行变便宜,懂多个领域的工程师更值钱了
招聘长期偏爱好评估的专才,FDE 看重识别不合业务的输出,最先显出这一转变。
要点速览
- AI 让执行变得便宜,价值转向判断输出在各个领域是否符合业务
- 近期超过 70% 的 FDE 招聘启事要求客户发现能力,编码只是底线
- Paraform 发现,合格 FDE 候选人的供给没有跟上需求。雇主方面,AWS 继 OpenAI 和 Anthropic 之后,也开始把工程师派驻到企业内部
Milos Mandic 在 FDE Hub 撰文指出,被低估多年的经验广度,终于在工程师就业市场上有了价值。他的论点针对的是整个工程招聘,不只是 FDE。前线部署工程师(FDE)这个岗位只是这一转变最明显的地方。这是一篇观点文章,没有附数据,但核心论点很清楚。
AI 让执行变得便宜,价值因此转向另一种能力:判断输出在各个领域是否符合业务。
广度为什么一直被低估?Mandic 指出,岗位描述向来偏爱在一个方向上钻深的人,原因很简单:专才更容易评估。广度型人才没有现成的衡量标准,而招聘流程是围绕可衡量的东西设计的。
执行便宜,判断昂贵
文章的核心观点是:软件工程仍然属于需要判断力的事情,但已不再是唯一一项。AI 带来的杠杆有上限:模型只会放大使用者自身的好奇心、判断力和品味,补不上你缺的东西。对 FDE 来说,这正是工作的核心:坐在客户身边,决定哪些输出适合对方的业务。
Mandic 给招聘经理的建议是:问候选人能在多少个领域里分辨对错。
招聘数据怎么说
招聘启事数据与这一论点相符。Perspective 分析了 1,000 份 FDE 招聘启事,发现增长最快的要求是直接的客户发现,出现在近期超过 70% 的招聘启事中。编码只是底线。用来区分候选人的表述,集中在对客户的理解上。
这波浪潮有多快,取决于怎么统计。Perspective 记录到,截至 2026 年初,FDE 招聘同比增长超过 1,000%。Paraform 给出的数字是 2025 年第一季度到 2026 年第一季度增长 350%。Paraform 还发现,合格候选人的供给没有跟上需求,并建议雇主把筛选重点放在两项最难衡量的素质上:对客户的同理心,以及对模糊性的容忍度。
需求方也多了几个大名字。AWS 继 OpenAI 和 Anthropic 之后,也开始派工程师到企业内部工作。
为新型面试做准备
| 可能遇到的问题 | 考察的是什么 | 如何展示 |
|---|---|---|
| “你能在多少个领域里分辨对错?” | 跨领域判断力 | 讲 2–3 个不同行业的项目,每个都举一次你否决输出的经历:输出能运行,但不符合业务 |
| “第一次见客户,你会问什么?” | 客户发现 | 给出一串问题,从当前工作流程问到痛点,而不是从解决方案开始 |
| “需求很模糊,你先做什么?” | 对模糊性的容忍度 | 说明你如何先确定一个小假设去验证,而不是等一份完整的需求说明 |
| “你在工作中怎么用 AI?” | 你带给模型的品味和判断力 | 举一个例子:你比模型更懂这个领域,因此修正或弃用了它的输出 |
对做过多个行业外包项目的越南开发者来说,这是一项长期被浪费的优势。按技术栈罗列的简历,看起来像“懂得多,但都不深”。按业务领域组织、写明在每个行业做过哪些决策的简历,恰好契合 FDE 市场在找的人。读岗位描述时,留意“discovery”“customer-facing”“ambiguity”这类词。它们说明公司招的是判断力,而不只是写代码的人。
这篇文章对你有帮助吗?
感谢你的反馈!
4 个信源
- Breadth Finally Pays (FDE Hub, Milos Mandic) · 2026-09-29
- 2026 FDE Hiring Trends: What 1,000 Job Posts Reveal · 2026-06-08
- How to hire a forward deployed engineer in 2026 (Paraform; the page title returned differs from the URL slug) · 2026-09-04
- AWS joins OpenAI and Anthropic in race to embed engineers inside enterprises · 2026-07-22