AI 岗位知识库：FDE 与全栈 AI Agent
2025–2026 年，AI 应用爆发带来了两类肉眼可见在升温的工程岗位：FDE（Forward Deployed Engineer，前线部署工程师） 和 全栈 AI Agent 工程师。这个知识库把两类岗位的「角色认知、知识体系、工程方法、面试准备」整理成一条可以照着走的路径。
FDE 部分主要整理自开源知识库 VanGong1999/FDE（MIT License，在线阅读：https://vangong1999.github.io/FDE/），该库综合了 Exponent、The Forward Deployed、The Pragmatic Engineer 等公开资料；AI Agent 部分结合业界共识与站内文章 从零开始构建智能体、数据分析 AI Agent 课程。感谢原作者的开源贡献。
1. 两类岗位，一句话分清
| 岗位 | 一句话定义 | 主战场 | 成功标准 |
|---|---|---|---|
| FDE | 人在客户现场（或深度嵌入客户团队），用工程手段把产品/模型能力变成可运行业务结果 | 客户环境 + 产品反馈 | 客户结果（采用、时效、准确率、成本） |
| 全栈 AI Agent 工程师 | 用全栈工程能力构建、集成、交付 AI Agent 产品的人：前端流式 UI、后端编排、RAG、工具调用、评测、部署一条龙 | 产品代码库 + AI 基础设施 | 产品指标 + Agent 质量指标 |
两者高度互补，甚至经常是同一拨人：
- FDE 强调「在别人的约束里交付」——数据主权、合规、遗留系统、组织阻力都是问题的一部分；
- 全栈 AI Agent 工程师强调「在自家产品里构建」——把 Agent 能力做成可复用的产品功能。
模型越强，「写代码」越便宜，两个岗位的共同瓶颈都变成：该写什么、在约束里写到能用、并能证明有效。这就是为什么这两个岗位在模型能力狂飙的时代反而更火。
flowchart LR
subgraph AI["AI 时代工程岗位光谱"]
SWE["SWE<br/>产品研发"] --- AG["全栈 AI Agent 工程师<br/>构建 Agent 产品"] --- FDE["FDE<br/>客户侧交付"] --- SA["SE / SA / 顾问<br/>方案与咨询"]
end
style AG fill:#6366f133,stroke:#6366f1
style FDE fill:#06b6d133,stroke:#06b6d1
2. 知识库目录
Part A · FDE 前线部署工程师
| 文章 | 内容 | 适合 |
|---|---|---|
| 01 · 什么是 FDE | 定义与起源、做什么/不做什么、FDE vs SWE vs SE vs SA、为什么模型越强 FDE 越重要 | 建立角色认知 |
| 02 · 交付方法论 | Discover → Design → Deploy → Review 四阶段、POC 到生产、反模式清单 | 交付实战 |
| 03 · AI 落地技术栈 | RAG 实战、Agent 与工具调用、Eval 与 Guardrails、架构决策树、生产化清单 | 技术深水区 |
| 04 · 面试通关 | 面试全景、公司对照（Palantir/OpenAI/Anthropic/Google）、Decomposition、C.A.S.E. 框架、STAR | 备面 |
Part B · 全栈 AI Agent 工程师
| 文章 | 内容 | 适合 |
|---|---|---|
| 01 · 岗位画像与技能地图 | 岗位定义、能力四层模型、与相邻岗位边界、如何积累作品集 | 建立角色认知 |
| 02 · 核心技术栈 | LLM API、Prompt/上下文工程、RAG、工具调用、MCP、多 Agent 编排 | 技术主干 |
| 03 · 从 Demo 到生产 | Eval、可观测性、成本与延迟、安全护栏、流式前端、部署形态 | 工程化 |
| 04 · 面试高频题 | LLM/RAG/Agent/工程化四类高频题 + 系统设计题 + 行为面 | 备面 |
| 05 · 实战：可评测的 RAG | 跟着代码跑通分块→检索→引用→拒答→评测全链路（作品集项目一） | 动手 |
3. 学习路径建议
路径一：有全栈/后端经验，想转 FDE（约 4 周）
Week 1 角色认知 → Part A-01，自评是否适合
Week 2 交付方法论 → Part A-02，把 DDDR 套在自己的旧项目上
Week 3 AI 落地 → Part A-03 + Part B-02，动手搭一个带 Eval 的 RAG
Week 4 面试准备 → Part A-04，Decomposition 口述练习 + 简历改写
路径二：想成为全栈 AI Agent 工程师（约 4–6 周）
Week 1 Agent 原理 → 站内《从零开始构建智能体》+ Part B-01
Week 2 核心技术栈 → Part B-02，跑通 ReAct 最小闭环 + 一个 RAG
Week 3 工程化 → Part B-03，给 Demo 补 Eval、日志、成本控制
Week 4–5 项目作品 → 做一个真实可用的 Agent（参考 Part B-01 §5）
Week 6 面试准备 → Part B-04
路径三：时间紧，直接备面
- 先读 FDE 面试通关 和 Agent 面试高频题，确定目标题型；
- 再回读对应技术文章补缺口；
- 全程录音练习口述——FDE 面试的 Decomposition 和 Agent 面试的系统设计，都考「边想边说清楚」。
4. 贯穿所有文章的五个共识
- 没有 Eval 就不谈「效果好」。没有金标集（golden set），任何准确率都是感觉。
- 客户/用户要的是结果，不是 Demo。采用率、正确率、省下的时间才是验收标准。
- 不确定性要设计进系统：模型会错，系统必须可测、可降级、可审计。
- 窄而真的切片 > 大而全的方案：先在一个可验证的范围里跑到生产。
- 成本与延迟是产品参数：token 费用和响应速度直接决定 ROI，不是「优化细节」。
5. 延伸资源
- VanGong1999/FDE：本库 FDE 内容的主要参考，含 171 个概念课程、题库与模板（MIT License）
- Exponent FDE Interview Guide 2026
- The Forward Deployed：FDE 面试与角色分析
- OWASP LLM 应用风险 Top 10
- 站内：从零开始构建智能体 · 数据分析 AI Agent 课程 · AI 产品目录