最近准备了不少 FDE（Forward Deployed Engineer）岗位，包括 Palantir、OpenAI、Anthropic、Databricks、Scale AI、Snowflake、Salesforce、Cohere 等公司。很多人第一次接触 FDE 时都有一个误区：以为它只是 SDE + 多和客户开会。实际上，FDE 面试考察维度比传统 SDE 更宽，技术能力反而只是进入下一轮的门票。
Coding 能力是基础，但很少是决定因素。LeetCode Medium 基本属于标配，一些岗位甚至会直接考偏工程化的问题。和传统 SWE 不一样的是，代码写完以后讨论才刚刚开始。面试官会追问如果数据量扩大一百倍怎么办、如果客户的数据格式每天都在变化怎么办、如果线上部署失败应该如何恢复。他们真正关注的是你是否具备工程思维。
System Design 通常更贴近真实业务，比如设计企业数据同步平台、构建 AI Workflow，或者帮助客户把现有系统接入新的 AI 平台。面试官会不断加入新的限制条件，例如数据不能离开欧洲、必须部署在客户自己的 VPC、预算有限、第三方 API 有严格 Rate Limit 等。真正考察的是你如何在各种现实约束下不断调整方案。
Business Understanding 往往比技术细节更加重要。很多客户提出的问题表面看是技术问题，实际上根本原因可能完全不同。例如客户觉得模型太慢，真正的问题可能是 Prompt 写得不好、Workflow 太复杂、上下文过长，甚至只是缓存没有做好。优秀的 FDE 不会急着开始设计系统，而是先不断澄清需求，确认真正影响业务指标的是什么。
沟通能力直接影响整体评价。面试官会扮演客户，不断修改需求、增加限制，甚至故意提供模糊信息。优秀的候选人不会急于给出答案，而是一步步确认假设，把复杂技术概念用简单语言解释清楚，再逐渐收敛到最终方案。
Ownership 是所有 FDE 岗位都会重点观察的能力。Behavioral Interview 经常围绕项目失败怎么办、客户临时修改需求怎么办、上线当天出现严重 Bug 怎么办、团队意见无法统一怎么办等展开。面试官更希望听到你如何推动事情向前发展，而不是强调完成了多少开发工作。
AI 已经成为越来越常见的考察方向。面试中经常会讨论什么时候应该使用 RAG、什么时候适合 Fine-tuning、Agent Workflow 如何设计、为什么选择某种向量数据库、如何减少 Hallucination、如何设计 Evaluation Framework 等。大多数公司更关注的是，当客户希望上线一个 AI 产品时，你是否能够快速理解需求并做出合理的技术取舍。