FDE工程师（智能体开发方向）

优缺点分析

角色解读

• 技术专家路线：深耕AI工程化领域，成为大模型应用架构师或AI平台专家
• 项目管理路线：积累丰富的项目交付经验后，可向技术项目经理或解决方案架构师方向发展
• 产品结合路线：凭借对客户场景和技术落地的理解，可转向AI产品经理或技术型售前顾问
• 将大模型、RAG、智能体等AI技术打包成可交付的企业解决方案，负责从PoC验证到生产环境部署的全流程
• 编写和维护后端代码，设计系统接口，确保AI应用在客户环境中稳定运行
• 深入客户现场（或远程），解决AI系统集成、部署、性能优化等实际问题，确保项目成功交付
• 与产品、算法团队紧密合作，并将项目中通用的技术能力、工具和流程沉淀下来，提升团队整体交付效率
• 扎实的后端开发能力，熟悉至少一种主流编程语言（如Python）及常用Web框架
• 熟悉大模型应用生态，了解RAG、Agent、知识库等技术的基本原理与集成方式
• 具备系统部署与运维能力，熟悉Docker、Kubernetes、CI/CD工具链及Linux操作系统
• 优秀的沟通协作与问题解决能力，能够适应项目制工作节奏，并直接与客户对接

申请策略

• 研究商汤在AI+行业应用（如智慧城市、医疗、教育）的典型客户案例，在面试中可以结合这些场景进行讨论
• 准备好阐述你对‘如何将一个实验室中的AI模型成功交付到客户生产环境’这一过程的理解，突出你的工程化思维
• 重点突出任何与AI应用开发、大模型集成或企业级项目交付相关的经历，强调你解决的具体问题和取得的成果
• 详细描述你使用的技术栈（如Python、Docker、K8s），以及你在项目部署、运维、优化方面的具体实践
• 可以加入一个个人项目或作品集链接，展示你利用大模型API、RAG或Agent框架开发的Demo
• 系统学习并动手实践主流的大模型应用框架（如LangChain、LlamaIndex）和向量数据库
• 加强CI/CD、容器化（Docker/Kubernetes）和云原生部署相关的知识，提升工程化交付能力
• 通过阅读技术博客或参与开源项目，了解业界在RAG优化、Agent设计模式等方面的最新实践

面试指南

• 使用STAR法则（Situation-Task-Action-Result）组织回答，重点突出你的个人贡献和问题解决能力，以及最终的业务或技术成果
• 回答技术方案问题时，结构化地阐述：需求分析 -> 技术选型（理由） -> 架构设计 -> 关键挑战 -> 部署与监控 -> 后续优化
• 展示你的客户导向和沟通协作思维，说明你如何平衡技术可行性、客户需求和时间成本
• 请描述一个你参与过的，将AI模型/能力成功落地到企业客户场景的完整经历，你在其中扮演什么角色？遇到了哪些挑战，如何解决的？
• 如果让你负责一个基于RAG的智能问答系统从PoC到生产部署的全过程，你会考虑哪些关键环节和技术选型？
• 在项目交付过程中，当客户的技术要求与你预设的架构方案有冲突时，你会如何处理？
• 你如何理解FDE（现场交付工程师）这个角色？它与纯研发工程师最大的不同是什么？
• 复习Python Web开发、SQL、Git等基础知识，并准备与后端架构、API设计相关的问题