LESSON 02 · 第 2 课时

FDE 的能力模型工作方法

上一课时我们知道了 FDE 是谁;这一课时回答:怎么才能成为 FDE?他们每天到底在做什么?——顺便对照一下:哪些能力你现在就能开始练。

真实 JD 拆解

字节跳动 · 火山引擎 FDE(AI 全系产品)

官方要求(节选)背后在考什么
本科及以上,计算机 / 工程 / 数学等相关专业,或同等实践经验重能力证据,轻学历标签——作品集可以补背景
3 年以上研发经验,熟练掌握 Vibe Coding 并在实际工作中有充分应用会用 AI 辅助编程,把 AI 当作生产力工具而非玩具
有 AI 应用经验:Prompt 工程、Agent 搭建等大模型应用层开发能力(不要求训模型)
驻场客户现场,交付 AI 解决方案沟通、抗压、需求理解——软技能与硬技能并重
能力模型

FDE 的四大能力支柱

① 工程能力(硬)

  • 全栈开发:前端 + 后端 + 客户端,能独立交付完整应用
  • 扎实编程基础:Python / Java 等,独立开发与调试
  • 数据处理:打通客户的数据管道与系统集成

② AI 应用能力(硬)

  • Prompt 工程、RAG 检索增强
  • Agent / 工作流编排
  • 理解模型能力边界:什么能做、什么做不好

③ 业务理解能力(软)

  • 快速吃透一个行业:金融、医疗、制造……
  • 把客户的"模糊诉求"翻译成"可实现的方案"
  • 识别落地中的真实障碍(MiniMax JD 原话)

④ 交付与沟通能力(软)

  • 与客户并肩工作,管理预期、处理异议
  • 快速原型 → 收集反馈 → 迭代
  • 项目推进与自我管理(没有产品经理帮你排期)
金融场景特别要求

金融行业的 FDE 还要多会什么?

最后一条,正是你们这门课要练的东西。

工作方法

FDE 的典型工作循环

1 · 驻场 immersion
进入客户现场,访谈业务方,观察真实工作流,找到"最痛的那个问题"
2 · 翻译 translation
把业务诉求翻译成技术方案:用什么模型 / 架构 / 数据,边界在哪里
3 · 原型 prototype
用最快速度(常常 1–2 周)做出能跑的 Demo,给客户真实反馈
4 · 硬化 hardening
把 Demo 变成生产级系统:性能、安全、异常处理、与旧系统集成
5 · 交接 & 沉淀 handoff
培训客户团队、移交代码与文档;把通用经验反哺回公司产品
关键分水岭

"Demo 能跑" 到 "项目落地" 隔着什么?

企业真正缺的,不是能把 Demo 跑通的人,而是能跑通 Demo 之外、让项目落地的 FDE 能力。

—— 36氪 / InfoQ《FDE 又不够了》核心观点

Demo 阶段(容易)

  • 干净的数据、理想的输入
  • 不考虑并发、安全、合规
  • 演示一次就算成功

落地阶段(真正的价值)

  • 脏数据、怪需求、遗留系统
  • 错误率 1% 在金融场景也可能不可接受
  • 客户每天要用、用坏了要有人负责
思维转变

FDE 和普通学生的思维方式差异

常见的"课程作业思维"FDE 的"落地思维"
功能做出来就行先问:谁在什么场景下用?解决什么问题?
用假数据演示数据从哪来、脏了怎么办、错了谁负责
自己觉得好用找真实用户试用、收集反馈、快速迭代
交了作业就结束交付 = 上线 + 文档 + 交接 + 持续运行
一个人闷头写面向"客户"(老师/同学/企业)持续沟通对齐
职业视角

为什么值得大学生关注 FDE?

薪资溢价明显

字节豆包 FDE 月薪 3.5–7 万 × 15 薪;OpenAI / Palantir 年包 $400k+。复合能力永远比单一能力稀缺。

AI 替代风险低

纯写代码正被 AI 快速替代,而"现场理解问题 + 交付结果"需要人与人的信任,是最难被替代的组合。

学生就能起步

做小程序、参加比赛、接真实项目——每个"从需求到上线"的完整经历,都是 FDE 能力的证据。

字节 JD 里那句"或同等实践经验",就是给还没毕业的你留的门。

课堂互动

小组讨论(10 分钟)

每组 2 分钟分享,用 FDE 的语言说话:场景 → 方案 → 结果

本课时小结

第 2 课时 · 回顾

下一课时:把 FDE 思维带回我们的课程——小程序与鸿蒙开发该怎么学。