面向 Forward Deployed Engineer、FDSE 和 Forward Deployed AI Engineer 候选人的面试路线，覆盖 Coding、开放式问题拆解、客户沟通、系统设计、快速原型和 Behavioral。
Question Focus
基于 Palantir、OpenAI、Anthropic、Databricks、Scale AI 等公司的公开面经信号（题型方向、轮次、时间线、挂因）整理；不同团队轮次与顺序不同，以实际邀请为准，不虚构公司官方流程。
客户只说「想降低人工质检成本」，要求你把它拆成 P0 范围、数据模型、KPI 和高管摘要，60-90 分钟内完成。
常见挂点：直奔架构、不先界定问题，或一直澄清却给不出 P0 范围；两种都是公开信号里最常见的挂法。
客户数据在 VPC 内、字段脏、权限复杂，要求设计数据接入方案：接入路径、质量校验、权限过滤、脱敏与 SLA。
常见挂点：只讲同步工具，不讲权限过滤时机、数据质量止损和合规边界，客户环境追问时断片。
为「客服工单自动分诊」搭一个 2 周内可交付的 AI workflow：选 agent 还是 workflow、设计工具、给 eval 口径。
常见挂点：默认上 agent 炫技，不讲为什么不用 workflow；或只讲架构不讲 eval 和成本，讲不清怎么验证好坏。
客户要求跳过数据质量校验直接上线，或坚持用错误指标，要求你处理这个冲突并守住交付底线。
常见挂点：要么一味迎合客户、要么硬顶到底，讲不出「用数据换共识」的路径，暴露无法在客户环境长期协作。
Core Evaluation Signals
这些信号贯穿每一轮技术面，而不是某一轮的孤立考点——每个回答都值得对照检查。
把说不清的业务目标拆成约束、P0 范围、数据模型、KPI 和可交付边界，而不是直接给方案。
45 分钟内给出能跑的 v0：数据源、模型 / 服务选择、失败模式，并能当场 defend 取舍。
主动发现信息缺口、澄清约束，用客户和高管听得懂的语言讲技术决策与风险。
在数据质量、合规、延迟、成本之间做取舍，讲清为什么这样选、哪里会坏、怎么降级。
每个技术决策都落到客户 / 业务结果，体现 ownership 和交付所有权，而不只是技术优雅。
Role Distinction
相邻岗位听起来都在写代码，但考核重心完全不同：这个岗位把客户视角、拆解速度和交付所有权作为每个技术轮的内嵌能力来考核，而不是单独一轮。
与 SWE：SWE 在内部平台做深度工程，面试以 OA、Coding、System Design 和独立 BQ 轮为主；FDE 嵌入客户现场做交付，部署场景轮（Deployment Scenario）权重最高，BQ 被嵌入每个技术轮而不是单独成轮。
与 Solutions Engineer：Solutions Engineer 偏售前，核心是方案设计与商务演示，不一定写交付代码；FDE 要写生产级代码并对交付结果负责，技术深度和交付所有权是硬门槛。
与 AI Engineer：AI Engineer 聚焦 RAG、Agent、LLM serving 和 eval 的工程化；FDE 的 AI 能力是手段，重心在客户问题拆解、原型速度与跨干系人沟通，AI 交付必须落到客户业务结果。
共同点：三者都要求把技术讲给非技术听众，但 FDE 把这件事作为每个技术轮的内嵌能力来考核，而不是单独一轮。
Worked Example
把「先问约束、再拆 P0、给可跑 v0、给测量口径」的节奏走一遍，面试里可以直接套用。
「我们想减少人工质检，能不能做个 AI 帮我们看产品？」——没有数据、没有指标、没有时间线，是典型的模糊起点。
问出四件事：现有数据（产线摄像头 6 个月、标注不全）、部署环境（客户 VPC、不能出网）、时间（2 周出 demo）、干系人（质检主管 + 产线经理，KPI 口径不一致）。
砍到 2 条产线、单一目标：缺陷漏检率相对人工下降 10%，人工抽检比例降到 30%。明确先不做多缺陷分类和自动停机。
摄像头帧 → 边缘推理（轻量检测模型）→ 异常帧进人工复核队列；模型不可用时降级为全人工。给出数据接入（增量 + 去重）、权限过滤和脱敏方案。
漏检率、误报率、单件处理延迟、人工工时节省 / 周；定义 2 周 demo 的验收标准和回滚条件，高管一页纸说明投入、收益与风险。
示例为教学用合成场景，用于演示「约束 → P0 → 原型 → 口径」的拆解节奏，不对应任何真实客户或公司。
Role Articles
整理这个岗位相关的题型拆解、公司攻略和面试复盘。
面向准备 OpenAI FDE（Forward Deployed Engineer）面试的候选人：按官方 JD 拆解角色定位，覆盖模糊需求拆解、LLM workflow、Eval、数据与权限、快速原型、客户沟通与上线复盘，区分公开确认信息与行业共性推断，附 7/14/30 天准备路线。
阅读全文面向准备 Palantir FDE（Forward Deployed Engineer / Delta）面试的候选人：按流程信号、Decomposition 评分点、Learning interview、Coding 与客户场景、项目表达逐层拆解，区分公开确认信息与行业共性推断，附 7/14/30 天准备路线。
阅读全文回答「FDE 面试详解 2026」：拆解 Forward Deploy Engineer 全流程各轮次考什么、部署场景轮怎么过、高频题型方向、evals 与 AI 系统设计考点、常见挂点，以及 7/14/30 天准备路线，适合想进 AI 公司做客户交付的工程候选人。
阅读全文Critical Pain Points
准确诊断根因卡点，避免无效盲目刷题。
Strategic Prep Roadmap
结合目标公司、Level与面试倒计时动态细化执行方案。
用「先问约束、再拆 P0、给可跑 prototype、给测量口径」四步法，把模糊客户目标拆成可交付范围。
按 Coding、Decomposition、Learning、System Design、Customer Scenario、Project Deep Dive、Behavioral 逐轮建立回答标准与追问应对。
打磨 2-3 个从模糊问题到可交付原型的完整案例（金融 / 制造 / AI workflow），练到能现场 defend 并落到客户价值。
Interview Rounds Coverage
针对性拆解不同轮次的 Key Evaluation Signals（关键评价信号）。
Company Priority
按面经题型密度和转化价值排序，先做这些公司比平均铺公司名更有效。
先练四步法：一个模糊业务目标拆到 P0 + KPI + 高管摘要。
查看公司攻略先搭一套自己的 eval 闭环：golden set + 在线指标 + 回归集。
查看公司攻略先练 agent vs workflow 的取舍表达，带 safety 追问。
查看公司攻略先练客户数据接入方案：权限、质量、SLA 一次讲完整。
查看公司攻略先练一个标注数据闭环的接入 + 质量校验设计。
查看公司攻略先练 SaaS 客户集成 + 多租户权限的接入方案。
查看公司攻略7-Day Sprint
不是继续泛刷，而是每天只压一个最容易影响结果的输出能力。
用四步法做 1 个模糊客户目标（制造质检场景），拆到 P0 + KPI + 高管摘要。
做 2 个行业 decomposition 变体（金融、AI workflow），强制第一版就给能跑的 v0。
做 2 道 FDE coding（数据集成 + 业务规则），每道写可跑代码 + 基础测试。
AI workflow prototype 设计：agent vs workflow、工具、eval 闭环、成本与降级。
客户数据接入 + 冲突处理各做 1 个 mock，练「用数据换共识」的表达。
按目标公司（Palantir / OpenAI 等）补代表题和追问，准备 take-home 视频脚本。
完整 mock 一场 deployment scenario + 10 分钟 BQ，只复盘断片点和客户视角。
Case Studies
展示如何将零散项目与题型升级为结构化面试表达。
候选人在后续模拟中能主动讲清 latency、freshness、offline-online skew 和 rollback，回答从“会做模型”变成“能负责系统”。
候选人能在 35 分钟内完成题解和边界测试，follow-up 先复述约束再动代码，整体表现更像真实工程面试。
候选人能把工具使用转成架构判断，清楚说明为什么这样建模、失败怎么发现、如何降低业务方感知风险。
候选人把回答改成指标树、用户分层、假设验证、实验设计和 rollout 风险，能把数据分析讲成产品决策支持。
FAQ
FDE 考「技术 + 客户视角」组合：部署场景轮（开放式部署案例）权重最高，BQ 嵌入每个技术轮而不是单独成轮，coding 偏业务 / 数据集成而非纯算法难度。标准 SWE 以 OA、Coding、System Design 和独立 BQ 轮为主，用纯刷题思路准备 FDE 很容易在部署场景轮掉队。不同公司轮次不同，以实际邀请为准。
公开信号显示典型是 4-6 轮、3-5 周：Recruiter Screen → HM / Intro → 2-4 个技术轮（Coding、Decomposition、Learning、System Design）→ Customer Scenario / 部署场景轮 → Behavioral 收尾。Palantir 风格的公司约 28-35 天，AI 实验室约 20 天更紧凑。用区间做预期，不要用单篇面经的时间点当标准。
可以。FDE 的能力可迁移：把过往经历改写成「模糊问题 → 拆解 → 快速原型 → 客户结果」的叙事，重点体现 ownership 和跨干系人沟通。建议用 1-2 周打磨 2-3 个这样的案例（哪怕来自内部项目或客户支持经历），面试考的是拆解与交付判断，不是简历里有没有 FDE 头衔。
建议 4-6 次：1 次完整 deployment scenario、1 次 coding、1 次 customer scenario（冲突处理）、1-2 次 take-home 视频讲解、1 次 behavioral。每次复盘追问链，重点修「先问约束再拆解」的节奏和 45 分钟内给出可跑 v0 的速度。
用四步法：先说澄清了哪些约束（数据、合规、时间、干系人），再说 P0 范围与砍掉了什么，然后给能跑的 v0（数据源 + 模型 / 服务 + 失败模式），最后给高管测量口径。避免两个最常见挂法：直奔架构不先界定问题，或只问不给方案。
