最近拿到了 AI FDE 的 Offer。回头看这段转型，最大的感受不是“换赛道成功了”，而是终于把过去几年做计算机视觉积累的经验，和现在企业真正需要的 AI 落地能力接上了。

以前我主要做目标检测、目标跟踪、图像检索和模型部署，流程相对固定：数据清洗、训练、评估、优化、推理服务、线上问题排查。大模型出来之后，很多以前需要定制开发的文本理解和任务自动化开始可以用更通用的方式解决。但企业要的不只是“模型能回答问题”，而是一个能在真实业务里稳定跑起来的系统。于是我开始系统研究 FDE 这个方向。

为什么关注 FDE？

FDE（Forward Deployed Engineer）更强调把技术方案真正嵌进客户业务里。不是交付一个模型或一个 Demo，而是从需求澄清、方案设计、系统实现到部署运维都要能跟下来。

举个常见场景：企业想做内部知识库问答。表面是“接一个大模型”，实际要处理文档解析、切分、Embedding、检索与重排序、Agent 工作流、权限控制、异常降级、监控告警，还要和现有系统打通。这些环节涉及算法理解、工程实现和业务约束，任何一个环节出问题，最终效果都会打折。

对我来说，FDE 的吸引力在于它要求解决完整问题，而不是只优化某个指标。

算法背景的优势与短板

有计算机视觉经验，转型并不是从零开始。数据处理、特征表示、模型推理优化、服务部署和线上排查，这些能力在 AI 应用开发里仍然有用。比如图像检索里“把图片转成向量再做相似度检索”，和 RAG 里“把文本转成向量再检索”在思路上是相通的，只是数据形态、检索策略和结果生成方式不同。

但差距也很明显，我把它归纳成四块需要补的能力：

1. 大模型应用开发：模型 API 调用、Prompt 设计、结构化输出、上下文管理、失败处理。
2. RAG 与 Agent：文档解析与切分、Embedding 与向量库、检索重排序、工具调用、任务规划与状态管理。
3. 软件工程能力：Python 工程化、API 设计、数据库、容器化部署、日志与监控。
4. 业务交付能力：把模糊需求转成可执行方案，同时考虑权限、安全、成本、可维护性。

单纯会调模型 API，或者只熟悉某个框架，都不够。企业更看重你能不能把这些能力组合成一个可交付的系统。

我的准备过程

刚开始我也是东看一个框架、西看一个项目，学得很快但不成体系。后来我按照岗位实际要求重新组织学习，大致分了四个阶段：

第一阶段：打好大模型应用基础
重点理解模型调用的稳定性问题。比如输出格式怎么约束、上下文过长怎么处理、不同任务是否该选不同模型、失败时怎么重试或降级。这些不是记 API 参数，而是要结合具体场景想清楚。

第二阶段：把 RAG 和 Agent 当成完整系统来学
RAG 我按离线数据处理和在线检索生成两条链路拆开：文档解析、清洗、切分、Embedding、入库，然后是 Query 处理、检索、重排序、上下文构建、生成。Agent 则在此基础上增加工具定义、参数校验、异常处理和多步骤状态管理。我更关注它们怎么组合成实际应用，而不是单独研究某个库。

第三阶段：补工程交付能力
本地能跑的项目，离企业能用还有距离。接口设计、数据管理、日志、异常处理、部署环境、基本监控，这些环节决定了系统能不能稳定提供服务。我开始刻意把项目做成相对完整的形态，而不是只验证核心算法。

第四阶段：调整简历和面试表达
以前讲算法项目习惯强调模型结构和精度提升。FDE 更需要从完整解决方案角度讲：解决了什么业务问题、为什么选这个方案、系统由哪些模块组成、遇到过什么工程问题、怎么定位和解决、最终交付了什么。这套表达需要反复练。

在整理学习路径的过程中，我系统梳理了自己的知识缺口，也参考了一些结构化的课程和项目辅导资源（包括近屿智能的相关内容），把原本零散的学习内容收拢到相对完整的路径里。

从技术点学习到项目梳理、简历优化和面试准备，每个阶段都有明确的任务。不过这些资源只是辅助，最终能不能真正掌握，还是取决于自己写代码、调试和反复验证。
并且有不少的体验课程：FDE学习课程

拿到 Offer 后的几点总结

1. 不要把 FDE 理解成“会调用大模型 API”。企业需要的是能解决业务问题的工程师。
2. 原有经验不要丢。传统算法、后端、部署经验都可以迁移，关键是找到对应关系。
3. 项目比技术名词重要。能把一个完整项目的设计、实现和问题讲清楚，比罗列框架名称更有说服力。
4. 简历要体现解决问题的过程，而不是只列技术栈。
5. 技术准备和求职准备可以同步进行。岗位要求本身就是很好的学习方向，不用等“学完”再开始准备面试。

这次转型对我来说，不只是换了个岗位，而是重新认识了 AI 工程师的能力边界。以前更关注如何把模型做得更好，现在会更关注如何把技术真正放进业务里，解决一个完整的问题。

如果你也在从传统算法或软件开发转向 AI FDE，我的建议是：先看目标岗位的招聘要求，盘点自己已有的能力，找出最需要补的部分，然后用完整项目去验证。会使用 AI 只是起点，能够用 AI 解决真实问题，才是更有价值的竞争力。