10 चरणों में Forward Deployed Engineer कैसे बनें: $785K / वर्ष (पूर्ण कोर्स)

आगे तैनात इंजीनियर (Forward Deployed Engineer) बारह महीनों में पलेंटिर (Palantir) की एक जिज्ञासा से AI में सबसे अधिक मांग वाली भूमिका बन गया है - पोस्टिंग में 729% की वृद्धि।

यह उसमें प्रवेश करने का 10-चरणीय रोडमैप है: वास्तव में यह नौकरी क्या है, वह स्टैक जो आपको अंदर ले जाता है, और वह इंटरव्यू राउंड जो कोडिंग पास करने वाले 60% लोगों को बाहर कर देता है।

मेरे Substack को फॉलो करें और ताज़ा AI अल्फा प्राप्त करें:

movez.substack.com

यह कोई रिसर्च साइंटिस्ट का पैकेज नहीं है। यह किसी बड़ी टेक कंपनी में स्टाफ इंजीनियर का पैकेज भी नहीं है।

यह उस इंजीनियर के लिए मौजूदा दर है जो ऐसा कुछ करता है जिसके लिए लगभग कोई भी अपने करियर को अनुकूलित नहीं करता: AI को वास्तव में एक वास्तविक कंपनी के अंदर काम करवाना।

कोई भी इस व्यक्ति से मॉडल को प्रशिक्षित करने के लिए नहीं कह रहा है। उन्हें PhD की ज़रूरत नहीं है, और उन्हें एल्गोरिदम पहेलियों में किसी को हराने की ज़रूरत नहीं है।

उन्हें एक व्यवसाय में कदम रखना होता है जिसमें पुरानी प्रणालियाँ (legacy systems), एक अनुपालन विभाग (compliance department) और एक संशयी संचालन टीम (skeptical ops team) होती है - और छह सप्ताह बाद कुछ ऐसा लेकर बाहर आना होता है जो वास्तव में चलता है।

इतना अधिक भुगतान करने का कारण एक आँकड़ा है। MIT NANDA के 300 एंटरप्राइज़ AI प्रोजेक्ट्स के अध्ययन में पाया गया कि 95% का लाभ और हानि पर बहुत कम या कोई मापनीय प्रभाव नहीं पड़ा।

मॉडल ठीक से काम कर रहे थे। परिनियोजन (deployments) विफल हो गए - क्योंकि कोई भी उन्हें पुरानी डेटाबेस से बात करवाने, अनुपालन समीक्षा पास करवाने, या उस टीम को सौंपे जाने पर बचे रहने में सक्षम नहीं था जिसे वे विरासत में मिले थे।

यह नाम सेना से उधार लिया गया है: forward deployed का अर्थ है विशेष इकाइयों को मुख्यालय में वापस रखने के बजाय संचालन थिएटर (operational theater) के करीब तैनात करना।

Palantir ने 2010 के दशक की शुरुआत में इसका आधुनिक संस्करण बनाया और इसे Deltas कहा - और 2016 तक, कंपनी के पास सॉफ्टवेयर इंजीनियरों से अधिक Deltas थे।

इसका आधार यह था कि ग्राहकों को अधिक उत्पाद सुविधाओं की आवश्यकता नहीं थी। उन्हें ऐसे इंजीनियरों की आवश्यकता थी जो उनके खंडित, पुराने, विनियमित, राजनीतिक रूप से जटिल वातावरण में उत्पाद को काम करवा सकें।

यह आधार एक दशक तक एक विशिष्ट (niche) बना रहा। फिर AI ने सामान्य SaaS को तोड़ दिया, और यह पूरा खेल बन गया।

यह नौकरी का विवरण नहीं है। यह एक गो-टू-मार्केट रणनीति है - और इसे क्रियान्वित करने वाले लोग उद्योग में सबसे अधिक भुगतान पाने वाले गैर-शोध इंजीनियर हैं।

01. जानें कि यह नौकरी वास्तव में क्या है

एक FDE वह इंजीनियर है जिसे कंपनी ग्राहक के पास भेजती है। किसी सेल्स कॉल के लिए नहीं, किसी किकऑफ़ मीटिंग के लिए नहीं - हफ्तों के लिए, उन लोगों के बगल में बैठकर जो वास्तव में उत्पाद का उपयोग करेंगे, उनके वर्कफ़्लो को दर्दनाक विस्तार से सीखना, और कस्टम कोड शिप करना जो उनके संस्करण को काम करवाए।

सबसे अच्छा मानसिक मॉडल (mental model) कंसल्टेंट नहीं है और न ही सॉल्यूशंस इंजीनियर है। यह है फाउंडिंग इंजीनियर, किसी और के उत्पाद पर काम कर रहा हो।

कमरे में कोई PM नहीं है जो दायरा तय करे, कोई स्टाफ इंजीनियर नहीं है जिसके पास आर्किटेक्चर को एस्केलेट किया जा सके, और कोई बैकलॉग नहीं है जो आपको बताए कि क्या मायने रखता है - आप तय करते हैं कि क्या बनाना है, क्या नकली बनाना है, और क्या टालना है, उसी कमरे में, उसी सप्ताह।

शीर्ष AI कंपनियों में विशिष्ट लय उल्लेखनीय रूप से सुसंगत है: एक FDE चार से आठ सप्ताह के लिए एक ग्राहक के साथ बैठता है, कुछ ऐसा शिप करता है जो काम करता है, और फिर कोर इंजीनियरिंग संगठन धीरे-धीरे उस चीज़ को उत्पादीकृत (productize) करता है जो सामान्य साबित हुई।

यह लूप भूमिका का पूरा सामरिक बिंदु है। आप एक साथ राजस्व वितरित कर रहे हैं और कंपनी का सबसे उच्च-निष्ठा (highest-fidelity) उत्पाद शोध कर रहे हैं।

02. समझें कि भूमिका क्यों विस्फोटित हुई

लेड (lede) का वह 95% का आंकड़ा इस पूरे करियर पथ की नींव है, इसलिए इसे सटीक रूप से समझना महत्वपूर्ण है।

• वे एंटरप्राइज़ AI प्रोजेक्ट इसलिए विफल नहीं हुए क्योंकि मॉडल खराब थे।
• वे एकीकरण (integration) पर विफल हुए: सिस्टम जो पुराने SQL डेटाबेस से बात नहीं कर सकते थे, ग्राहक के SAML प्रमाणीकरण को संभाल नहीं सकते थे, डेटा निवास आवश्यकताओं (data residency requirements) को पूरा नहीं कर सकते थे, और उस संचालन टीम द्वारा बनाए नहीं रखे जा सकते थे जिसे वे विरासत में मिले थे।

फिर तीन ताकतें एक साथ एक ही दिशा में इशारा करने लगीं।

• AI ने सामान्य SaaS को तोड़ दिया - खरीदो और प्लग-इन करो का क्षैतिज वादा परिपक्व श्रेणियों में जीवित रहता है, लेकिन AI में नहीं, जहाँ हर एंटरप्राइज़ के पास अद्वितीय डेटा, अद्वितीय वर्कफ़्लो, अद्वितीय अनुपालन बाधाएँ और अपनी स्वयं की 'पर्याप्त अच्छा' की परिभाषा होती है। Fortune 500 को AI बेचने का मतलब अब हमेशा एक एकीकरण परियोजना बेचना भी है।
• लैब्स को उस गति से परिनियोजित करने की आवश्यकता है जिस गति से तकनीक आगे बढ़ती है - एक छह महीने का एकीकरण एक पायलट को उतरने से पहले ही मार देता है।
• और AI उपकरणों ने अर्थशास्त्र को बंद कर दिया: Claude Code और आधुनिक स्टैक के साथ, एक मजबूत FDE वह करता है जो कुछ साल पहले तीन लोगों की एक टीम करती थी, और यही एकमात्र कारण है कि छह सप्ताह के लिए एक मानव को ऑनसाइट भेजना लाभदायक है।

ध्यान दें कि इसका आपके लिए क्या अर्थ है। AI में बाधा अब क्षमता (capability) नहीं है। यह परिनियोजन (deployment) है - और बाज़ार उसी के अनुसार पुनर्मूल्यांकन कर रहा है।

03. बाज़ार का मानचित्र बनाएं और लक्ष्य चुनें

यह शीर्षक अस्थिर है, और यह जानने वाली पहली व्यावहारिक बात है - केवल "Forward Deployed Engineer" खोजने से आप अधिकांश बाज़ार से छिप जाएंगे।

यही नौकरी Applied AI Engineer (Anthropic का नाम), Forward Deployed Software Engineer या FDSE (Palantir का), Solutions Engineer, Deployment Engineer, और छोटे स्टार्टअप्स में Founding Engineer (Customer Facing) के रूप में भी शिप होती है। इन सभी को खोजें।

वृद्धि सूक्ष्म नहीं है। Indeed पर FDE पोस्टिंग अप्रैल 2025 में 643 से बढ़कर अप्रैल 2026 में 5,330 हो गई - बारह महीनों में 729% की वृद्धि।

2026 के मध्य तक, 39 AI कंपनियों में 224 खुली FDE भूमिकाएँ थीं, और यह केवल वही गिनती है जो सार्वजनिक रूप से पोस्ट की गई थीं। Salesforce ने एक हज़ार को काम पर रखने की प्रतिबद्धता जताई। EY ने अप्रैल 2026 में यूके और आयरलैंड में एक समर्पित FDE प्रैक्टिस शुरू की - पहली प्रमुख कंसल्टेंसी जिसने औपचारिक रूप से इस मॉडल को अपनाया।

मुआवज़ा कमी को दर्शाता है, और यह स्तर के अनुसार तेजी से विभाजित होता है। Levels fyi के आंकड़ों के अनुसार, औसत US कुल मुआवज़ा लगभग $238,000 है, जिसकी सामान्य सीमा $205,000–$486,000 है और स्टाफ-स्तर के FDE $630,000 से अधिक कमाते हैं। Palantir का मध्यम लगभग $215,000 के आसपास है।

फ्रंटियर लैब्स (frontier labs) में यह पूरी तरह से अलग बाज़ार है: Anthropic और OpenAI में वरिष्ठ FDE $785,000 से अधिक कमाते हैं, जिसमें Anthropic के Applied AI Engineers के लिए वरिष्ठ स्तरों पर $300,000 से अधिक का आधार वेतन और कुल मुआवज़ा नियमित रूप से $500,000 को पार करता है।

एक योजना नोट जो जल्दी रखना उपयोगी है: Anthropic आमतौर पर ऑफ़र पर बातचीत नहीं करता है।

04. इंजीनियरिंग चौड़ाई (breadth) का निर्माण करें

यह उल्टा हिस्सा है, और यहीं पर विशेषज्ञ ट्रैक से आने वाले इंजीनियर गलती करते हैं।

सबसे मजबूत FDE अपनी कंपनी के सबसे गहरे इंजीनियर नहीं होते हैं।

वे वे होते हैं जो एक साथ छह डोमेन को अपने दिमाग में रख सकते हैं और उनके बीच सस्ते में स्विच कर सकते हैं। एक क्षेत्र में गहराई यहाँ उतनी मूल्यवान नहीं है जितना कि सभी में वास्तव में ठोस होना।

व्यावहारिक रूप से, न्यूनतम स्तर (floor) इस प्रकार दिखता है। Python और TypeScript आपके द्वारा छूए जाने वाले अधिकांश क्षेत्र को कवर करते हैं। एक क्लाउड - AWS, GCP, या Azure, जो भी आपके लक्षित ग्राहक वास्तव में चलाते हैं, उसे चुनें।

एक डेटाबेस जिसे आप अच्छी तरह से जानते हैं और दबाव में डीबग कर सकते हैं, और एक फ्रंटएंड फ्रेमवर्क जिसमें आप एक काम करने वाला इंटरफ़ेस बना सकते हैं।

शुरू करने के लिए यह पर्याप्त है। आपको कमरे में सबसे अच्छा इंजीनियर होने की आवश्यकता नहीं है; आपको कमरे में एकमात्र ऐसा व्यक्ति होने की आवश्यकता है जो यह सब कर सकता है।

दो नरम परतें (softer layers) तकनीकी परतों जितनी ही महत्वपूर्ण हैं, और इंटरव्यू वास्तव में इन्हीं की जाँच करेगा।

उत्पाद निर्णय (Product judgment), क्योंकि आप कमरे में PM हैं और कोई और तय नहीं करेगा कि क्या बनाना है बनाम क्या नकली बनाना है।

और व्यावसायिक समझ (business acumen) - कोई पूछेगा कि इसका ROI क्या है, और उन्हें अपने नेतृत्व के सामने परियोजना का बचाव करने के लिए उत्तर की आवश्यकता होगी।

अपने काम को डॉलर और बचाए गए घंटों में व्यक्त करना एक वास्तविक, सीखने योग्य कौशल है जिसका अभ्यास अधिकांश इंजीनियर कभी नहीं करते।

05. AI को शिप करना सीखें, इसे प्रशिक्षित करना नहीं

यहाँ एक सबसे आम गलतफहमी है जो इंजीनियरों और इस नौकरी के बीच खड़ी है: वे मान लेते हैं कि उन्हें मॉडल को प्रशिक्षित करने में सक्षम होने की आवश्यकता है।

आपको ऐसा करने की आवश्यकता नहीं है। कोई भी FDE से कुछ भी फाइन-ट्यून करने के लिए नहीं कह रहा है। लेकिन आपको निश्चित रूप से उन्हें शिप करने की आवश्यकता है - जो पूरी तरह से अलग और कहीं अधिक सीखने योग्य कौशल सेट है।

AI-नेटिव परत इस बिंदु पर अच्छी तरह से परिभाषित है। मजबूत प्रॉम्प्ट इंजीनियरिंग। प्रमुख मॉडल API में प्रवाह।

• RAG पैटर्न - और विशेष रूप से, यह जानना कि कब रिट्रीवल (retrieval) गलत उत्तर है।
• संरचित आउटपुट (Structured outputs), क्योंकि उत्पादन प्रणालियों को मान्य आकारों की आवश्यकता होती है, गद्य की नहीं।
• बुनियादी eval अनुशासन, जो वह परत है जो डेमो करने वालों को शिप करने वालों से अलग करती है।

और कम से कम एक एजेंट फ्रेमवर्क जिसमें आपने वास्तव में कुछ बनाया है।

अपनी तैयारी को evals और विफलता मोड (failure modes) की ओर झुकाएं, क्योंकि एंटरप्राइज़ परिनियोजन वास्तव में इसी से बना है। मतिभ्रम (hallucinations), रिट्रीवल विफलताएँ, खराब टूल कॉल, भंगुर बहु-चरणीय वर्कफ़्लो को डीबग करना।

यह जानना कि विलंबता (latency), लागत, विश्वसनीयता और सुरक्षा को चेकबॉक्स के बजाय व्यापार-बंद (tradeoffs) के रूप में कैसे सोचना है।

1# Rate 1-5. Anything below 3 is your next month of work.
2
3## Engineering breadth          # solid, not elite
4[ ] Python // backend, scripts, data
5[ ] TypeScript // integrations + a usable frontend
6[ ] One cloud, deployed something real to it
7[ ] One database, can debug it under pressure
8[ ] Can stand up a working UI in a day
9
10## AI native                     # ship, don't train
11[ ] Prompt engineering beyond trial and error
12[ ] Model APIs: streaming, tool use, token budgets
13[ ] RAG // and knowing when retrieval is the WRONG answer
14[ ] Structured outputs + schema validation
15[ ] Evals // the layer that separates demo from production
16[ ] One agent framework, something actually built
17
18## The half nobody practices
19[ ] Ran a workshop with a non-technical stakeholder
20[ ] Said "we should not build that" to a paying customer
21[ ] Expressed your work in dollars or hours saved
22[ ] Learned an unfamiliar industry well enough to ship in it
236
24Build the stack

कोई भी एक डेमो काम करवा सकता है; FDE का पूरा मूल्य वह व्यक्ति होने में है जो जानता है कि डेमो एक वास्तविक कंपनी के संपर्क में क्यों नहीं टिकेगा, और इसके बारे में क्या करना है।

06. वे तीन कलाकृतियाँ (artifacts) बनाएं जो एंटरप्राइज़ खरीदते हैं

यह वह जगह है जहाँ एक सामान्य "AI सीखें" रोडमैप उपयोगी होना बंद कर देता है और विशिष्टताएँ मायने रखने लगती हैं।

Anthropic की अपनी FDE पोस्टिंग डिलीवरेबल्स का स्पष्ट रूप से वर्णन करती हैं: आप उत्पादन अनुप्रयोगों (production applications) को Claude के साथ बनाने के लिए रणनीतिक ग्राहकों के साथ एम्बेड करते हैं, और आप MCP सर्वर, उप-एजेंट (subagents), और एजेंट कौशल (agent skills) शिप करते हैं।

ये तीन कलाकृतियाँ काम की ठोस इकाई हैं।

• MCP सर्वर एकीकरण परत हैं - वह चीज़ जो Claude को ग्राहक की वास्तविक प्रणालियों से जोड़ती है: उनकी टिकटिंग, उनका गोदाम, उनका आंतरिक API जिसका कोई दस्तावेज़ नहीं है और एक व्यक्ति है जो इसे समझता है।
• एजेंट कौशल ग्राहक के विशिष्ट वर्कफ़्लो और संस्थागत ज्ञान को एन्कोड करते हैं ताकि Claude एक सामान्य प्रक्रिया के बजाय उनकी प्रक्रिया का पालन करे।
• उप-एजेंट उस काम को संभालते हैं जो अन्यथा एक लंबे कार्य पर संदर्भ विंडो (context window) को उड़ा देगा।

प्रत्येक में से एक बनाएं, एक वास्तविक प्रणाली के खिलाफ, और आपके पास कुछ ऐसा होगा जो लगभग किसी भी उम्मीदवार के पास नहीं है: उन कलाकृतियों का एक पोर्टफोलियो जो नौकरी वास्तव में उत्पन्न करती है।

1# The artifact an FDE actually ships: Claude, wired into a system
2# nobody designed for it. Legacy API, no docs, one guy who knows it.
3
4from mcp.server.fastmcp import FastMCP
5
6mcp = FastMCP("warehouse-ops")
7
8@mcp.tool()
9def find_stalled_shipments(hours_stalled: int = 24) -> list[dict]:
10    """Shipments with no scan event in N hours. Use when ops asks
11    what is stuck, or before a customer escalation review."""
12    # The real work: their legacy schema, their timezone quirk,
13    # their soft-delete column that nobody documented.
14    return query(STALLED_SQL, hours_stalled)
15
16@mcp.tool()
17def reroute(shipment_id: str, hub: str, reason: str) -> dict:
18    """Reroute a shipment. Writes an audit row — compliance
19    requires a reason string on every manual intervention."""
20    return post_with_audit(shipment_id, hub, reason)
21
22# Note what makes this an FDE artifact and not a demo:
23#   - docstrings say WHEN to use the tool, not just what it does
24#   - the audit row exists because their compliance team requires it
25#   - the schema quirks are handled here, not left for the model

एक MCP सर्वर जो वास्तव में गंदे API को लपेटता है, किसी भी प्रमाणपत्र की तुलना में एक मजबूत हायरिंग सिग्नल है, क्योंकि यह उस चीज़ को साबित करता है जिसका वे अन्यथा परीक्षण नहीं कर सकते - कि आप एक फ्रंटियर मॉडल को किसी ऐसी प्रणाली के अंदर उपयोगी बना सकते हैं जो इसके लिए डिज़ाइन नहीं की गई थी।

07. Claude Code को अपने गुणक (multiplier) के रूप में मास्टर करें

चरण 2 से तीसरी ताकत याद रखें - जिसे कम आंका गया था। AI उपकरणों ने FDE को नाटकीय रूप से अधिक उत्पादक बना दिया, और यही वह चीज़ है जिसने भूमिका को बड़े पैमाने पर आर्थिक रूप से व्यवहार्य बनाया।

एक मजबूत FDE अब वह काम करता है जो कुछ साल पहले तीन लोगों की एक टीम करती थी। छह सप्ताह के लिए एक एकल मानव को ऑनसाइट भेजना केवल उस गुणक के कारण लाभदायक है।

इसलिए उपकरण नौकरी के शीर्ष पर एक अच्छी चीज़ नहीं है; यह आपकी सीट के लिए व्यावसायिक मामले का भार वहन करने वाला (load-bearing) है।

व्यावहारिक रूप से, इसका मतलब है कि Claude Code में प्रवाह कौशल स्टैक का हिस्सा है, इसके निकट नहीं।

विशिष्ट लीवरेज पॉइंट सीधे FDE कार्य पर मैप होते हैं: जब आप किसी नए ग्राहक पर उतरते हैं तो एक अपरिचित कोडबेस में तेजी से प्रवेश करना, एकीकरण गोंद (integration glue) लिखना जो आपके अधिकांश आउटपुट का निर्माण करता है, और एक लंबे परिनियोजन कार्य को अपने स्वयं के संदर्भ के तहत ढहने से बचाने के लिए उप-एजेंटों को शोध सौंपना।

इसमें अच्छा होने का एक हायरिंग-सिग्नल कारण भी है, और यह असामान्य रूप से प्रत्यक्ष है। Anthropic के तकनीकी उपयोग-मामले की स्क्रीन में, आपको Claude तक पहुँच दी जा सकती है और समस्या के माध्यम से इसके साथ काम करने के लिए कहा जा सकता है - जानबूझकर, क्योंकि यह वास्तविक नौकरी को दर्शाता है।

आप मॉडल को कैसे चलाते हैं, इसका मूल्यांकन किया जा रहा है। उसका अभ्यास करना इंटरव्यू की तैयारी करना और एक ही समय में काम करना है।

1› Use a subagent to map how orders flow from intake to fulfillment in
2this repo. I need the data model, the integration points, and anywhere
3state can be written twice. Write it to notes/orders.md.
4
5● Spawning research subagent · separate context window
6● Read 23 files · 41.2k tokens — none of it in your window
7
8✓  Returned 680-token summary → notes/orders.md Found: intake writes to `orders` AND `legacy_orders`. Reconciliation job runs
9nightly. Anything failing between 18:00 and the 02:00 job is invisible to ops.
10
11 › That gap is the customer's actual complaint. Draft the MCP tool
12that surfaces those in-flight orders, then we walk ops through it.
13day 2. the previous vendor took six weeks to find this.

08. एक वास्तविक उपयोगकर्ता के लिए एक वास्तविक परिनियोजन शिप करें

हर FDE नौकरी की पोस्टिंग एक ही वाक्यांश के लिए किसी न किसी रूप में स्क्रीन करती है: शिप किए गए उत्पादन AI सिस्टम। अध्ययन नहीं किया, प्रोटोटाइप नहीं किया - शिप किया, किसी ऐसे व्यक्ति को जो इस पर निर्भर था।

यह वह दीवार है जिससे अधिकांश उम्मीदवार टकराते हैं, और यह इस सूची में एकमात्र ऐसी चीज़ है जिसे आप पढ़कर पार नहीं कर सकते।

इसलिए जानबूझकर अनुभव का निर्माण करें। एक ऐसा वास्तविक वर्कफ़्लो खोजें जो आप नहीं हैं - एक छोटा व्यवसाय, एक गैर-लाभकारी संगठन, आपकी वर्तमान कंपनी के अंदर एक टीम, एक मित्र की संचालन प्रक्रिया।

उनके साथ बैठें। उन्हें काम करते देखें। वह चीज़ बनाएं जो उनके सप्ताह का सबसे बुरा हिस्सा हटा दे, जहाँ वे वास्तव में इसका उपयोग करते हैं, वहाँ इसे परिनियोजित करें, और फिर तब तक रुकें जब तक कि जो टूटता है उसे ठीक न कर दें।

वह अंतिम भाग वैकल्पिक नहीं है - पूरी नौकरी डेमो के बाद होने वाली चीज़ है।

फिर इसे उसी तरह लिखें जैसे एक FDE रिपोर्ट करता है, क्योंकि लिखित विवरण कलाकृति का आधा हिस्सा है। "LangChain के साथ एक RAG चैटबॉट बनाया" नहीं।

इसके बजाय: उनके वर्कफ़्लो की लागत पहले घंटों में क्या थी, आप किन बाधाओं को नहीं बदल सकते थे, आपने जानबूझकर क्या नहीं बनाने का चुनाव किया, दूसरे सप्ताह में क्या टूटा, और अब इसकी लागत उन्हें कितनी है।

1# Dispatch triage for a 14-van plumbing company
2// Structure this like an FDE post-mortem, not a project README.
3
4## The workflow before
5Dispatcher spent ~2.5h/day reading job notes and reassigning vans.
6Two people quit over it in a year. Nobody had ever timed it.
7
8## Constraints I could not change
9- Scheduling data lives in a hosted tool with a read-only API.
10- Dispatcher will not use a new app. It had to live in SMS.
11- Owner would not approve anything touching customer payment data.
12
13## What I deliberately did NOT build
14Auto-reassignment. They didn't trust it and would have turned it
15off in week one. Suggestion + one-tap approve instead.
16// Being right about this mattered more than the model choice.
17
18## What broke in week two
19Job notes had inconsistent van nicknames ("big blue" vs "V-3").
20Fixed with an alias table the dispatcher edits herself.
21// This is the part that separates shipped from demoed.
22
23## After
24~40 min/day. Ran 5 months. She still uses it. Owner added 2 vans.

वह दस्तावेज़ आपका इंटरव्यू है। इसे पढ़ने वाला हर हायरिंग मैनेजर आपके बारे में किसी भी रिज़्यूमे लाइन से अधिक सीखता है।

09. ग्राहक खोज (customer discovery) सीखें

यह वह कदम है जिसे दो बार पढ़ना चाहिए। Anthropic के Applied AI Engineer लूप में एक ग्राहक-वार्तालाप राउंड शामिल है, और यह एक छिपा हुआ भार वहन करता है: यह लगभग 60% उम्मीदवारों को फ़िल्टर कर देता है जो पहले ही कोडिंग चरणों को पास कर चुके हैं।

मजबूत इंजीनियर, उस राउंड में समाप्त हो जाते हैं जिसकी उन्होंने तैयारी नहीं की थी। इस बीच, 73% फ्रंटियर-लैब FDE रिपोर्ट करते हैं कि डिस्कवरी वार्तालाप चलाना वह कौशल था जिसके लिए वे पारंपरिक सॉफ्टवेयर पृष्ठभूमि से आने पर सबसे कम तैयार थे।

विफलता का तरीका पूर्वानुमेय और लगभग सार्वभौमिक है: उम्मीदवार एक ग्राहक समस्या सुनता है और उसे हल करना शुरू कर देता है। वे एक आर्किटेक्चर प्रस्तावित करते हैं। कुछ एक एडिटर खोल लेते हैं।

• जो उम्मीदवार आगे बढ़ते हैं वे इसके विपरीत करते हैं - वे राउंड को एक शोध साक्षात्कार की तरह चलाते हैं। वे खरीदार के वर्तमान मूल्यांकन मानदंडों के बारे में पूछते हैं।
• वे पिछली असफल AI परिनियोजन के बारे में पूछते हैं, जहाँ सभी वास्तविक बाधाएँ दबी हुई होती हैं। वे पूछते हैं कि वास्तव में क्या नहीं बदल सकता: अनुपालन, विलंबता, डेटा निवास।
• वे पूछते हैं कि यह किस विशिष्ट वर्कफ़्लो को बदलेगा और यदि यह सफल होता है तो कौन अपना काम खोएगा। वे नोट्स लेते हैं। वे जो सुना है उसे दोहराते हैं। वे कोड नहीं लिखते हैं।

Anthropic इसके लिए स्पष्ट रूप से स्क्रीन करता है क्योंकि एंटरप्राइज़ Claude डील अकेले तकनीकी गहराई पर बंद नहीं होती हैं। यह एक सीखने योग्य कौशल है - और आप चरण 8 के समान सत्रों में इसका अभ्यास कर सकते हैं।

1# Run the round like a researcher. Solving too early is the tell.
2
3## Surface the real constraints
4- What have you already tried here, and why did it stop?
5  // failed deployments hide every constraint that matters
6- What can't change no matter what we build?
7  // compliance, latency, data residency, the union contract
8- Who has to approve this, and what will they object to?
9
10## Find the actual workflow
11- Walk me through the last time this went wrong.
12- Who does this today, and what does it cost them per week?
13- What happens downstream if we get it wrong at 3am?
14
15## Define "good enough" — theirs, not yours
16- What accuracy would make you turn this off?
17- How will you know in 90 days whether this worked?
18- What does the person doing this today do instead, after?
19
20## Close the loop
21- Reflect back what you heard. Get it corrected.
22- Name what you would NOT build, and why.
23// Saying "we shouldn't build that" is a senior signal, not a dodge.

जब भी आप उस व्यक्ति के साथ बैठते हैं जिसके वर्कफ़्लो को आप ठीक कर रहे हैं, आप इस राउंड का पूर्वाभ्यास कर रहे हैं।

10. इंटरव्यू लूप चलाएं

यह लूप शीर्ष कंपनियों में असामान्य रूप से सुसंगत है, और इसे एक साथ दो दिशाओं में फ़िल्टर करने के लिए बनाया गया है - शुद्ध एल्गोरिदमिक इंजीनियरों के खिलाफ जो संवाद नहीं कर सकते, और चिकने कंसल्टेंट्स के खिलाफ जो कोड नहीं कर सकते।

लगभग पाँच चरणों की अपेक्षा करें:

• एक भर्तीकर्ता स्क्रीन प्रेरणा, पृष्ठभूमि और स्तर फिट पर।
• एक तकनीकी उपयोग-मामला स्क्रीन - Anthropic में, MCP टूलिंग के साथ Claude को परिनियोजित करने के आसपास एक व्यावहारिक परिदृश्य, जहाँ आप एक लंबे समय तक चलने वाले कार्य की योजना बनाते हैं और उसे निष्पादित करते हैं और उत्पादन में विश्वसनीयता, संदर्भ-विंडो प्रबंधन और स्थिरता के बारे में तर्क करते हैं।
• एक कोडिंग राउंड जो LeetCode के बजाय व्यावहारिक है: एक रेट लिमिटर, स्ट्रीमिंग डेटा प्रोसेसिंग, एक वितरित जॉब क्यू, एक टोकन-बजट आवंटक, एक संरचित टूल-उपयोग ऑर्केस्ट्रेटर - अक्सर अभ्यास के बीच में नई ग्राहक बाधाओं के साथ यह देखने के लिए कि क्या आप सफाई से रीफैक्टर करते हैं।
• एक हायरिंग मैनेजर राउंड पिछली परियोजनाओं और ग्राहक तर्क पर। फिर समाधान डिज़ाइन और मूल्यों पर एक अंतिम पैनल।दो तैयारी नोट जो लोग छोड़ देते हैं।
• Anthropic में मिशन संरेखण को गंभीरता से जांचा जाता है - आवेदन करने से पहले AI सुरक्षा पर कोर व्यूज़, जिम्मेदार स्केलिंग नीति और हालिया व्याख्यात्मकता कार्य (interpretability work) पढ़ें; सामान्य उत्साह पास नहीं होता है।

और उनकी पोस्टिंग में "मॉडल जोखिमों के बारे में कैलिब्रेटेड निर्णय" माँगा जाता है, जो वह बिंदु है जो चुपचाप अन्यथा मजबूत उम्मीदवारों को समाप्त कर देता है। स्पष्ट रूप से यह कहने में सक्षम होना कि आप कहाँ मॉडल को परिनियोजित नहीं करेंगे, और क्यों, बार का हिस्सा है।

छह शुरुआती बिंदु - अपना खोजें

• AI परत जोड़ें, कठोरता बनाए रखें। आपकी उत्पादन प्रवृत्तियाँ दुर्लभ आधा हैं - अधिकांश AI-नेटिव उम्मीदवारों ने कभी कुछ वास्तविक नहीं चलाया है। प्रॉम्प्टिंग, मॉडल API, संरचित आउटपुट और evals जोड़ें, फिर एक गंदे आंतरिक सिस्टम के खिलाफ एक MCP सर्वर शिप करें।
• प्रशिक्षण बंद करें, लैंड करना शुरू करें। आप मॉडलिंग पर ओवरक्वालिफाइड हैं और बाकी सब पर अंडरक्वालिफाइड हैं। नौकरी एकीकरण, बाधाएँ और हितधारक हैं। जानबूझकर कुछ उबाऊ बनाएं जो अनुपालन समीक्षा और संचालन हैंडऑफ़ से बचे।
• जहाँ परिनियोजन हैं, वहाँ जाएँ। फ्रंटियर-लैब FDE भूमिकाएँ शायद ही कभी प्रवेश स्तर की होती हैं। एक अंगूठी बाहर निशाना लगाएं - स्टार्टअप और कंसल्टेंसी जो AI को एंटरप्राइज़ में परिनियोजित कर रहे हैं - जहाँ आप कम गेटकीपिंग के साथ वही काम करेंगे, फिर दो वर्षों में ऊपर जाएँ।
• कोडिंग गैप को जल्दी से बंद करें। आपके पास पहले से ही वह आधा है जो 60% आवेदकों को समाप्त कर देता है। अब कोडिंग राउंड पास करें: व्यावहारिक अभ्यास, LeetCode नहीं - रेट लिमिटर, स्ट्रीमिंग, जॉब क्यू, टूल-उपयोग ऑर्केस्ट्रेटर, बदलती बाधाओं के तहत सफाई से लिखा गया।
• साबित करें कि आप वास्तव में बना सकते हैं। डिस्कवरी और हितधारक प्रबंधन पहले से ही आपका है। लूप स्पष्ट रूप से चिकने बोलने वालों को फ़िल्टर करने के लिए डिज़ाइन किया गया है जो कोड नहीं कर सकते - इसलिए आपकी पूरी तैयारी एक शिप, बनाए रखा, सार्वजनिक रूप से दस्तावेज़ीकृत सिस्टम है।
• आप शायद यह नौकरी पहले से कर रहे हैं। आंतरिक प्लेटफ़ॉर्म इंजीनियर जो व्यावसायिक इकाइयों के साथ बैठते हैं, एक अलग शीर्षक के तहत FDE मूवमेंट चला रहे हैं। भूमिका की भाषा में अपने अनुभव को फिर से लिखें - बदले गए वर्कफ़्लो, बचाए गए घंटे, नेविगेट की गई बाधाएँ - और आप आज एक जीवित उम्मीदवार हैं।

निष्कर्ष:

दुर्लभ चीज़ कभी मॉडल नहीं थी। यह वह व्यक्ति है जो इसे लैंड कर सकता है।

पिछले दो वर्षों में कहीं क्षमता ने बाधा बनना बंद कर दिया।

अब जो दुर्लभ है वह वह इंजीनियर है जो पुरानी प्रणालियों, एक अनुपालन विभाग और एक संशयी संचालन टीम वाली कंपनी में कदम रख सकता है - और छह सप्ताह बाद कुछ ऐसा लेकर बाहर आ सकता है जो वास्तव में चलता है।

यह कौशलों का एक अजीब संयोजन है, और यही कारण है कि इसका भुगतान इतना अधिक है। गहराई पर इंजीनियरिंग चौड़ाई। झुकने के लिए कोई PM नहीं होने पर निर्णय। किसी और की गंदी वास्तविकता में तब तक बैठने का धैर्य जब तक कि एक पंक्ति लिखने से पहले उसे समझ न लिया जाए।

अधिकांश इंजीनियर उन भूमिकाओं के लिए अनुकूलन करते रहेंगे जो 2020 में मौजूद थीं। जो लोग परिनियोजित करना सीखेंगे वे दशक के मालिक होंगे - क्योंकि यहाँ से शिप होने वाले हर मॉडल को अभी भी एक वास्तविक कंपनी के संपर्क में जीवित रहना है।