Cách trở thành Forward Deployed Engineer trong 10 bước: $785K / năm (khóa học đầy đủ)

Kỹ sư Triển khai Tiền phương (Forward Deployed Engineer) đã đi từ một sự tò mò về Palantir trở thành vai trò được săn đón nhất trong lĩnh vực AI chỉ trong vòng mười hai tháng - số lượng tin tuyển dụng tăng 729%.

Đây là lộ trình 10 bước để gia nhập: công việc thực sự là gì, công nghệ nào giúp bạn vào được, và vòng phỏng vấn loại bỏ 60% những người vượt qua vòng coding.

Theo dõi Substack của tôi để nhận thông tin mới nhất về AI:

movez.substack.com

Đó không phải là mức lương của một nhà nghiên cứu. Cũng không phải của một kỹ sư cao cấp tại một công ty công nghệ lớn.

Đó là mức giá hiện tại cho một kỹ sư làm điều mà hầu như không ai tối ưu hóa sự nghiệp của mình để làm: làm cho AI thực sự hoạt động bên trong một doanh nghiệp thực tế.

Không ai yêu cầu người này huấn luyện một mô hình. Họ không cần bằng Tiến sĩ, và họ không cần phải đánh bại bất kỳ ai trong các bài toán giải thuật.

Họ cần bước vào một doanh nghiệp với các hệ thống kế thừa, một bộ phận tuân thủ và một đội ngũ vận hành đầy hoài nghi - và sáu tuần sau đó, cho ra một thứ gì đó thực sự chạy được.

Lý do nó được trả cao như vậy nằm ở một con số thống kê. Một nghiên cứu MIT NANDA trên 300 dự án AI doanh nghiệp cho thấy 95% tạo ra ít hoặc không có tác động đo lường được đến lợi nhuận và thua lỗ.

Các mô hình hoạt động tốt. Việc triển khai đã thất bại - bởi vì không ai có thể khiến chúng nói chuyện được với một cơ sở dữ liệu kế thừa, vượt qua một cuộc đánh giá tuân thủ, hoặc sống sót khi được bàn giao cho đội ngũ kế thừa chúng.

Cái tên được mượn từ quân đội: triển khai tiền phương (forward deployed) có nghĩa là bố trí các đơn vị chuyên biệt gần khu vực tác chiến thay vì ở lại sở chỉ huy.

Palantir đã xây dựng phiên bản hiện đại vào đầu những năm 2010 và gọi chúng là Deltas - và cho đến năm 2016, công ty có nhiều Deltas hơn là kỹ sư phần mềm.

Tiền đề là khách hàng không cần thêm nhiều tính năng sản phẩm. Họ cần những kỹ sư có thể làm cho sản phẩm hoạt động trong môi trường phân mảnh, kế thừa, chịu sự quản lý và phức tạp về mặt chính trị của họ.

Tiền đề đó chỉ là một thị trường ngách trong một thập kỷ. Sau đó, AI đã phá vỡ SaaS chung chung, và nó trở thành toàn bộ cuộc chơi.

Đây không phải là một bản mô tả công việc. Đó là một chiến lược tiếp cận thị trường - và những người thực thi nó là những kỹ sư phi nghiên cứu được trả lương cao nhất trong ngành.

01. Tìm hiểu công việc thực sự là gì

Một FDE là kỹ sư mà công ty cử đến gặp khách hàng. Không phải cho một cuộc gọi bán hàng, không phải cho một cuộc họp khởi động - mà là trong nhiều tuần liền, ngồi cạnh những người thực sự sẽ sử dụng sản phẩm, tìm hiểu quy trình làm việc của họ một cách chi tiết đến đau đớn, và viết mã tùy chỉnh để làm cho phiên bản sản phẩm của họ hoạt động.

Mô hình tinh thần tốt nhất không phải là tư vấn viên và cũng không phải là kỹ sư giải pháp. Đó là kỹ sư sáng lập, làm việc trên sản phẩm của người khác.

Không có PM trong phòng để quyết định phạm vi, không có kỹ sư cao cấp để chuyển vấn đề kiến trúc lên, và không có backlog nào cho bạn biết điều gì quan trọng - bạn tự quyết định xây dựng cái gì, làm giả cái gì, và phản đối cái gì, ngay trong phòng, trong tuần đó.

Nhịp điệu điển hình ở các công ty AI hàng đầu là nhất quán một cách đáng kể: một FDE ngồi với khách hàng từ bốn đến tám tuần, giao một thứ gì đó hoạt động, và sau đó bộ phận kỹ thuật cốt lõi từ từ sản phẩm hóa bất cứ thứ gì hóa ra là có tính tổng quát.

Vòng lặp đó là toàn bộ điểm chiến lược của vai trò này. Bạn đồng thời đang mang lại doanh thu và thực hiện nghiên cứu sản phẩm có độ chính xác cao nhất cho công ty.

02. Hiểu tại sao vai trò này bùng nổ

Con số 95% từ phần mở đầu là nền tảng của toàn bộ con đường sự nghiệp này, vì vậy cần hiểu chính xác về nó.

• Các dự án AI doanh nghiệp đó không thất bại vì các mô hình tồi.
• Chúng thất bại ở khâu tích hợp: các hệ thống không thể kết nối với cơ sở dữ liệu SQL kế thừa, không thể xử lý xác thực SAML của khách hàng, không thể đáp ứng các yêu cầu về cư trú dữ liệu, và không thể được duy trì bởi đội ngũ vận hành kế thừa chúng.

Ba lực lượng sau đó cùng lúc hướng về một hướng.

• AI đã phá vỡ SaaS chung chung - lời hứa theo chiều ngang về "mua và cắm là chạy" tồn tại trong các ngành đã trưởng thành nhưng không tồn tại trong AI, nơi mọi doanh nghiệp đều có dữ liệu, quy trình làm việc, ràng buộc tuân thủ riêng và định nghĩa riêng về "đủ tốt". Bán AI cho một Fortune 500 giờ đây luôn đi kèm với việc bán một dự án tích hợp.
• Các phòng thí nghiệm cần triển khai với tốc độ mà công nghệ thay đổi - một dự án tích hợp kéo dài sáu tháng sẽ giết chết một chương trình thử nghiệm trước khi nó kịp cất cánh.
• Và các công cụ AI đã làm cho các yếu tố kinh tế trở nên khả thi: với Claude Code và các công nghệ hiện đại, một FDE giỏi có thể làm được công việc mà trước đây cần một nhóm ba người vài năm trước, và đó là lý do duy nhất khiến việc cử một người đến hiện trường trong sáu tuần trở nên khả thi về mặt kinh tế.

Hãy để ý điều này có nghĩa gì với bạn. Nút thắt cổ chai trong AI không còn là năng lực nữa. Đó là việc triển khai - và thị trường đang định giá lại tương ứng.

03. Lập bản đồ thị trường và chọn mục tiêu

Chức danh này không ổn định, và đó là điều thực tế đầu tiên cần biết - chỉ tìm kiếm "Forward Deployed Engineer" sẽ che giấu hầu hết thị trường khỏi tầm mắt của bạn.

Cùng một công việc đó được đăng tuyển với các tên gọi Applied AI Engineer (tên gọi của Anthropic), Forward Deployed Software Engineer hoặc FDSE (của Palantir), Solutions Engineer, Deployment Engineer, và Founding Engineer (Customer Facing) tại các công ty khởi nghiệp nhỏ hơn. Hãy tìm kiếm tất cả các tên gọi này.

Sự tăng trưởng là không hề nhẹ nhàng. Số lượng tin tuyển dụng FDE trên Indeed đã tăng từ 643 vào tháng 4 năm 2025 lên 5,330 vào tháng 4 năm 2026 - mức tăng 729% trong mười hai tháng.

Đến giữa năm 2026, đã có 224 vị trí FDE đang tuyển dụng trên 39 công ty AI, và đó mới chỉ là những vị trí được đăng công khai. Salesforce cam kết tuyển dụng một nghìn người. EY đã ra mắt một bộ phận FDE chuyên biệt tại Vương quốc Anh và Ireland vào tháng 4 năm 2026 - hãng tư vấn lớn đầu tiên chính thức áp dụng mô hình này.

Mức đãi ngộ phản ánh sự khan hiếm, và nó phân chia rõ rệt theo cấp bậc. Dữ liệu Levels fyi cho thấy tổng lương trung bình tại Mỹ vào khoảng $238,000, với phạm vi điển hình từ $205,000 đến $486,000 và các FDE cấp nhân viên đạt mức $630,000. Mức trung vị của Palantir ở gần $215,000.

Tại các phòng thí nghiệm tiên phong, đó là một thị trường hoàn toàn khác: các FDE cấp cao tại Anthropic và OpenAI đạt mức $785,000, với mức lương cơ bản của Applied AI Engineers tại Anthropic trên $300,000 ở cấp cao và tổng lương thường xuyên vượt quá $500,000.

Một lưu ý lập kế hoạch đáng có sớm: Anthropic thường không thương lượng về các đề nghị.

04. Xây dựng bề rộng kỹ thuật

Đây là phần phản trực giác, và là nơi các kỹ sư đến từ các lĩnh vực chuyên môn hóa thường mắc sai lầm.

Những FDE mạnh nhất không phải là những kỹ sư sâu nhất mà công ty của họ có.

Họ là những người có thể nắm giữ sáu lĩnh vực trong đầu cùng một lúc và chuyển đổi giữa chúng một cách dễ dàng. Chiều sâu trong một lĩnh vực ít giá trị hơn ở đây so với việc thực sự vững vàng trên tất cả các lĩnh vực.

Cụ thể, nền tảng tối thiểu trông như thế này. Python và TypeScript bao phủ hầu hết các lĩnh vực bạn sẽ động đến. Một nền tảng đám mây - AWS, GCP hoặc Azure, chọn nền tảng mà khách hàng mục tiêu của bạn thực sự sử dụng.

Một cơ sở dữ liệu bạn biết rõ và có thể gỡ lỗi dưới áp lực, và một framework frontend mà bạn có thể nhanh chóng ghép một giao diện hoạt động được.

Đó là đủ để bắt đầu. Bạn không cần phải là kỹ sư giỏi nhất trong phòng; bạn cần là người duy nhất trong phòng có thể làm tất cả những việc đó.

Hai lớp kỹ năng mềm quan trọng không kém các lớp kỹ năng kỹ thuật, và chúng là thứ mà buổi phỏng vấn sẽ thực sự khám phá.

Khả năng phán đoán sản phẩm, bởi vì bạn là PM trong phòng và không ai khác sẽ quyết định xây dựng cái gì so với làm giả cái gì.

Và hiểu biết kinh doanh - ai đó sẽ hỏi ROI của việc này là gì, và họ sẽ cần câu trả lời để bảo vệ dự án trước ban lãnh đạo của chính họ.

Việc diễn giải công việc của bạn dưới dạng đô la và giờ tiết kiệm được là một kỹ năng thực tế, có thể học được mà hầu hết các kỹ sư không bao giờ luyện tập.

05. Học cách triển khai AI, không phải huấn luyện nó

Đây là quan niệm sai lầm phổ biến nhất ngăn cách các kỹ sư với công việc này: họ cho rằng mình cần có khả năng huấn luyện các mô hình.

Bạn không cần. Không ai yêu cầu một FDE tinh chỉnh bất cứ thứ gì. Bạn hoàn toàn cần phải triển khai chúng - đó là một bộ kỹ năng hoàn toàn khác và dễ học hơn nhiều.

Lớp AI bản địa giờ đây đã được xác định rõ ràng. Kỹ năng prompt engineering tốt. Sự thành thạo với các API mô hình chính.

• Các mẫu RAG - và cụ thể, biết khi nào việc truy xuất là câu trả lời sai.
• Đầu ra có cấu trúc, bởi vì các hệ thống sản xuất cần các hình dạng đã được xác thực, không phải văn xuôi.
• Kỷ luật đánh giá cơ bản, đó là lớp phân tách những người trình diễn khỏi những người triển khai.

Và ít nhất một framework tác tử mà bạn đã thực sự xây dựng một thứ gì đó bên trong.

Hãy tập trung việc chuẩn bị của bạn vào đánh giá và các chế độ lỗi, bởi vì đó là những gì việc triển khai doanh nghiệp thực sự được tạo nên. Gỡ lỗi ảo giác, lỗi truy xuất, lệnh gọi công cụ sai, các quy trình làm việc đa bước mong manh.

Biết cách suy luận về độ trễ, chi phí, độ tin cậy và bảo mật như những sự đánh đổi chứ không phải các ô đánh dấu.

1# Đánh giá 1-5. Bất cứ thứ gì dưới 3 là công việc của tháng tới.
2
3## Bề rộng kỹ thuật          # vững vàng, không phải xuất sắc
4[ ] Python // backend, scripts, dữ liệu
5[ ] TypeScript // tích hợp + một frontend có thể sử dụng
6[ ] Một đám mây, đã triển khai thứ gì đó thực sự lên đó
7[ ] Một cơ sở dữ liệu, có thể gỡ lỗi nó dưới áp lực
8[ ] Có thể dựng một UI hoạt động trong một ngày
9
10## AI bản địa                     # triển khai, đừng huấn luyện
11[ ] Prompt engineering vượt xa thử và sai
12[ ] API mô hình: streaming, sử dụng công cụ, ngân sách token
13[ ] RAG // và biết khi nào truy xuất là câu trả lời SAI
14[ ] Đầu ra có cấu trúc + xác thực lược đồ
15[ ] Đánh giá // lớp phân tách demo khỏi sản xuất
16[ ] Một framework tác tử, đã thực sự xây dựng thứ gì đó
17
18## Nửa phần không ai luyện tập
19[ ] Đã tổ chức một hội thảo với một bên liên quan phi kỹ thuật
20[ ] Đã nói "chúng ta không nên xây dựng cái đó" với một khách hàng trả tiền
21[ ] Đã diễn giải công việc của bạn dưới dạng đô la hoặc giờ tiết kiệm được
22[ ] Đã học một ngành công nghiệp xa lạ đủ tốt để triển khai trong đó
236
24Xây dựng công nghệ

Bất kỳ ai cũng có thể làm cho một bản demo hoạt động; toàn bộ giá trị của một FDE là trở thành người biết tại sao bản demo sẽ không tồn tại khi tiếp xúc với một doanh nghiệp thực tế, và phải làm gì với điều đó.

06. Xây dựng ba tạo phẩm mà doanh nghiệp mua

Đây là nơi một lộ trình "học AI" chung chung không còn hữu ích và các chi tiết cụ thể bắt đầu trở nên quan trọng.

Các bài đăng tuyển FDE của chính Anthropic mô tả các sản phẩm bàn giao một cách rõ ràng: bạn sát cánh với các khách hàng chiến lược để xây dựng các ứng dụng sản xuất với Claude, và bạn triển khai các máy chủ MCP, các tác tử con và các kỹ năng tác tử.

Ba tạo phẩm này là đơn vị công việc cụ thể.

• Các máy chủ MCP là lớp tích hợp - thứ kết nối Claude với các hệ thống thực tế của khách hàng: hệ thống vé của họ, kho hàng của họ, API nội bộ của họ không có tài liệu và chỉ có một người hiểu nó.
• Các kỹ năng tác tử mã hóa quy trình làm việc cụ thể và kiến thức tổ chức của khách hàng để Claude tuân theo quy trình của họ thay vì một quy trình chung chung.
• Các tác tử con xử lý công việc nếu không sẽ làm nổ tung một cửa sổ ngữ cảnh trong một tác vụ dài hạn.

Xây dựng một cái cho mỗi loại, dựa trên một hệ thống thực tế, và bạn sẽ có thứ mà hầu như không ứng viên nào có: một danh mục đầu tư chính xác các tạo phẩm mà công việc tạo ra.

1# Tạo phẩm mà một FDE thực sự triển khai: Claude, kết nối vào một hệ thống
2# không ai thiết kế cho nó. API kế thừa, không có tài liệu, một người duy nhất hiểu nó.
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    """Các lô hàng không có sự kiện quét trong N giờ. Sử dụng khi bộ phận vận hành hỏi
11    cái gì đang bị kẹt, hoặc trước khi đánh giá leo thang khiếu nại của khách hàng."""
12    # Công việc thực sự: lược đồ kế thừa của họ, múi giờ kỳ quặc của họ,
13    # cột xóa mềm của họ mà không ai ghi lại tài liệu.
14    return query(STALLED_SQL, hours_stalled)
15
16@mcp.tool()
17def reroute(shipment_id: str, hub: str, reason: str) -> dict:
18    """Chuyển hướng một lô hàng. Ghi một hàng kiểm toán — bộ phận tuân thủ
19    yêu cầu một chuỗi lý do cho mọi can thiệp thủ công."""
20    return post_with_audit(shipment_id, hub, reason)
21
22# Lưu ý điều gì làm cho đây là một tạo phẩm FDE chứ không phải bản demo:
23#   - docstrings nói KHI NÀO sử dụng công cụ, không chỉ nó làm gì
24#   - hàng kiểm toán tồn tại vì nhóm tuân thủ của họ yêu cầu
25#   - các điểm kỳ quặc của lược đồ được xử lý ở đây, không để lại cho mô hình

Một máy chủ MCP bao bọc một API thực sự lộn xộn là một tín hiệu tuyển dụng mạnh hơn bất kỳ chứng chỉ nào, bởi vì nó chứng minh điều mà họ không thể kiểm tra theo cách khác - rằng bạn có thể làm cho một mô hình tiên tiến trở nên hữu ích bên trong một hệ thống mà không ai thiết kế cho nó.

07. Làm chủ Claude Code như một hệ số nhân của bạn

Hãy nhớ lực lượng thứ ba từ Bước 2 - lực lượng bị đánh giá thấp. Các công cụ AI đã giúp FDE trở nên hiệu quả hơn đáng kể, và đó là điều đã làm cho vai trò này trở nên khả thi về mặt kinh tế ở quy mô lớn.

Một FDE giỏi bây giờ làm được công việc mà trước đây cần một nhóm ba người vài năm trước. Việc cử một người duy nhất đến hiện trường trong sáu tuần chỉ khả thi về mặt kinh tế nhờ vào hệ số nhân đó.

Vì vậy, các công cụ không phải là thứ tốt để có thêm ngoài công việc; chúng là yếu tố chịu lực cho luận điểm kinh doanh cho vị trí của bạn.

Trên thực tế, điều đó có nghĩa là sự thành thạo với Claude Code là một phần của bộ kỹ năng, không phải là thứ nằm ngoài nó.

Các điểm đòn bẩy cụ thể liên quan trực tiếp đến công việc FDE: nhanh chóng hòa nhập vào một cơ sở mã xa lạ khi bạn đến gặp một khách hàng mới, viết các lớp keo tích hợp chiếm phần lớn sản phẩm đầu ra của bạn, và ủy quyền nghiên cứu cho các tác tử con để một tác vụ triển khai dài không bị sụp đổ dưới ngữ cảnh của chính nó.

Cũng có một lý do tín hiệu tuyển dụng để trở nên giỏi việc này, và nó đặc biệt trực tiếp. Trong vòng sàng lọc trường hợp sử dụng kỹ thuật của Anthropic, bạn có thể được cấp quyền truy cập vào Claude và được yêu cầu giải quyết vấn đề với nó - một cách có chủ đích, bởi vì nó phản ánh công việc thực tế.

Cách bạn điều khiển mô hình là một phần của những gì đang được đánh giá. Luyện tập điều đó là chuẩn bị cho buổi phỏng vấn và làm công việc thực tế cùng một lúc.

1› Sử dụng một tác tử con để lập bản đồ cách các đơn hàng chảy từ tiếp nhận đến
2hoàn thành trong kho lưu trữ này. Tôi cần mô hình dữ liệu, các điểm tích hợp và bất kỳ nơi nào
3trạng thái có thể được ghi hai lần. Ghi nó vào notes/orders.md.
4
5● Đang sinh ra tác tử con nghiên cứu · cửa sổ ngữ cảnh riêng
6● Đã đọc 23 tệp · 41.2k token — không có cái nào trong cửa sổ của bạn
7
8✓  Đã trả về bản tóm tắt 680 token → notes/orders.md Phát hiện: tiếp nhận ghi vào cả `orders` VÀ `legacy_orders`. Công việc đối soát chạy hàng
9đêm. Bất cứ thứ gì thất bại từ 18:00 đến 02:00 đều vô hình đối với bộ phận vận hành.
10
11 › Khoảng trống đó chính là khiếu nại thực tế của khách hàng. Soạn thảo công cụ MCP
12hiển thị các đơn hàng đang trong quá trình đó, sau đó chúng ta sẽ hướng dẫn bộ phận vận hành qua nó.
13ngày 2. nhà cung cấp trước đây mất sáu tuần để tìm ra điều này.

08. Triển khai một lần triển khai thực tế cho một người dùng thực tế

Mọi bài đăng tuyển FDE đều sàng lọc cùng một cụm từ dưới một hình thức nào đó: đã triển khai các hệ thống AI trong sản xuất. Không phải đã nghiên cứu, không phải đã tạo mẫu thử - đã triển khai, cho một người nào đó phụ thuộc vào nó.

Đó là bức tường mà hầu hết các ứng viên vấp phải, và đó là điều duy nhất trong danh sách này bạn không thể đọc để vượt qua.

Vì vậy, hãy cố tình tạo ra kinh nghiệm đó. Tìm một quy trình làm việc thực tế thuộc về một người không phải bạn - một doanh nghiệp nhỏ, một tổ chức phi lợi nhuận, một nhóm trong công ty hiện tại của bạn, một quy trình vận hành của bạn bè.

Ngồi với họ. Xem họ làm việc. Xây dựng thứ loại bỏ phần tệ nhất trong tuần của họ, triển khai nó ở nơi họ thực sự sử dụng, và sau đó ở lại đủ lâu để sửa những thứ hỏng hóc.

Phần cuối cùng đó là không thể thiếu - toàn bộ công việc là những gì xảy ra sau bản demo.

Sau đó, hãy viết báo cáo về nó theo cách một FDE báo cáo, bởi vì bài viết là một nửa của tạo phẩm. Không phải "đã xây dựng một chatbot RAG với LangChain."

Thay vào đó: quy trình làm việc của họ tốn kém bao nhiêu giờ trước đây, những ràng buộc nào bạn không thể thay đổi, bạn đã cố tình chọn không xây dựng cái gì, cái gì đã hỏng trong tuần thứ hai, và bây giờ nó tốn kém bao nhiêu.

1# Phân loại điều phối cho một công ty sửa ống nước với 14 xe tải
2// Cấu trúc cái này giống như một bài đánh giá sau triển khai của FDE, không phải README dự án.
3
4## Quy trình làm việc trước đây
5Người điều phối dành khoảng 2.5h/ngày để đọc ghi chú công việc và phân công lại xe tải.
6Hai người đã bỏ việc vì điều này trong một năm. Chưa ai từng đo thời gian.
7
8## Các ràng buộc tôi không thể thay đổi
9- Dữ liệu lịch trình nằm trong một công cụ lưu trữ với API chỉ đọc.
10- Người điều phối sẽ không sử dụng một ứng dụng mới. Nó phải tồn tại trong SMS.
11- Chủ sở hữu sẽ không chấp thuận bất cứ thứ gì đụng đến dữ liệu thanh toán của khách hàng.
12
13## Những gì tôi cố tình KHÔNG xây dựng
14Tự động phân công lại. Họ không tin tưởng nó và sẽ tắt nó trong
15tuần đầu tiên. Thay vào đó là đề xuất + một lần chạm phê duyệt.
16// Đúng về điều này quan trọng hơn việc chọn mô hình.
17
18## Điều gì đã hỏng trong tuần thứ hai
19Ghi chú công việc có biệt danh xe tải không nhất quán ("big blue" so với "V-3").
20Đã sửa bằng một bảng bí danh mà người điều phối tự chỉnh sửa.
21// Đây là phần phân tách đã triển khai khỏi đã demo.
22
23## Sau đó
24~40 phút/ngày. Đã chạy 5 tháng. Cô ấy vẫn sử dụng nó. Chủ sở hữu đã thêm 2 xe tải.

Tài liệu đó chính là buổi phỏng vấn của bạn. Mọi nhà quản lý tuyển dụng đọc nó sẽ biết nhiều hơn về bạn so với bất kỳ dòng sơ yếu lý lịch nào có thể cho họ biết.

09. Học cách khám phá khách hàng

Đây là bước cần đọc hai lần. Vòng phỏng vấn Applied AI Engineer của Anthropic bao gồm một vòng trò chuyện với khách hàng, và nó mang một trọng lượng ẩn: nó loại bỏ khoảng 60% ứng viên đã vượt qua các vòng coding.

Các kỹ sư giỏi, bị loại ở vòng mà họ không chuẩn bị. Trong khi đó, 73% FDE tại các phòng thí nghiệm tiên phong báo cáo rằng việc tiến hành các cuộc trò chuyện khám phá là kỹ năng mà họ ít chuẩn bị nhất khi đến từ nền tảng phần mềm truyền thống.

Kiểu thất bại có thể dự đoán và gần như phổ biến: ứng viên nghe thấy một vấn đề của khách hàng và bắt đầu giải quyết nó. Họ đề xuất một kiến trúc. Một số mở trình soạn thảo.

• Các ứng viên tiến xa hơn làm ngược lại - họ thực hiện vòng phỏng vấn như một cuộc phỏng vấn nghiên cứu. Họ hỏi về các tiêu chí đánh giá hiện tại của người mua.
• Họ hỏi về các lần triển khai AI thất bại trước đây, nơi tất cả các ràng buộc thực sự đều bị chôn vùi. Họ hỏi những gì thực sự không thể thay đổi: tuân thủ, độ trễ, cư trú dữ liệu.
• Họ hỏi quy trình làm việc cụ thể nào điều này sẽ thay thế và ai sẽ mất việc nếu nó thành công. Họ ghi chép. Họ phản ánh lại những gì họ đã nghe. Họ không viết mã.

Anthropic sàng lọc điều này một cách rõ ràng bởi vì các thương vụ Claude doanh nghiệp không kết thúc chỉ dựa trên chiều sâu kỹ thuật. Đó là một kỹ năng có thể học được - và bạn có thể luyện tập nó trong cùng các buổi đó từ Bước 8.

1# Thực hiện vòng phỏng vấn như một nhà nghiên cứu. Giải quyết quá sớm là dấu hiệu nhận biết.
2
3## Đưa ra bề mặt các ràng buộc thực sự
4- Bạn đã thử những gì ở đây rồi, và tại sao nó dừng lại?
5  // các lần triển khai thất bại che giấu mọi ràng buộc quan trọng
6- Điều gì không thể thay đổi bất kể chúng ta xây dựng cái gì?
7  // tuân thủ, độ trễ, cư trú dữ liệu, hợp đồng công đoàn
8- Ai phải phê duyệt điều này, và họ sẽ phản đối điều gì?
9
10## Tìm quy trình làm việc thực tế
11- Hãy dẫn tôi qua lần cuối cùng điều này xảy ra sai sót.
12- Ai làm việc này hôm nay, và nó tốn kém bao nhiêu cho họ mỗi tuần?
13- Điều gì xảy ra ở hạ nguồn nếu chúng ta làm sai lúc 3 giờ sáng?
14
15## Xác định "đủ tốt" — của họ, không phải của bạn
16- Độ chính xác nào sẽ khiến bạn tắt cái này?
17- Làm thế nào bạn sẽ biết trong 90 ngày liệu điều này có hiệu quả không?
18- Người làm việc này hôm nay sẽ làm gì thay thế, sau đó?
19
20## Kết thúc vòng lặp
21- Phản ánh lại những gì bạn đã nghe. Để họ sửa.
22- Nêu tên những gì bạn sẽ KHÔNG xây dựng, và tại sao.
23// Nói "chúng ta không nên xây dựng cái đó" là một tín hiệu cấp cao, không phải sự lảng tránh.

Mỗi lần bạn ngồi với người có quy trình làm việc mà bạn đang sửa, bạn đang diễn tập cho vòng phỏng vấn này.

10. Thực hiện vòng lặp phỏng vấn

Vòng lặp đặc biệt nhất quán giữa các công ty hàng đầu, và nó được xây dựng để sàng lọc theo cả hai hướng cùng một lúc - chống lại các kỹ sư thuần túy về thuật toán không thể giao tiếp, và chống lại các nhà tư vấn trơn tru không thể viết mã.

Dự kiến khoảng năm giai đoạn:

• Một vòng sàng lọc của nhà tuyển dụng về động lực, nền tảng và sự phù hợp về cấp bậc.
• Một vòng sàng lọc trường hợp sử dụng kỹ thuật - tại Anthropic, một tình huống thực tế xoay quanh việc triển khai Claude với các công cụ MCP, nơi bạn lập kế hoạch và thực hiện một tác vụ dài hạn và suy luận về độ tin cậy, quản lý cửa sổ ngữ cảnh và tính nhất quán trong sản xuất.
• Một vòng coding mang tính thực tế hơn là LeetCode: một bộ giới hạn tốc độ, xử lý dữ liệu streaming, một hàng đợi công việc phân tán, một bộ phân bổ ngân sách token, một bộ điều phối sử dụng công cụ có cấu trúc - thường có thêm các ràng buộc khách hàng mới được đưa vào giữa bài tập để xem liệu bạn có tái cấu trúc sạch sẽ hay không.
• Một vòng của nhà quản lý tuyển dụng về các dự án quá khứ và lý luận với khách hàng. Sau đó, một hội đồng cuối cùng về thiết kế giải pháp và giá trị. Hai lưu ý chuẩn bị mà mọi người bỏ qua.
• Sự phù hợp về sứ mệnh được sàng lọc một cách nghiêm túc tại Anthropic - hãy đọc Quan điểm Cốt lõi về An toàn AI, Chính sách Mở rộng có Trách nhiệm và các công trình về khả năng giải thích gần đây trước khi nộp đơn; sự nhiệt tình chung chung không vượt qua được.

Và các bài đăng tuyển của họ yêu cầu "khả năng phán đoán có hiệu chỉnh về rủi ro mô hình," đó là dòng yêu cầu âm thầm loại bỏ các ứng viên mạnh khác. Có thể nói rõ ràng nơi bạn sẽ không triển khai một mô hình, và tại sao, là một phần của tiêu chuẩn.

Sáu điểm khởi đầu - tìm điểm của bạn

• Thêm lớp AI, giữ vững tính nghiêm ngặt. Bản năng sản xuất của bạn là một nửa khan hiếm - hầu hết các ứng viên bản địa về AI chưa bao giờ vận hành bất cứ thứ gì thực tế. Thêm prompting, API mô hình, đầu ra có cấu trúc và đánh giá, sau đó triển khai một máy chủ MCP dựa trên một hệ thống nội bộ lộn xộn.
• Ngừng huấn luyện, bắt đầu hạ cánh. Bạn đã thừa trình độ về mô hình hóa và thiếu trình độ về mọi thứ khác. Công việc là tích hợp, các ràng buộc và các bên liên quan. Cố tình xây dựng một thứ gì đó nhàm chán tồn tại sau một cuộc đánh giá tuân thủ và một cuộc bàn giao vận hành.
• Đi đến nơi có các lần triển khai. Các vai trò FDE tại phòng thí nghiệm tiên phong hiếm khi là cấp độ đầu vào. Hãy nhắm ra ngoài một vòng - các công ty khởi nghiệp và công ty tư vấn đang triển khai AI vào doanh nghiệp - nơi bạn sẽ làm cùng một công việc với ít rào cản hơn, sau đó thăng tiến trong hai năm.
• Thu hẹp khoảng cách coding, nhanh chóng. Bạn đã có một nửa loại bỏ 60% ứng viên. Bây giờ hãy vượt qua vòng coding: các bài tập thực tế, không phải LeetCode - bộ giới hạn tốc độ, streaming, hàng đợi công việc, bộ điều phối sử dụng công cụ, được viết sạch sẽ dưới các ràng buộc thay đổi.
• Chứng minh bạn có thể thực sự xây dựng. Khám phá và quản lý các bên liên quan đã là của bạn. Vòng lặp được thiết kế rõ ràng để lọc ra những người nói khéo nhưng không thể viết mã - vì vậy toàn bộ sự chuẩn bị của bạn là một hệ thống đã được triển khai, duy trì và ghi lại công khai.
• Bạn có thể đang làm công việc này rồi. Các kỹ sư nền tảng nội bộ làm việc với các đơn vị kinh doanh đang thực hiện các động thái FDE dưới một chức danh khác. Viết lại kinh nghiệm của bạn bằng ngôn ngữ của vai trò này - các quy trình làm việc đã thay đổi, số giờ tiết kiệm được, các ràng buộc đã vượt qua - và bạn là một ứng viên sẵn sàng ngay hôm nay.

Kết luận:

Thứ khan hiếm chưa bao giờ là mô hình. Đó là con người có thể hạ cánh nó.

Năng lực đã không còn là nút thắt cổ chai ở đâu đó trong hai năm qua.

Điều khan hiếm bây giờ là kỹ sư có thể bước vào một công ty với các hệ thống kế thừa, một bộ phận tuân thủ và một đội ngũ vận hành đầy hoài nghi - và sáu tuần sau đó cho ra một thứ gì đó thực sự chạy được.

Đó là một sự kết hợp kỳ lạ của các kỹ năng, đó chính xác là lý do tại sao nó được trả lương như vậy. Bề rộng kỹ thuật hơn là chiều sâu. Khả năng phán đoán mà không có PM để dựa dẫm. Sự kiên nhẫn để ngồi trong thực tế lộn xộn của người khác đủ lâu để hiểu nó trước khi viết một dòng mã.

Hầu hết các kỹ sư sẽ tiếp tục tối ưu hóa cho các vai trò tồn tại vào năm 2020. Những người học cách triển khai sẽ sở hữu thập kỷ này - bởi vì mọi mô hình được triển khai từ đây vẫn phải tồn tại khi tiếp xúc với một doanh nghiệp thực tế.