FDE 面试的三个阶段
主流公司 FDE 面试(以 Anthropic、OpenAI、Palantir、Scale AI 为参照)通常 5-7 轮,分三阶段:
- 初筛(1-2 轮):HR 筛简历 + 技术电话面试。
- 技术深面(2-3 轮):系统设计 + 编程 + 客户场景题。
- 行为面(1-2 轮):客户沟通案例 + 文化匹配。
整个流程 2-4 周,有的公司快(Anthropic 平均 10 天),有的公司慢(Palantir 平均 3-4 周,中间还有 case study)。
编程轮:60 分钟 2 题
FDE 编程轮不会像 SDE 那么难(LeetCode Hard 概率低),但要求”能写出生产代码”:
- 数据结构与算法:中等难度为主,链表、树、图、动态规划都可能考。重点不是最优解,是思路清晰、代码可读。
- SQL:必考。多表 JOIN、窗口函数、CTE、explain 读执行计划。
- 系统调试:给一段 200 行的代码,找出 bug。考察读代码能力——FDE 大部分时间在读别人写的代码。
- 真实场景编程:可能是”给一个 API 文档,写一个客户端 SDK”,或”解析一个 JSON 流,过滤后输出”。这种题最贴近 FDE 真实工作。
准备建议:LeetCode 中等 50 题 + SQL 50 题 + 至少一个”读 200 行陌生代码”的练习。
系统设计轮:FDE 特供
和 SDE 的系统设计不同,FDE 系统设计考的”在客户约束下做技术决策“:
- 客户约束题:”客户有 100TB 数据,网络带宽只有 100Mbps,3 个月内要上线模型,怎么设计数据 pipeline?”——考察在真实约束下能不能做取舍。
- 权衡题:”用 PostgreSQL 还是 MongoDB 存客户的业务数据?”——没有标准答案,看你的推理过程。
- 容错题:”客户每天只能接受 1 小时停机窗口,你的部署方案怎么设计?”——考察生产意识。
准备方法:研究 3-5 个公开的客户案例(各家公司的 customer story),总结”为什么这么选”。
客户场景轮:FDE 的核心考核
这是 FDE 面试的特色,通常是 30-45 分钟的 case interview。典型题型:
- “客户想用 LLM 做合同审核,他们的法务团队从来没接触过 AI,你作为 FDE 怎么启动这个项目?”
- “客户买了你们的产品,但 3 个月了活跃用户还是 0,你怎么办?”
- “客户的 IT 部门拒绝部署到他们的云上,要求 on-premise,你的技术方案是什么?”
评分标准不是”答对”,而是:
- 是否在 5 分钟内问对了 5 个关键问题(数据量、用户、合规、上线时间、ROI 预期)。
- 是否给出有结构的方案(分阶段、有止损点)。
- 是否识别了真正的 stakeholder(不是出钱的人,是项目成败相关的人)。
行为面:客户沟通案例
行为面会问”Tell me about a time when you delivered under tight constraints with a difficult stakeholder”。面试官在评估:
- 你能不能识别客户的真实问题(而不是表面问题)。
- 你能不能在没资源的情况下推进事情。office politics。沟通技巧。
- 你失败的项目中学到了什么(面试官最怕听到”都是别人的错”)。
准备方法:用 STAR 法(Situation/Task/Action/Result)整理 5-7 个真实案例。其中至少 2 个是”客户相关”,1 个是”失败案例”。
FDE 面试的红旗
面试官会观察一些负面信号:
- 技术傲慢:”客户的代码太烂了,没法用”——意味着你没办法和平均水平的人合作。
- 客户轻视:”客户不懂技术,需要教育”——意味着你把”教客户”当成负担,而不是工作。
- 功劳独占:”我一个人完成了整个项目”——FDE 是协调者,不是独狼。
反过来,好的 FDE 在面试里会展现:对客户业务的好奇心、对模糊性的舒适度、对失败的反思能力。这些比 LeetCode 通过更重要。
面试前的 4 周准备
- Week 1:刷 LeetCode 中等 50 题 + 整理行为面 STAR 案例。
- Week 2:研究目标公司的 3 个公开客户案例,准备 1 个”我会怎么做”的对比方案。
- Week 3:模拟 2 次客户场景面试(找朋友扮客户问开放性问题)。
- Week 4:系统设计刷 10 题,SQL 刷 20 题,模拟 1 次编程面试。
FDE 面试比 SDE 更看综合素质,4 周时间够用,不需要刷几百题。准备质量比准备数量重要得多。
不同公司的 FDE 面试侧重
- Palantir:偏传统咨询面试。Case interview 比重 50%,编程比重 30%,行为面 20%。看重”客户说服力”。
- Anthropic:偏 AI 工程。编程 40%、系统设计 30%、客户场景 30%。看重”AI 落地能力”。
- OpenAI:偏大客户销售 + 技术深度。商业案例 40%、技术深度 40%、编程 20%。看重”大客户说服力”。
- Scale AI:偏数据工程。数据 pipeline 40%、系统设计 30%、客户场景 30%。看重”数据 sense”。
同一家公司不同 team 风格也不同。准备前看准 JD 上的具体 team 描述,不要海投。
面试中的”加分动作”
- 主动画图:客户场景题时,主动画客户架构图、数据流图。比纯文字描述得分高 30%。
- 识别隐含约束:客户说”3 个月上线”,意味着人力是 2-3 人 FDE 团队,不能按”6 个月上线”设计。
- 承认不知道:遇到不懂的客户行业知识,直接说”我需要做 X、Y、Z 研究才能回答”,比硬猜得分高。
- 给具体数字:客户场景题给”上线 8 周,3 个 FDE,90% 自动化”这种具体数字,比”尽快上线”得分高。
面试后的跟进
FDE 面试后的跟进邮件比 SDE 更重要。推荐内容:
- 感谢面试官,简短复述当天的方案亮点(证明你听懂了)。
- 补充 1-2 个客户案例或行业洞察(展示准备深度)。
- 如果有遗留问题,主动发邮件问(展示主动性)。
FDE 是高频客户沟通岗位,面试官很看重”会不会跟进”。一份好的跟进邮件能让面试官在 5 个候选人里记住你。
拿到 offer 后的考虑
FDE offer 不只看 base,要看:
- 驻场比例:30% 以下 vs 50% 以上,工作体验差很多。
- 客户行业:金融、医疗、政府,出差/合规要求不同。
- FDE 团队规模:5 人以下太小,容易被合并到 SE;30 人以上有独立文化和晋升通道。
- FDE 团队的报告线:向销售 VP 汇报(看重签单) vs 向工程 VP 汇报(看重技术深度),方向完全不同。
拿到 2-3 个 offer 后,优先选”客户行业 + 团队规模 + 报告线”最匹配的,base 高 10-20% 不值得为此让步。
