判断一个人是不是合格的 FDE，不能只看"会不会写代码"。把各家岗位要求拆开归纳，可以得到 8 个能力维度——从底层工程一路到产品判断。真正稀缺的从来不是某一项单点能力，而是把它们组合起来、在客户现场把模糊需求推到 production 的人。
八个维度
FDE 首先必须是强工程师，能独立完成端到端系统：Python / TypeScript / Java / C++ 至少一门熟练，后端 API、数据库、队列、缓存、前端 / 内部工具、系统设计、debugging、CI/CD、日志监控、权限与安全基本功。OpenAI 要求能写和 review 前后端生产代码，Palantir 的 coding 要求覆盖 Python、Java、C++、TypeScript、JavaScript。OpenAI Careers↗
Prompt / system instruction 设计、function calling、RAG（chunking / embedding / retrieval / rerank / metadata filter）、Agent（planner / executor / tools / memory / state / human approval）、workflow 编排、fine-tuning 基础、模型选择与 fallback、多模型路由、成本与延迟优化、失败模式分析。
企业 AI 最大的难点常常不是模型，而是集成：CRM（Salesforce / HubSpot）、ERP（SAP / Oracle）、ITSM（ServiceNow / Jira）、数据仓库（Snowflake / BigQuery / Databricks）、文档系统、通信系统、身份系统（Okta / Azure AD / SAML / OAuth）、RBAC / ABAC / 行级权限、SOC 2 / HIPAA / GDPR 合规。Google 把"连接 AI 产品与 legacy data、业务逻辑、安全边界的 connective tissue"写进 FDE 职责。Google Careers↗
AI 系统上线后必须持续衡量：正确率、覆盖率、幻觉率、拒答率、越权率、工具调用成功率、人工接管率、延迟、tokens、cost-per-request、用户反馈与业务 KPI。OpenAI 把 eval-driven feedback 定义为影响产品和模型 roadmap 的关键输入。
能从"客户想要什么功能"穿透到真实业务目标、流程瓶颈、用户角色、数据现状、失败成本与成功度量。这决定了项目从一开始就不会做错方向，也是 demo 驱动产品探索的起点。
要同时和一线用户、业务负责人、客户工程师、IT / 安全 / 合规、数据团队、高管、销售、PM、研究与核心工程团队对话，并在其中推进交付、赢得 executive buy-in。Palantir、OpenAI、Google 都把跨技术与非技术利益相关方的沟通列为硬要求。
不是"客户要什么就做什么"，而是能判断：哪些是个性化需求、哪些是行业共性、哪些该做成产品能力、哪些交给 SI、哪些该拒绝、哪些模型问题该反馈给 research、哪些平台缺口会阻碍规模化。这是 FDE 与外包的分水岭。
能把模糊目标拆成清晰任务，在 scope、速度、质量之间做取舍，并在 fast-moving、信息不完整的环境里一路推到上线。OpenAI 明确要求 FDE 能在 ambiguous environment 中交付并做 tradeoff。
单独会写代码的人很多，单独会客户沟通的人也不少。但能在客户现场，把一个 AI 系统从模糊需求一路推进到 production，并且把现场经验产品化的人很少——稀缺的不是任何一个维度的峰值，而是 8 个维度的组合，以及在它们之间做取舍的判断力。
怎么用这张能力雷达
把 8 个维度想成一张雷达图，它有两个用法：
- 自评与补短：多数工程师在第 1、2 维偏强，在第 3、5、6、7 维偏弱——而后者恰恰是 FDE 拉开差距的地方。
- 组队互补：现场小队不要求一个人 8 维全满，而是用 FDE、applied AI engineer、deployment strategist、solution architect 的组合覆盖全图。