想做 FDE，或者国内更常见的 AI 落地工程师、AI 应用工程师，核心是三件事：能动手把东西做出来，能听懂客户的业务，能把做过的东西沉淀下来给下一个人用。三样里，业务理解通常需要更长时间的行业积累。
这篇文章给出一个能力模型、一个 90 天自学路径、作品集的做法、面试准备方向，以及专门给非程序员的路线。没有保证入职的承诺，路径仅供参考，你需要按自己的起点调整。
一、FDE 需要哪些能力？能力模型表
据 PostHog 博客引述的 OpenAI、Anthropic、Databricks 等公司岗位要求，常见的方向包括：客户同理心、沟通与表达、产品感、把方案沉淀成可复用加速器的能力、特定行业知识，以及乐于混合工程、咨询与交付三种工作。结合这些，可以整理成下面的能力模型。
| 能力维度 | 具体内容 | 怎么练 |
|---|---|---|
| 工程基础 | 读写代码、调用接口、处理数据、基本的部署与排错 | 做小项目，每个都要跑通并能给别人演示 |
| AI 应用 | 提示词与上下文设计、知识库检索（RAG）、智能体与工作流、结果评估 | 自己搭一个知识库问答，再搭一个能调用工具的智能体 |
| 业务理解 | 听懂一个行业的流程、术语、利益关系 | 选一个自己熟的行业，访谈三个一线的人 |
| 沟通与同理心 | 向业务方解释技术限制，从抱怨里挖出真需求 | 练习写一页纸的需求复述，让对方确认 |
| 产品感 | 判断哪些做成通用、哪些只为这一家做 | 每做完一个项目，写下哪些部分可复用 |
| 交付意识 | 估时间、控范围、对上线结果负责 | 给自己的项目定验收标准并按期交付 |
二、FDE 的 90 天自学路径怎么安排？
下面是一个参考节奏，每周投入时间因人而异，重点是顺序：先会用，再做出来，最后做到像真的。
- 第 1 至 2 周：把日常工作里的一件事交给 AI 做。学会给背景、给例子、一次只改一件事，并学会检查 AI 的结果，不盲信。
- 第 3 至 4 周：学会用 AI 编程工具（如 Claude Code、Cursor 这类）完成一个小脚本，例如批量整理表格、自动生成报告。目标是理解「需求—代码—运行—修改」的循环。
- 第 5 至 6 周：搭一个企业知识库问答。理解文档切分、检索、引用来源这几个环节，以及为什么回答会出错。
- 第 7 至 8 周：搭一个能调用工具的智能体。了解 Anthropic《Building effective agents》里区分的 workflow 与 agent，并按其建议从最简单的方案开始，需要时再加复杂度。
- 第 9 至 10 周：了解 MCP（Model Context Protocol），这是 Anthropic 于 2024 年 11 月发布的、连接 AI 应用与外部工具和数据源的开放标准，理解它如何减少部分重复对接工作；具体能力兼容和权限仍要逐项处理。
- 第 11 至 12 周：做一个贴近真实业务的完整作品，找至少一位真实用户试用，写复盘：哪里好用、哪里翻车、下一步怎么改。
- 第 13 周：整理作品集，练习用十分钟讲清楚一个项目。
不用追求学完所有工具，工具会变，拆解问题的方法不会变。每个阶段只要求一件事真的跑通。
三、FDE 作品集怎么做才有说服力？
招聘方可能更关心的是：你是否真的把东西做进过真实业务。因此作品集的重点不是展示工具用得多，而是展示「问题—方案—结果—反思」的完整闭环。
- 一个真实业务问题：不是玩具题，最好来自你自己的工作或朋友的小公司，说明谁在痛、痛在哪。
- 你的方案取舍：为什么选这个方案不选别的，数据从哪来，规则怎么定。
- 结果证据：有人用了，用了多久，哪些环节变快了。没有数字就写观察，不要编造。
- 踩过的坑：数据脏、AI 答错、业务方不信任，这些坑比成功更能证明你的经验。
- 可复用的部分：哪些东西下次可以直接拿走，体现产品感。
- 涉及他人数据要脱敏，别用客户机密。
与其堆十个工具截图，不如做三个扎实的项目，最好至少有一个被真实用户用过。每个项目都用同一套结构来写：背景、方案、结果、复盘，读的人能很快看出你的思路。
四、FDE 面试可以怎么准备？
各家公司差别很大，下面是可以覆盖的准备方向，不是固定题库，也不代表某家公司一定会问。
- 拆解模糊需求：客户只说「我们想用 AI 提效」，你如何追问、如何选第一个场景、如何定义成功。
- 处理脏数据与系统限制：数据缺字段、系统没有接口时怎么办，有哪几种退路。
- 与怀疑者沟通：业务负责人不信任 AI 时，如何用真实数据而不是演示说服他。
- 工程判断：这个任务该用工作流还是智能体，该用检索还是微调，为什么。
- 项目复盘：讲一个你做过的项目，哪里失败过，现在会怎么做。
- 取舍能力：哪些该为这个客户定制，哪些该沉淀成通用能力。
五、非程序员怎么入行：业务背景加 Vibe Coding 加智能体
Vibe Coding 是 Andrej Karpathy 在 2025 年 2 月于 X 上提出的说法，他的描述是「完全顺着感觉走、拥抱指数增长、忘记代码存在」，并说明适合周末一次性的小项目；柯林斯词典也把 vibe coding 评为 2025 年度词汇。对非程序员而言，它的意义是门槛降低：用自然语言描述需求，由 AI 编程工具写代码。
要强调的是，用于小项目和原型很合适，进入真实业务的系统仍需要你能看懂结果、会测试、会排错。非程序员的优势在业务，劣势在工程，路径就是用业务优势撑起项目，用 AI 工具补工程短板。
- 选自己最熟的业务流程，比如采购对账、客服答复、招聘筛选、合同审核前置检查。
- 把流程拆成步骤，标出哪些步骤是「查资料、整理、起草」，这些最适合先交给 AI。
- 用 AI 编程工具做出一个能跑的小工具，哪怕只是网页加表格。
- 把它升级成智能体或工作流：让 AI 调用你的资料、按你的规则输出，并把需要人确认的步骤留给人。
- 找真实同事试用，收集反馈，改三轮。
- 把全过程写成作品集，业务背景本身就是你的核心卖点。
六、常见误区
- 以为学会提示词就够了：FDE 的难点在数据、系统和人，而不是一句好提示词。
- 只做演示不上线：没有上线经验的项目，很难证明你能面对真实环境。
- 追求把所有工具学一遍：选一两个深用，比每个都试一遍更有用。
- 忽视业务：没有行业知识的 FDE 很难在客户面前建立信任。
七、莱客可以提供什么
莱客（深圳）网络科技有限公司成立于 2016 年，莱客 AI 商学院提供面向职场人的 AI 技能培训，并设有 Vibe Coding 培训入口，企业侧有智能体与 AI 助手开发、企业知识库问答和定制内训，同时我们在做企业 AI 落地诊断，内容和本文的路径有不少重合。
想了解适合你的学习路线，可以先做在线 AI 落地诊断，再联系顾问。课程方案与安排请联系顾问。