AI & Data Dreamers練功房
寶箱片場規則
資料工程師 資料分析師 資料科學家 機器學習工程師 AI 應用工程師 後端工程師 FDE/解決方案工程師 架構師 Tech Leader AI 產品經理
Forward Deployed Engineer・職位指南

FDE/解決方案工程師

駐在客戶端寫會上線的程式,把 AI 接進對方的系統,大半時間在做資料整合;台灣職缺多叫解決方案工程師。

自評進度
登入後記進度
FIT・適合誰
  • 喜歡看到自己寫的東西馬上被真實使用者拿去用
  • 不怕陌生的系統與資料,願意花時間讀懂客戶的流程
  • 能在會議室把技術講成對方聽得懂的話,回到座位也能寫程式
DUTIES・職責

每天在做什麼

  • 到客戶端訪談,釐清使用情境、需求和使用者,把問題翻成做得出來的規格
  • 資料整合:串接客戶的資料庫、檔案、內部 API,清理並對齊欄位
  • 在客戶環境開發與部署 AI 應用(LLM、RAG、Agent),寫的是會上線的程式
  • 先做 PoC,再推到正式環境:權限、資安、監控、交接文件
  • 把客戶現場的回饋帶回產品團隊,推動功能改進
SKILLS・技能

必備

  • 資料整合:SQL、ETL、API 串接、處理格式不一致的資料
  • 後端與部署:Python、FastAPI、Docker、雲端(AWS/GCP/Azure)
  • AI 應用:LLM API、RAG、結構化輸出、評估
  • 需求訪談與簡報:問對問題、寫需求文件、向主管說明成效

加分

  • 企業環境:權限、VPN、地端部署、資安審查
  • 專案管理:時程、範圍變更、風險回報
  • 產業知識:製造、金融、醫療等領域的流程與法規
  • 系統設計:多來源資料架構、整合模式、降級與警報
INTERVIEW・面試準備

會被問什麼

  1. 情境題:客戶說「我們想導入 AI」,第一週你會問哪些問題、看哪些資料
  2. 資料整合題:幾個來源欄位不一致、有缺值,怎麼設計整合流程與檢查
  3. 實作題:現場寫一段串 API 或處理資料的程式,邊寫邊說明取捨
  4. AI 應用題:設計一個 RAG 或 Agent 方案,說明怎麼評估、失敗時怎麼處理
  5. 溝通題:PoC 成效不如預期,怎麼跟客戶主管說明、下一步怎麼提
NEIGHBORS・相鄰職位邊界

和誰容易搞混

AI 應用工程師

AIE 在自家產品裡做 AI;FDE 把同一套能力帶到客戶的環境,多了資料整合與現場溝通。

資料工程師

FDE 大半時間在做資料整合,DE 的管線與清理能力直接用得上;補上 AI 應用與客戶溝通就能轉。

後端工程師

後端的 API、部署、資安底子是進 FDE 的另一個入口,差在要面對客戶與陌生系統。

解決方案架構師/售前工程師

偏方案設計與提案,寫程式的比例較低;FDE 要自己寫到上線。

HEADHUNTER・與獵頭合作

怎麼跟獵頭談

  • 用多個職稱搜尋:解決方案工程師、導入工程師、技術顧問、售前工程師、FDE
  • 履歷寫「在客戶端做了什麼、串了哪些系統、上線後誰在用」
  • 問清楚出差與駐點的比例,一次同時負責幾個客戶
  • 問清楚職缺偏售前提案還是交付上線,兩者寫程式的比例差很多
READ・延伸閱讀

這份指南整理自 Dex 的文章