成为代理时代的前沿部署工程师所需的条件

阅读时间：7分钟

关键要点

• 代理时代稀缺的技能不再是构建，而是判断什么值得构建。
• 一位出色的FDE的定义在于跨栈的广度、通过采用实现的拥有权，以及知道何时不构建，而非任何单一领域的深度。
• 随着智能体吸收更多编码工作，取得进步的工程师将是那些从编写代码转向拥有业务成果的人。
• Sigmoid将FDE与多学科团队和现成的加速器配对，使工作聚焦于范围和判断，而非基础设施管道。

智能体AI使前沿部署工程成为技术领域增长最快的角色之一，并揭示了一个不那么明显的真相：最有效的FDE在纸面上往往不是最强的工程师。这个角色奖励一种特定的性情。它适合那些在问题尚未完全定义时就感到自在的人，并将定义问题视为工作的第一部分。

前沿部署工程师做什么

FDE架起业务需求与技术解决方案之间的桥梁。FDE不是拿着完整的规格说明去构建，而是与拥有业务问题的团队合作，帮助定义解决方案应该是什么，然后构建、交付，并在采用阶段持续跟进。

以供应链团队为例，他们在电子表格中手动运行预测，无法应对需求变化。FDE与他们并肩工作，了解他们的规划人员实际如何做决策，然后构建一个AI辅助的预测工作流。六周后，该团队在一个足够信任的系统中运行每周规划，并据此采取行动。成功的衡量标准是那些规划人员在周一早上会做出什么不同的行动。

图1. 平台工程师与FDE的能力设计

当前沿部署工程师角色首次出现时，其设计有两个如今常被忽视的特征，而现在两者都至关重要。该角色位于公司的业务侧而非工程内部，其衡量标准是客户的结果是否改变。它还被设想为成对工作：一个人编写代码，而第二个人确定使命、与利益相关者合作，并推动工作直至采用。后来采用该模式的大多数行业保留了构建者，而将第二个角色搁置一旁。当编写代码仍是瓶颈时，这种分工还能维持。如今，一个智能体可以在一个下午生成一个可运行的服务，第二个角色已成为稀缺资源。

出色FDE的剖析

这个角色既不是纯粹的工程，也不是纯粹的咨询，而让人在角色中有效的技能大多不是职位描述中列出的那些。五项是先决条件，是开展工作所需的基本门槛：跨栈广度、智能体系统熟练度、数据和平台深度、双向业务流畅度，以及适应优先级变化的从容。另外三项技能是区分要素，它们将一位能交付的工程师与一位能降低每次未来交付成本的工程师区分开来：通过采用实现的拥有权、构建可复用框架的纪律，以及最罕见的——知道何时不构建的判断力。

图2. FDE技能层次结构

让FDE有效的五项先决条件

1. 跨栈广度：一个有效的FDE需要对每一层——包括数据工程、数据科学、模型工作、后端、前端、基础设施——有足够的掌握，以做出可信的决策并据此交付，而不是在一个领域有深厚专长而对其他领域只有浅显了解。在第一周内找到一条贯穿系统的路径，不能等待五位专家依次交接。

   在实践中：承担你栈中最薄弱环节的下一个任务，而不是将其交给专家。交付一个粗糙版本，然后让领域专家告诉你哪里不足。通过碰到失败点来学习某一层，而不是通过阅读相关文档。

2. 智能体系统熟练度：让单个模型良好响应现在很容易。更难的纪律是构建能够跨步骤规划、调用工具并在中途出错时恢复的系统。

   在实践中：不要仅仅使用智能体框架；要对其施压。向一个多步智能体提供一个失败的工具或矛盾的指令，观察它如何恢复。看到它在哪里失去线索，会教你构建一个能坚持住的系统。

3. 数据和平台深度：知道什么在现实中可交付比知道什么在演示中看起来令人印象深刻更重要：数据能支持什么、管道可能在哪里断裂、以及治理将允许什么。智能体会编写服务、测试和容器。它不会警告你两个源系统对“发货”的定义不一致。

   在实践中：在建模之前真正花时间在数据上。分析数据中的缺口，将关键字段追溯到源系统。这就是你发现不匹配的方式——比如两个系统对“发货”的定义不同——任何智能体都不会标记出来。

4. 双向业务流畅度：FDE坐在供应链或商品主管对面，弄清楚什么能推动团队的数字，并将其转化为技术解决方案而不丢失细微差别。这种转化是双向的：技术约束以领导者自己的语言返回，因此关于数据能支持什么的决策仍由拥有结果的人做出。

   在实践中：参加业务规划会议，即使是你项目之外的会议，学习领导者如何设定目标。尽早了解他们的词汇，会让你在将请求转化为团队实际需求时做得更好。

5. 适应优先级变化的从容：一项任务开始时给出的简要说明很少与结束时的一致，而工作奖励那些将此视为正常状态而非范围蔓延的人。

   在实践中：对于一个半定义的问题，写下你在第一周会构建什么，然后一个月后与你实际到达的位置进行比较。经常这样做，会训练你预期方向变化而非抗拒它。

让最优秀FDE脱颖而出的三项技能

如果先决条件使FDE有效，那么这三项技能让一个人变得不可或缺：

1. 通过采用及之后的拥有权：由于FDE对团队持续使用的系统负责，交接必须是一个事件，而非仓库转移：对每个重大决策进行讲解，然后让每位接收工程师在配对中进行一次实际修改，然后让他们在没有支持的情况下运行一段时间。这种本能是通过观察实际使用建立的，因此一旦系统交付，最有用的步骤是找到实际使用它的人，观察他们工作，因为一半的真正问题只有在别人手中才会浮现。有三种合理的方式放置这种责任，唯一的错误是在第一次事故后发现没有人同意谁负责。

   | 负责人 | 如何执行责任 | | --- | --- | | 构建该系统的工程师 | 在稳定期内保持待命覆盖 | | 接收团队 | 在交接期间进行实际修改后，承担传呼责任 | | 第三方 | 根据工程师编写并测试过的运行手册来运行系统 |

2. 构建可复用框架：完成一次任务时交付一个可运行的系统是工作本身。完成时交付一个可运行的系统和一个可复用的组件，则会改变下一次任务的经济性。领域深度值得付费，但仅由个人掌握的深度会随着那个人离开而消失，而编码到可运行事物中的深度则成为持久资产。在每次任务结束时，识别出同一行业另一个客户会想要的单一组件，并在其背后的推理仍然清晰时将其提取出来。

3. 知道何时不构建：真正的区分要素很少出现在任何清单上。它是知道何时不构建的判断力：何时不自动化、何时不添加另一个智能体、以及何时更简单的系统会更好。智能体工具使这种判断更难保持而非更容易，因为现在可以轻松地将智能体串联成令人印象深刻但偏离目标的东西。最优秀的FDE放弃自己原型的频率几乎与完成它们的频率一样高，并将这种纪律视为过滤器而非失败。随着构建成本降低，构建错误事物的代价成为剩余的关键。培养这种判断力的纪律很简单：在构建任何东西之前，写下能解决问题的最简单版本，如果你无法解释为什么那个版本不够，那么你就有了答案。

图3. 工程价值的转变

为什么在Sigmoid培养这些技能

在Sigmoid，这里的FDE在跨学科团队中工作，与数据工程师、科学家、平台专家和领域顾问并肩，并拥有现成的工具和加速器，因此大部分基础设施工作在你开始之前就已就绪。我们已交付超过100个AI产品，并在制药、消费品和制造业的财富500强规模中部署了200多个智能体到生产环境。这个角色为工程师提供的是广度和范围：你在这里两年内遇到的独特问题，比在一个单一产品上十年所遇到的还要多，而这种范围同时构建了技术深度和业务判断力。

结论

多年来，成为优秀工程师意味着善于构建东西。智能体AI正在悄然改变这一点：稀缺的技能不再是构建，而是知道什么值得构建的判断力。这一转变重新绘制了职业阶梯。随着智能体吸收更多构建工作，取得进步的工程师将是那些早早从编写代码转向拥有成果的人。这种判断力需要时间来积累，而这正是为什么现在就是开始的时候——从系统的构建者转变为业务成果的架构师。

关于作者

Nikunj Patel是Sigmoid的数据平台与AI架构高级总监。他在快消品、零售、生命科学、银行和金融服务领域拥有超过13年交付企业级数据平台、云重构和生产AI的经验。他将深厚的技术深度与交付治理和人员领导力相结合，为客户提供咨询并指导全球数据与AI团队。