与「FDE」相关的搜索结果

很多人好奇，我在东南亚做AI落地，到底在做什么？ 先分享一个最近在做的项目：给公司做AI数字员工。前期SOP已经跑得差不多了，现在进入影子测试阶段。 为什么东南亚需要数字员工？ 中国公司在这边布局，最大的成本之一是人。泰国员工薪资在几个国家里最高，劳动法对员工保护也很强。印尼很多岗位需要手把手带着做。越南和国内节奏更像，但也基本不加班。 有了数字员工，团队可以更精简，把人留在真正需要判断的环节。 举个例子：品牌的brief进来之后，泰国同事要在客户群里反复确认需求，以前要来回沟通3到4天。 现在数字员工可以直接读客户群消息，判断这条能不能回，再按员工自己的语气写好回复，用员工的账号发出去。 3到4天的事，基本一个上午就能确认完，直接进入下一步。 截图是影子测试里的一条：它只把判断和回复发给我看，群里什么都没发。 想了解更多的，欢迎私信我交流～ #AI落地# #数字员工# #东南亚# #FDE#

我宣布： DSH（DeepSeek Harness）将是目前 FDE 在很多场景最方便的落地框架，不管从生态来说，还是从Agent 的未来，都足以吊打很多 Agent 工具。 我用 DSH 将之前给企业落地的很多场景进行复现，大都能够复现成功，现在它成为了我最重要的场景落地库，插件即插即拔的开放式，极大提高了交付效率，缩短交付和回款周期。 如果大家喜欢 DSH，也可以留言或移步主页和我一起交流。

我来说一下原因。 Deepseek Harness 是国内唯一 MIT 开源的 Agent Harness 框架，且这个框架足够轻量足够有可塑造性，意味着你可以把它拿来加上你自己制作的任何插件为其挂载上，重新打包形成新的应用。 而你可以在你的应用底部注明本 Agent 底座基于 Deepseek Harness 构建。这件事本身是使用深度求索的能力为你的 Agent 稳定性背书，是加分项。 而你如果整出一个 skill 或者所谓专家团的 Agent 集群上架 workbuddy，第一它是明文存储的，随便抄走；第二你没办法定制你的应用页面，通通从一个对话框开始，这意味着——你卖不上价。而千问办公或者豆包工作也有相同的问题，更不要提他们的 Agent 与他们的办公全家桶深度绑定。 所以，今天开始，做 FDE 将会有一个巨大的分水岭出现。你要么基于workbuddy、千问办公、豆包工作去卖席位，在这些Agent 应用以及他们的数据基座上构建智能体卖给客户——注意，你卖不上价——放弃做这件事，专注卖席位，这样你还能挣点席位渠道费；要么，你使用 deepseek harness，全方位定制一个专业智能体，用户的操作和交互全部按照适合他们的方式做而非在对话框里说话，你将获得超额的利润。 为什么我今天突然意识到这一点？因为今天有老板给我看了一个特别垃圾一看就是 AI 搓出来且完全就是 workflow pipeline 级别的智能体给我，说这玩意比 Workbuddy 强一万倍，我问他为什么，他说他不知道打开那个对话框说什么，这玩意点两下就能出他要的东西。然后我和他说我在 workbuddy 里做一些智能体集群也可以啊？他问我什么是智能体集群？ 然后我把今天刷到的那个 DSH 自媒体工作台的插件装好的版本展示给他看，他说这玩意厉害啊，卖多少钱？ 懂了吗？你不要和客户去解释你这个基于 workbuddy 还是千问办公还是豆包工作的什么东西做出来能有多厉害，你就用 deepseek 完全封装一个特别满足他们业务交互的智能体，哪怕你你给你的 Harness 应用接上飞书 CLI 继续用飞书的数据基座，你也能卖出超出 10 倍的价格。 Workbuddy、千问办公、豆包工作现在这种免费跑去给老板培训，然后送积分送 Token 到处送的打法，这已经是官方下场又当裁判又当运动员了。基于这些 Agent 框架交付再干两个月基本上也要回到苦力价格了，没有什么好做的了。 技术不值钱。

如果你是做交付的 FDE，现在起，把所有精力全部投入到 Deepseek Harness。这是你做 FDE 唯一一个可以挣到钱的方向。 workbuddy、豆包工作、千问办公，都会让你赔得倾家荡产，除非你只是帮他们卖席位而不是做交付。

嗯，硅谷万亿 AI 巨头 Palantir，招聘自家 FDE 时，给出的入职指南，竟然是 5本书，有点意思 有一本叫做《IMPRO》, 翻译过来《即兴：即兴创作与剧场》原来不止国人会把察言观色作为高级管理干部考核指标，西人也一样 隐约感觉，这些能打胜仗的经验，都是从中国智慧中提炼出来的

嗯，硅谷万亿 AI 巨头，招聘自家 FDE 时，给出的入职指南，竟然是 5本书，有点意思 有一本叫做《IMPRO》, 翻译过来《即兴：即兴创作与剧场》原来不止国人会把察言观色作为高级管理干部考核指标，西人也一样 隐约感觉，这些能打胜仗的经验，都是从中国智慧中提炼出来的

哎，中秋回老家无锡一趟，把自己整 emo 了 饭桌上我迫不及待告诉各位家人，Claude, ChatGPT, Vibe Coding / FDE 是未来，人类要完了 可无论老的，少的，都以为我神经了，没人理，而他们的话题，考公，工程，辅导班，我一句嘴也插不上，我老豆还说读书读傻了 无语，他们的世界，居然依旧那么慢，，

这个开源项目系统整理了 35 家 AI 公司的 AI 工程师面试题，全部来自 “公开报告的面试经历” 来自 @outcome_school 团队 @pallavishekhar_ 开源发布，内容几乎涵盖了 OpenAI、Anthropic、DeepMind、xAI、DeepSeek、Kimi、GLM 等 AI Labs，Cursor、Cognition、ElevenLabs 等 AI Native 团队和 Nvidia、Microsoft、Amazon、Apple 等头部大厂。 覆盖的岗位头衔也非常多：AI Engineer、LLM Engineer、Gen AI Engineer、ML Engineer、Research Engineer、Applied Scientist、FDE、MLOps/LLMOps 工程师等。 开源地址： # 内容架构：一个精心设计的双层结构 第一层：跨公司通用题（Common Questions）。 作者把在多家公司反复出现的题目只列一次，标注"Asked at"哪些公司，按十大主题组织： 1. LLM 内部机制与架构 — attention 缩放因子、KV cache 内存公式推导、MQA/GQA/MLA、FlashAttention、BPE、RoPE/YaRN、Chinchilla scaling laws、MoE、解码采样策略、lost-in-the-middle、RMSNorm、SwiGLU 2. 推理、服务与 GPU 性能 — prefill vs decode、continuous batching、PagedAttention、投机解码、量化（FP16→FP4）、五种并行策略、TTFT/TPOT 指标、H100 上的 roofline 计算、vLLM/SGLang/TensorRT-LLM 选型、“如何把服务成本降 10 倍” 3. RAG 与检索 — 分块策略、BM25 vs 稠密检索、重排序器、HyDE、权限感知检索、ANN 索引、索引新鲜度、答案归因 4. Agent 与工具调用 — ReAct、MCP、工具 schema 设计、多智能体编排、Agent 记忆、循环终止条件、人类审批 5. 微调与对齐 — RLHF/DPO/GRPO/RLVR 全谱系、LoRA/QLoRA 数学、灾难性遗忘、“提示 vs RAG vs 微调”决策框架、蒸馏、reward hacking 6. 评估与可观测性 — LLM-as-judge 及其偏差、幻觉检测、基准污染、Agent 评估、回归门禁 7. 安全与负责任 AI — 提示注入（直接/间接）、OWASP LLM Top 10、护栏、Constitutional AI、红队 8. 多模态与语音 — VLM、语音 Agent 延迟预算、barge-in 打断处理、级联 vs 端到端语音、ASR/TTS 评估 9. AI 系统设计 — 十类高频设计题（千万级文档企业 RAG、代码助手、客服 Agent、Text-to-SQL、LLM 网关、数亿用户聊天服务等） 10. 编码题 — 从零实现 attention、KV cache、BPE、采样；LRU 缓存、令牌桶限流器、异步批处理器、SSE 流解析器、最小 Agent 循环 第二层：35 家公司的专属章节，分为五大梯队： 1. 前沿实验室（12 家）：Anthropic、OpenAI、Google DeepMind、Meta、xAI、Mistral、Cohere、DeepSeek、月之暗面（Kimi）、智谱（GLM）、阿里（Qwen）、Sarvam AI（印度） 2. 大厂 AI 组织：Microsoft、Amazon、Apple、NVIDIA、Tesla，以及一组消费级 ML 公司（Uber/Netflix/LinkedIn/Airbnb/Pinterest/Spotify） 3. AI 基础设施公司：Databricks、Groq、Together AI、Hugging Face、Scale AI、Perplexity 4. AI 原生产品公司：Cursor、Cognition（Devin）、Sierra、Harvey（法律）、Glean、 AI（机器人）、Waymo 5. 前向部署/企业 AI：Palantir # 题目分布透露的行业信号同样值得关注 1. 公司的差异化考察方向，和它的商业模式严丝合缝。 这是最能体现整理功力的地方： · DeepSeek、月之暗面、智谱、Qwen 的题目深度绑定自家论文——MLA、auxiliary-loss-free 负载均衡、Multi-Token Prediction、MuonClip、DualPipe、长上下文扩展、GLM 的 thinking 模式。面试这些公司等于面试它们的论文，还要求 PyTorch 从零实现 MoE 路由。 · Groq 的题全是 SRAM-only 架构下的 roofline 重推演：“没有 HBM，decode 的 roofline 论证哪里变了”、“确定性在 p99 层面到底买到什么”。 · Apple 清一色端侧：3B 模型在手机上跑、PTQ vs QAT、不采集用户内容的前提下用设备信号改进模型、30+ 语言区无法记录用户内容的评估方案。 · CharacterAI 是推理经济学：“我们的服务成本被 KV cache 而非权重主导，降一个数量级，代价是什么”。 · Harvey（法律）和 Abridge（医疗） 考的是领域约束下的工程：200 页信贷协议里第 140 页的条款依赖第 8 页的定义术语怎么检索、生成的病历中出现了患者没提过的药怎么当作安全事故处理、PHI 如何约束整个架构。 · Palantir 的招牌是 "decomposition" 轮：把“一家货运铁路公司每年因机车非计划停机损失数千万”分解成工程计划。 2. 编码轮的形态正在发生实质性变化。 文档里反复出现的一类题，与传统 LeetCode 明显不同： · “实现一个内存 KV 存储：先 SET/GET/DELETE，再加事务 BEGIN/COMMIT/ROLLBACK，包括嵌套事务”（OpenAI、xAI 都问） · “给你一个 LLM 推理引擎的调度器类，其中一个方法是空壳，没有规格没有文档。说说你头三十分钟干什么”（xAI） “重构这 120 行能跑但很乱的代码，不许破坏测试”（OpenAI） · “对 5 万个文档跑 LLM 调用，API 限 100 并发、偶发 429 和超时，把 Python 写出来”（Anthropic） 考察重心从算法记忆转向增量需求下的代码演进能力、并发正确性、真实工程约束下的取舍。 3. “AI 协作轮”作为新题型已经进入正式面试流程。 这是文档里最前沿的信号： · Anthropic 部分机器学习岗有 AI-collaboration 轮：现场给你 Claude，考察的是你如何指挥它和验证它的产出，而不是你自己写。 · Meta 2026 年的流程新增三阶段 AI 辅助编码轮（探索修复 → 实现新功能 → 扩展改进）。 · Cursor 的 onsite 是两天在真实 Cursor 代码库上做一个功能（或 8 小时远程版），明确考核你对 AI 工具的使用效率和自主 scoping 能力。 · Sierra 给你两小时和任意 AI 工具，看你选择做什么。 xAI 有四小时限时产品构建。 4. FDE 成为一级岗位类别。 Anthropic、OpenAI、Databricks、Scale、Together、Sierra、Harvey、ElevenLabs、Palantir 的章节里都有 "Applied and Forward-Deployed Scenarios" 专属题库——典型题目如“企业客户说 Claude 幻觉太多，你是驻场工程师，头 48 小时做什么”。这对应了 AI 公司向企业交付方式的转变：模型能力差距收窄后，落地能力成为差异化。 5. 硬核系统题的普及。 "H100 上 70B 模型 batch size 1 的 roofline 计算"、"估算 70B 模型的 GPU 显存（权重 + KV cache + 激活 + 碎片）"、"p99 延迟在部署后翻倍但模型没变，走一遍诊断”——这类题横跨 NVIDIA、Together、OpenAI、Perplexity 等多家，说明推理性能的量化直觉已成为 AI 工程师的通用素养，而非基础设施工程师的专属。