一句話說明

FDE 需要同時具備紮實的工程能力、流利的客戶溝通技巧，以及對特定產業的領域知識。

為什麼 FDE 的技能組合特別？

大部分的工程師角色，你只要把程式寫好就行。大部分的業務角色，你只要把客戶關係顧好就行。但 FDE 兩邊都要做，而且兩邊都不能只做到及格。

想像這個場景：你正在一家銀行的會議室裡，對面坐著風控部門的主管和 IT 部門的架構師。風控主管說他們想用 AI 來偵測異常交易，但他講的全是金融術語。IT 架構師則擔心資安合規和系統整合。你需要在這個會議裡：聽懂兩邊的語言、判斷技術上可不可行、提出一個雙方都能接受的方案、然後回去自己動手做出來。

這就是為什麼 FDE 的技能組合被稱為「T 型人才」：橫向要廣（溝通、領域知識、專案管理），縱向要深（程式設計、系統架構、AI 技術）。

技術技能

程式設計

FDE 不需要像演算法工程師那樣刷 LeetCode，但需要能快速寫出可用的程式碼。最常用的語言是 Python，因為 AI 和資料生態系幾乎都建立在 Python 上。SQL 也是必備，因為客戶的資料大多存在關聯式資料庫裡。

除了寫程式，FDE 還需要會讀別人的程式碼。到客戶現場，你可能需要看懂客戶既有系統的程式碼，才能決定怎麼整合。

雲端和基礎架構

現在幾乎所有的 AI 部署都會用到雲端服務。FDE 需要熟悉至少一個主要的雲端平台（AWS、GCP 或 Azure）。具體來說，要會用的東西包括：

運算資源：VM、Container（Docker）、Kubernetes 的基本操作。

儲存服務：物件儲存（S3/GCS）、資料庫（PostgreSQL/MongoDB）、向量資料庫。

網路和安全：VPC、防火牆規則、IAM 權限設定。這在企業客戶的環境裡特別重要，很多時間會花在搞定網路連線和權限問題上。

不是每個客戶都用雲端。有些客戶（特別是金融和政府）堅持用地端部署。FDE 要有能力在這兩種環境都能把系統跑起來。

資料工程

客戶的資料通常不會乖乖地以你想要的格式出現。FDE 需要會做基本的資料工程：

資料擷取：從 API、資料庫、檔案系統把資料拉出來。

資料清理：處理缺值、格式不一致、編碼問題（台灣的資料常常有 Big5 和 UTF-8 混用的狀況）。

資料轉換：把原始資料轉成 AI 系統可以用的格式。例如把 PDF 文件轉成文字、把表格資料標準化。

ETL/ELT pipeline：建立自動化的資料處理流程，不能每次都手動跑。

AI 相關技能

AI 時代的 FDE 除了傳統技術技能，還需要掌握一套 AI 特有的技能。這些是過去五年才變得重要的東西：

LLM 應用開發

會呼叫 LLM 的 API 只是基本。FDE 需要理解不同模型的特性、成本和限制，才能為客戶選擇合適的方案。

模型選擇：什麼場景適合用 GPT-4o、什麼場景用 Claude、什麼場景可以用開源模型（Llama、Mistral）自己部署。考量因素包括成本、延遲、資料隱私、中文能力。

Prompt Engineering：幫客戶設計有效的 prompt 模板，包括 System Prompt 的撰寫、Few-shot 範例的設計、輸出格式的控制。

Function Calling：讓 LLM 和客戶的既有系統互動，例如查資料庫、呼叫內部 API、觸發工作流程。

RAG 系統建置

RAG 可能是 FDE 最常幫客戶建的 AI 應用。完整的 RAG 技能包括：

文件處理和 Chunking：選擇適合客戶文件類型的切割策略。法律文件和技術文件的最佳切法不一樣。

Embedding 模型選擇：評估不同 Embedding 模型對客戶資料的效果，特別是中文內容的處理能力。

向量資料庫 部署：根據資料量和查詢需求選擇適合的向量資料庫（Chroma、Pinecone、Weaviate 等），然後部署到客戶的環境裡。

語意搜尋 調校：調整搜尋參數、混合搜尋策略、re-ranking，讓搜尋結果的品質符合客戶期待。

開發框架：熟悉 LangChain 或類似的 LLM 應用框架，能快速搭建 RAG prototype。

AI 安全

企業客戶對 AI 安全越來越重視。FDE 需要了解：

Prompt Injection 防護：部署的 AI 系統不能被惡意 prompt 操控。

AI Guardrails：設定輸入輸出的過濾規則，防止 AI 產出不當內容。

AI Gateway：建立統一的 AI API 管理層，做存取控制、用量監控和成本管理。

資料隱私：確保客戶的敏感資料不會透過 AI 系統外洩，特別是使用第三方 LLM API 時的資料處理方式。

軟技能

技術能力讓你能做事，軟技能讓你能把事情做到對的地方。對 FDE 來說，軟技能的重要性和技術能力一樣高。

客戶溝通

FDE 每天都在和客戶互動。你需要會做這些事：

翻譯：把技術概念用客戶聽得懂的語言解釋。不是降低內容的深度，而是換一種表達方式。

傾聽：客戶說的問題，和他們真正的問題，常常不是同一件事。FDE 需要有能力從對話中挖出真正的痛點。

管理期望：AI 不是魔法。FDE 要在不打擊客戶熱情的情況下，誠實地說明什麼做得到、什麼做不到、需要多少時間。

簡報：FDE 經常需要向客戶的高階主管做 demo 或進度報告。簡報要簡潔、重點明確、聚焦在商業價值而非技術細節。

問題拆解

客戶通常會給你一個很大的問題：「我們想用 AI 提升效率。」FDE 需要把這個模糊的願望拆解成可執行的步驟：

  1. 哪些流程最適合 AI 介入？
  2. 有哪些資料可以用？品質如何？
  3. 做一個 POC 需要多久？
  4. 成功的衡量標準是什麼？

這種問題拆解能力不是天生的，是靠經驗累積的。做過越多客戶專案，拆解的速度和準確度就越高。

利害關係人管理

企業 AI 專案通常牽涉到多個部門：IT 部門管基礎架構、業務部門出需求、資安部門管合規、高層決定預算。FDE 需要在這些不同的利害關係人之間周旋，讓每個人都覺得這個專案值得做、而且做得下去。

FDE vs SWE vs PM 技能比較

技能面向 FDE 軟體工程師（SWE） 產品經理（PM）
程式設計 高（實用導向） 高（深度導向） 低（看得懂即可）
系統架構 高 高 中
AI/ML 知識 高 視角色而定 中
客戶溝通 高 低 高
簡報能力 高 低 高
領域知識 高 低 中高
專案管理 中高 低 高
產品策略 中 低 高

FDE 的技能分布介於 SWE 和 PM 之間，但在「客戶現場問題解決」這個維度上超越兩者。

領域知識

FDE 不可能對所有產業都很熟，但至少要對自己負責的客戶所在產業有基本理解。在台灣，比較常見的 FDE 服務產業包括：

金融業：要懂基本的金融監理架構（金管會的規範）、反洗錢流程、風險管理的概念。

製造業：要懂基本的生產流程、品管概念、MES/ERP 系統的角色。

醫療業：要懂醫療資訊系統（HIS）的基本架構、電子病歷的格式、醫療資料的隱私規範。

政府：要懂採購流程、資安等級分類、政府雲的規範。

你不需要成為這些產業的專家，但要有足夠的知識和客戶進行有意義的對話，不會每個專業術語都要問客戶是什麼意思。

台灣 FDE 技能的特殊需求

在台灣做 FDE，有幾個和矽谷不同的技能需求：

中文 NLP 處理能力：台灣的企業資料主要是繁體中文，加上中英混用的情況很普遍。FDE 需要知道哪些 Embedding 模型對中文的效果比較好、Tokenizer 對中文的處理差異。

混合部署能力：台灣的金融和政府客戶很多要求地端部署，但又想用雲端的 AI 服務。FDE 要能設計混合架構，把敏感資料留在地端、只把脫敏後的資料送到雲端。

合規知識：台灣的個資法、金融業的 AI 相關規範、政府的資安等級要求，這些 FDE 都需要有基本的了解。

SI 生態系理解：台灣很多 AI 專案是透過系統整合商來執行。FDE 如果在 SI 公司工作，要懂得和上下游廠商協作。

安全考量與限制

FDE 的技能組合有幾個容易被忽略的安全面向：

資安意識是必備技能：FDE 接觸客戶的敏感資料和系統，如果資安意識不夠，可能成為資安破口。基本的安全開發實踐（不把密碼寫在程式碼裡、用環境變數管理 API key、加密傳輸資料）必須內化。

客戶端的合規要求：不同客戶有不同的資安標準。金融業要遵守金管會的 ICT 指引、醫療業要遵守 HIPAA 或台灣的醫療個資規範。FDE 需要在部署前就了解這些限制。

程式碼和知識的隔離：FDE 可能同時服務多個客戶。為 A 客戶寫的程式碼、學到的領域知識，不能未經授權就帶到 B 客戶的專案裡。

技能的有效期限：AI 領域的技術變化很快。半年前的最佳實踐，今天可能已經過時。FDE 需要持續學習，但也要避免盲目追新——客戶要的是穩定可靠的方案，不是最新但未驗證的技術。

學習路徑

如果你想培養 FDE 的技能組合，建議的順序是：

  1. 打好程式基礎：先花 1-2 年在軟體工程上，學會 Python、SQL、Git、基本的系統管理。

  2. 學習雲端和 DevOps：考一張雲端證照（AWS SAA 或 GCP ACE），學會 Docker、基本的 CI/CD。

  3. 補上 AI/ML 知識：不需要從頭學數學和統計，但要理解 LLM 的工作原理、會用 API 做應用、會建 RAG 系統。

  4. 練習溝通和簡報：找機會做技術分享、寫技術文件、向非技術人員解釋你在做什麼。

  5. 累積領域經驗：選一個你有興趣的產業，透過專案或自學深入了解。

  6. 做 side project：自己做一個完整的 AI 應用部署（從資料處理到模型部署到前端），體驗 FDE 日常工作的全貌。

知識檢測

讀完文章後，測試一下你對這個主題的理解。

常見問題

FDE 需要會寫前端嗎？

看情況。FDE 主要做後端和資料相關的工作，但有時候客戶需要一個簡單的介面來和 AI 互動。你不需要精通 React，但會用 Streamlit 或 Gradio 快速搭一個 demo 介面會很加分。在正式的生產環境裡，前端通常會由專門的前端工程師來做。

FDE 需要有碩士或博士學位嗎？

大部分 FDE 職位只要求學士學位。重要的是你的實作能力和溝通能力，不是學歷。不過如果你想進 Palantir 這類公司，他們的面試對解題能力的要求很高，有些候選人會覺得有研究所的訓練比較吃香。

FDE 和 MIS 工程師有什麼不同？

MIS 工程師的重心在維護和管理既有系統，確保公司的 IT 基礎架構穩定運作。FDE 的重心在部署新的解決方案，解決客戶的業務問題。MIS 偏維運，FDE 偏建置。不過在台灣的中小企業裡，這兩個角色有時候會重疊——MIS 也需要去了解業務需求、評估新工具、做系統整合。

不會 AI 可以當 FDE 嗎？

可以。不是所有 FDE 都在做 AI 相關的工作。有些 FDE 專注在資料平台、有些做 DevOps 自動化、有些做企業軟體整合。但從趨勢來看，越來越多客戶的需求和 AI 相關，會 AI 的 FDE 在就業市場上會更有競爭力。

總結

FDE 的技能組合是 T 型的：橫向需要溝通、領域知識和專案管理能力，縱向需要深入的程式設計、系統架構和 AI 技術。在 AI 時代，RAG 系統建置、LLM 應用開發和 AI 安全已經成為 FDE 的核心技能。

培養這些技能不需要一步到位。先從紮實的軟體工程基礎開始，逐步補上 AI 和溝通的能力。最重要的是在實際專案中累積經驗——FDE 的能力很大一部分是在客戶現場磨出來的，光靠看書和線上課程學不到。

準備好了的話，可以看 FDE 的 AI 導入實戰 了解 FDE 在實際專案中怎麼工作。

參考資料