这篇回答准入者最关心的能力门槛问题。

最值得拿走的是对编程要求的三个分层：能搭出可用的端到端系统是底线，能读懂并改造客户现场遗留代码是加分，能做性能与架构级优化通常不是必需。最容易误用的判断是把大厂后端的标准套到 FDE 头上，或者反过来以为「会调 API」就够，两者都会导致选错人或练错方向。

相比「FDE 可以不写代码」的流行说法，本文的增量判断是：AI 编程工具确实降低了起步门槛，但也同步抬高了客户对交付速度的预期，会用工具和不会用的人产出差距被拉得更大，代码能力反而更值钱。另一个值得记录的判断：编程能力的主要用途是缩短「从想法到可验证」的周期，面试官真正筛的就是这个周期有多短，而不是你会多少框架；理解这一点，练习的方向会清晰很多。

读完建议做一件事：用一周时间独立跑通一个含检索和工具调用的最小场景，检验自己的真实水位。

—— FDEChina编辑部 · 实战派

FDE 需要会写代码吗？

需要，而且要能写出「能上生产」的代码。FDE 的交付物是跑在客户业务里的系统，不是原型或 PPT，写代码因此是这个岗位的基本功而非加分项。但要澄清另一头：FDE 的代码要求和资深后端研发不同——你不需要设计百万并发的架构，你需要的是快速搭出端到端可用的系统，并在真实环境里把它调稳。

具体拆开，FDE 的编程能力大致分三层。底层是工程基本功：Python 或 TypeScript 熟练、会用 Git、能写测试、能读懂客户现场的遗留代码并做小步改造。中间层是大模型应用栈：调用模型 API、编排 RAG 检索链路、实现工具调用与 Agent 流程、搭建评测脚本。顶层才是深度优化能力，比如推理性能调优、大规模数据管道，这一层有当然好，但多数场景用不到。完整的能力模型可参考 FDE 能力模型。

有人会问：AI 编程工具这么强，会不会代码能力不再重要？恰恰相反。AI 编程工具降低了从零起步的门槛，让一个 FDE 能顶过去几个人的产出，但客户现场的代码库是真实的、带历史包袱的，读不懂代码的人连给工具下指令都做不到。工具放大的是会写代码的人，替代不了不会的人，这在 FDE 的 AI 工作流里有具体展开。相关工具化实践也可看 AI 编程专题。

常见的误区有两个。一是拿大厂研发的面试标准衡量自己，觉得刷不动算法就不配做 FDE——FDE 考察的重点是工程落地速度与场景判断，见 FDE 面试会考什么。二是以为自己擅长需求分析和沟通就可以绕过代码，现实是客户现场的每一个「小改动」最后都要落在代码上，绕不过去。

一句话结论：会写代码、写得够快、敢对生产负责，这是 FDE 的入场线；写到多深，取决于你面对的场景，而不是某个统一标准。