系统架构

fde-interview-fieldbook：面向前向部署工程师面试的生产实践手册

dataPro-lgtm/fde-interview-fieldbook · Source-backed, production-first FDE interview fieldbook with cases, scorecards, and current role research.

该项目是一个以可溯源资料和实际生产为导向的前向部署工程师（FDE）面试手册，提供角色画像、面试流程与评分说明、发现与拆解方法、系统设计与生产 AI（RAG、Agent、MCP、评估、可观测性、安全、持久执行等）内容、案例集与评分卡、模拟面试和练习工作流，并附有带来源和检查日期的更新流程与版本化研究数据。手册明确声明为独立教育材料，不代表任何雇主官方流程。

你的 agent 有多好，取决于你的基础设施

这篇文章说，你做的 AI agent（能自己动手干活的智能助手）在测试时很好用，比如它审查代码改动时又快又准；但一上线到生产环境，同样的 agent 却会变慢甚至卡住。问题不在 agent 本身，而在于支撑它运行的基础设施：agent 干活要连着调用模型、查数据库、跑测试等多步操作，每步都得等上一步，任何一步慢都会拖累整体；而且它有时等外部系统（出现空档），有时多个任务同时恢复（造成瞬间高峰），让 GPU 和费用都变得很难预测。对读者的用处是：想让 agent 稳定好用，不能只看模型好坏，还得把基础设施按峰值来准备、并做好编排和可靠性设计。文章属于观点分析，没有给出具体的工具、产品名称，也未说明发布时间或实际可用状态。

架构安全且可扩展的人脸验证系统

这篇文章讲的是怎么让大量员工同时刷脸打卡不卡死。原来系统一秒钟要处理三千人的验证请求，同步调用直接把服务器压垮了。作者提出四层架构：先在手机端过滤掉无效照片，省下三成云费用；再把检测和比对拆开，让处理能力扩大十倍；按风险高低动态调整判断标准；还用零信任思路保护隐私，加同意确认和自动删数据，满足 GDPR 和 HIPAA。对读者来说，这提供了一套高并发人脸验证的工程参考，但目前只是文章介绍，没有说已开源或可下载使用。