起点：图形学 / 特效渲染 软件开发 目标：MiniMax FDE（Forward Deployed Engineer）团队，方向偏教育 周期：6 个月 文档版本：v1（2026-06）

写在前面

FDE 不是纯算法岗，也不是”高级客服工程师”。你要能两件事同时干：在客户现场独立交付生产代码 + 在会议室里给非技术高管讲清楚 ROI。从图形学转过来跨度不小，但完全可行——工程底子和视觉能力会让你在”AI + 多模态教育”这个交叉口上做出差异化的项目。

我把这 6 个月拆成三段：

  • M1–M2 地基——LLM/AI 基础栈 + 缺的 Web 工程能力
  • M3–M4 核心——Agent / RAG / 评估 / 微调，做”能交付的端到端方案”
  • M5–M6 作品 + 应聘——3 个教育行业落地项目 + 简历 / 内推 / 面试

每周建议投入 20–25 小时（在职 / 在校兼顾）。全职可以压到 4 个月。

1. 必备技能图谱

1.1 必须掌握（Offer-blocking）

Python 高级用法（我已有，重点补 AI 生态）

  • 异步（asyncio）、类型注解、装饰器、上下文管理器
  • FastAPI 必须，能搭生产级 API
  • pytest 必须，FDE 要会写自动化测试

LLM 基础（0 基础 → 实战级）

  • Transformer 原理：不需要能推导，但要能讲清楚 attention / token / context window
  • Prompt 工程：Few-shot / CoT / ReAct / System Prompt 设计
  • 主流模型 API 调用：OpenAI / Anthropic / MiniMax / Mistral
  • Token 成本与上下文管理

Agent 开发（最核心）

  • LangChain / LlamaIndex（至少精通一个）
  • Dify / Coze（低代码平台，至少体验一个）
  • MCP（Model Context Protocol）—— MiniMax JD 明确提到
  • Agent 编排模式：ReAct、Plan-and-Execute、Multi-Agent、A2A

RAG 全链路

  • 文档加载 → 切片 → Embedding → 向量库 → 检索 → 重排 → 生成
  • 向量数据库：Milvus / Qdrant / Chroma（至少一个生产级）
  • 检索优化：BM25 + 稠密检索混合、重排模型

LLM 评估（JD 明确要求）

  • RAGAS 框架
  • 自建评测集（golden set）
  • 准确率 / 召回 / 幻觉率 / 安全性量化

模型微调（基础）

  • LoRA / QLoRA 原理 + 实战（Hugging Face + PEFT）
  • 知道何时该微调、何时该 RAG、何时该换 Prompt

部署与工程化

  • Docker 必须
  • Kubernetes 基础，了解 Pod / Service / Deployment
  • CI/CD（GitHub Actions 起步）
  • 公有云至少熟悉一个（AWS / 阿里云 / 腾讯云）

基础全栈

  • 前端：React 或 Next.js 基础，能搭一个可交互 demo
  • 数据库：PostgreSQL + Redis（基础 SQL + 缓存策略）
  • 消息队列：Celery 或 RabbitMQ，知道异步任务怎么解耦

1.2 加分项（Nice-to-have，能让我差异化）

  • 多模态——这是我的图形学老本行最容易发挥的地方
    • MiniMax Hailuo 视频生成 API
    • MiniMax Speech 语音合成 / 识别
    • 图像理解（VL 模型）
  • AI Coding 工具深度使用（JD 明确提到）
    • Claude Code / Cursor / Codex / Cline
    • 不只是用，要能讲清楚”AI Coding 的上下文管理”原理
  • 3D / 实时渲染 + LLM（极致差异化）
    • Three.js / WebGL / Unity + LLM Agent
    • 可以做”AI 生成的 3D 教学场景”
  • 开源贡献（JD 加分项：1000+ stars）
    • 不一定要 1000 stars，但有持续贡献很重要
  • 教育行业认知
    • K12 / 高教 / 职教 的痛点差异
    • 教学设计基础（5E 教学法、PBL、ADDIE）
    • 国内主要玩家：好未来、作业帮、网易有道、希沃、科大讯飞

2. 分阶段执行计划

阶段一：地基期（M1–M2，8 周）

目标：补齐 LLM 基础 + AI Coding 工具链深度使用 + 工程素养（不是死记 API，而是能在客户生产环境里把代码跑起来）

重要纠偏：M1–M2 的目标不是”学会手写 Web 框架”，而是”在 AI 辅助下建立工程判断力”——你能用 Cursor / Claude Code 写，但写之前能设计好、写之后能 review 到位、出问题能 debug。FDE 不考核你会不会背 React Hooks 顺序，考核你能不能 review AI 生成的 1000 行代码发现 race condition。

M1 第一个月

周主题关键产出推荐资源
W1LLM 基础 + Prompt 工程用 Python 调用 3 家以上 LLM API，写出结构化 Prompt 模板DeepLearning.AI《ChatGPT Prompt Engineering》、Andrej Karpathy GPT 视频
W2Transformer 原理 + 主流模型对比一份 1 页 PDF：“M2.5 / GPT-4o / Claude 3.7 / DeepSeek 能力边界对比”3Blue1Brown GPT 视频、Sebastian Raschka《Build a Large Language Model (From Scratch)》
W3AI Coding 工具深度使用 + 系统设计思维用 Cursor / Claude Code 从零搭一个 TODO API，重点不是写代码而是写需求文档 + Review 生成的代码Cursor 官方教程、Claude Code 文档、Martin Fowler《重构》前 3 章
W4Docker + CI/CD + 部署上云同一 API 容器化 + 部署到阿里云 / 腾讯云 + 配 CI/CDDocker 官方 Get Started、GitHub Actions 文档

W3 的”工程素养”产出物（重点是这 3 个，不是代码本身）：

  1. 需求文档：500–1000 字的 PRD（含功能/非功能需求、约束、边缘 case）—— 这是 AI Coding 工具能写好代码的前提
  2. 架构图 + 选型理由：为什么用 FastAPI 不用 Flask？为什么用 Postgres 不用 Mongo？—— 这是 AI 不会替你做的判断
  3. Code Review 笔记：Cursor 写的代码里你 review 出 3–5 个问题（命名 / 结构 / 边界 case / 安全），并改掉它们—— 这是 FDE 的核心动作

M2 第二个月

周主题关键产出推荐资源
W5LangChain / LlamaIndex 入门（全程 AI Coding 辅助）一个 RAG 问答机器人（基于本地文档），README 里写清楚”为什么选 LangChain / 为什么这种切分策略”LangChain 官方 Quickstart、LangChain Academy 免费课
W6向量数据库 + 检索优化上一周的 RAG 升级到混合检索 + 重排Milvus 官方文档、BGE-M3 中文 Embedding
W7前端快速搭起来（降低投入，AI 优先）给 RAG 机器人加一个 Web UI（Streamlit 优先 / Next.js 次选，能用就行）v0.dev / Bolt.new / shadcn/ui
W8复盘 + MiniMax 产品体验完成 1 份《MiniMax 全家桶能力清单》：M2.5 / M-Text-01 / M-VL-01 / Speech / Hailuo / Agent 各自的接口、入门 demo、典型用例直接到 platform.MiniMax.io 注册体验

M1–M2 周末作业（每周 3 小时）：

  • 读 1 篇 OpenAI / Anthropic 工程博客
  • 在 GitHub 提交 1 个 commit（哪怕是 README 改进）
  • 用 AI Coding 工具做 1 个小任务，复盘”哪里 AI 写得好、哪里 AI 写错了”——这是 FDE 的肌肉记忆
  • 记 1 条学习笔记到本地 Markdown（为后续技术博客打基础）

M1–M2 必建立的核心能力（按重要性排序）

  1. PRD 写作能力（500–1000 字，能让 AI 一次生成可用代码）
  2. Code Review 能力（快速扫 1000 行代码发现 3–5 个真实问题）
  3. 架构判断力（为客户场景选对技术栈 + 解释清楚为什么）
  4. Debug 能力（生产环境出问题时能从日志 / metrics 定位问题）
  5. 系统部署能力（Docker + 云厂商 + CI/CD 跑通）
  6. MCP / Agent 工具链熟练度（这是 AI Coding 的”基础设施”）

不再重要的能力（放下执念）：

  • ❌ 背诵框架 API
  • ❌ 手写复杂的 SQL 查询（AI 写，你 review）
  • ❌ 死记 CSS / HTML 细节
  • ❌ 死记硬背设计模式

阶段二：核心期（M3–M4，8 周）

目标：掌握 Agent / 评估 / 微调 / 多模态，做出”能写进简历”的项目

M3 第三个月（Agent + 评估）

周主题关键产出推荐资源
W9Agent 框架深入用 LangGraph 或 Dify 搭一个多步 Agent（带工具调用、记忆、子任务分解）LangGraph 官方文档、DeepLearning.AI《AI Agents in LangGraph》
W10MCP 协议实战实现一个自定义 MCP Server（让 LLM 调用你自己的工具）MCP 官方文档、《Model Context Protocol 详解》（社区博客）
W11LLM 评估体系用 RAGAS + 自建评测集，对 M2/W9 的项目做完整评估报告（含准确率、幻觉率、Token 成本）RAGAS 官方文档、Braintrust 评估平台
W12多智能体协作实现一个简单的 Multi-Agent 系统（例如：教学 Agent + 评估 Agent + 修订 Agent）AutoGen / CrewAI 官方文档

M4 第四个月（微调 + 多模态 + 第一个教育项目）

周主题关键产出推荐资源
W13LoRA / QLoRA 微调在一个开源小模型（Qwen2.5-7B / Llama-3-8B）上做 LoRA 微调，训练数据用教育领域问答Hugging Face PEFT 文档、Unsloth（提速 5x）
W14语音 + LLM用 MiniMax Speech API + M-Text-01 拼一个语音对话 demo（如 AI 英语口语陪练）MiniMax Speech 文档、Whisper 本地化
W15视频生成 + LLM（我的老本行）用 Hailuo 视频生成 API 做一个”AI 生成教学情境视频”的 demo（如：英语课堂情景剧自动生成）MiniMax Hailuo 文档、Runway / Sora 参考
W16教育项目 1：AI 学科 Agent 助教端到端 MVP：一个能根据错题自动生成讲解、变式题、知识点讲解视频的 Agent Web 应用综合前 12 周所学

M3–M4 周末作业：

  • 写 1 篇技术博客（推荐平台：知乎、掘金、CSDN、X 个人号）
  • 参加 1 次 AI Hackathon（推荐：阿里云天池、ModelScope、智谱 AI 等定期活动）
  • 关注 5 个 FDE 圈内人（X / 即刻），看他们日常做什么

阶段三：作品 + 应聘期（M5–M6，8 周）

目标：3 个教育行业项目 + 简历 / 作品集 + 内推 + 面试

M5 第五个月（密集做项目）

周主题关键产出
W17教育项目 2：智能学情诊断 + 分层作业系统输入：学生作业 + 错题；输出：知识图谱 + 难度分级作业包（Agent + RAG + 评估）
W18教育项目 3：AI 沉浸式学习场景用 Three.js / WebGL + LLM 做”3D 虚拟实验室 + 智能引导”，体现我的图形学背景
W19项目打磨 + 文档每个项目补 README、架构图、效果截图、demo 视频、博客文章
W20作品集网站用 Next.js 做一个 yourname.dev，放 3 个项目 + 博客 + 简历

M6 第六个月（应聘冲刺）

周主题关键产出
W21简历 + 作品集定稿简历 PDF + 作品集网站 + GitHub profile 优化
W22内推 + 投递通过脉脉 / LinkedIn / X 联系 MiniMax FDE 团队成员，至少拿到 1 个内推
W23面试准备LeetCode Medium 30 题（编程面）、系统设计 5 题、AI 概念题清单
W24模拟面试 + 复盘找朋友 / 付费 mock 至少 2 次，针对性补弱

3. 3 个教育行业项目（详细设计）

这 3 个项目是我的核心作品集——目标：让 MiniMax 面试官一眼看出”这人能直接上手做我们教育客户的活”。

项目 1：AI 学科 Agent 助教（M4 末产出）

痛点：老师出分层作业耗时、错题讲解依赖老师时间

方案：

  • 输入：错题文本 / 图片、班级整体学情数据
  • Agent 工作流：
    1. 知识点识别 → 调用 M-Text-01
    2. 错误归因 → RAG 查询校本题库
    3. 生成讲解 → 含文字 + 配图（M-VL-01）+ 语音（M-Speech）
    4. 生成变式题 → 难度梯度（用 RAGAS 自评 + 重生）
  • 技术栈：FastAPI + LangGraph + Milvus + React + MiniMax 全家桶
  • 评估：教师小样本打分（10 个老师评 50 道题），量化”讲解准确率""变式题有效性”

项目 2：智能学情诊断与分层作业系统（M5 中产出）

痛点：K12 阶段”班级授课 + 个体差异”矛盾

方案：

  • 数据流：
    1. 接入校本题库 / 历史作业（CSV/JSON）
    2. 调用 M2.5 做”知识点映射 + 错误归因 + 认知负荷评估”
    3. 生成学生个体化学情图谱
    4. 按 P20/P60/P80 分层推送差异化作业包
  • 差异化亮点：用 Hailuo 自动生成”讲解视频片段”插入作业包
  • 部署：Docker + 阿里云函数计算，对小客户零运维

项目 3：AI 沉浸式 3D 学习场景（M5 末产出）— 我的杀手锏

痛点：传统网课抽象，实验课有安全隐患

方案：

  • 场景：用 Three.js 搭一个 3D 虚拟实验室（化学 / 物理 / 生物任选）
  • AI 能力：
    • 学生用自然语言提问（如”如果把盐酸换成硫酸会怎样”）
    • Agent 解析 → 调用 LLM 推演化学反应 → 控制 3D 场景实时演示
    • 配合语音对话（MiniMax Speech）做”AI 实验室助手”
  • 技术栈：Three.js + WebSocket + FastAPI + LangChain Agent + MiniMax M2.5/Speech
  • 差异化：FDE 团队里只有我能把”图形学 + LLM”打通，这就是我的护城河

4. 面试准备清单

4.1 编程面（LeetCode）

  • 目标：Medium 30 道（数组 / 链表 / 树 / 图 / DP 各 5–6 道）
  • 重点：不要死磕 Hard，FDE 编程面是工程向不是算法向
  • 时间：M6 之前每天 1 题 30 分钟即可

4.2 AI 概念面（必须能讲清楚）

  • Transformer 架构、注意力机制、KV Cache
  • RAG 完整流程、为什么需要 Rerank
  • Agent 主流范式（ReAct、Plan-and-Execute、Reflection）
  • 微调 vs Prompt vs RAG 的选择
  • LLM 评估方法（人工评估 / 自动指标 / LLM-as-a-Judge）
  • 幻觉产生原因、常见缓解手段
  • Token 成本优化（缓存、量化、批处理、模型蒸馏）

4.3 业务场景面（核心杀手）

准备 3–5 个”客户故事”，每个都要 STAR 结构：

  • Situation：客户是谁、痛点是什么
  • Task：你作为 FDE 的目标
  • Action：你怎么拆解、用了什么技术、为什么这样选
  • Result：量化结果（效率提升 X%、成本降低 Y%）

建议用我做的 3 个教育项目改写成故事。提醒：FDE 面试官最爱问”如果客户说效果不好怎么办”——准备好失败案例和反思。

4.4 反向提问（一定要准备 3–5 个）

  • “团队目前教育行业重点做 K12、高教还是职教？”
  • “FDE 在客户现场典型驻场周期是多久？”
  • “MiniMax 内部 FDE 和产品 / 研发的反馈闭环机制是怎样的？”
  • “现在最棘手的技术挑战是什么？“

5. 内推与投递策略

5.1 内推渠道（命中率最高）

  • 脉脉：直接搜 MiniMax FDE，看在职员工发布的内容，私聊表达意向
  • LinkedIn：加 MiniMax 招聘 HR 和 FDE 团队成员（搜 “Forward Deployed Engineer MiniMax”）
  • X / Twitter：MiniMax 团队很多人在 X 上活跃（特别是英文圈）
  • 即刻：国内 AI 工程师密度最高的平台
  • GitHub：给 MiniMax 开源项目提 PR / Issue，自然混脸熟

5.2 投递话术模板（仅供参考）

你好，我是 XXX，目前在 XXX 做图形学 / 特效渲染方向，过去 X 年主要用 C++ / Python 做 XXX。半年内计划转型做 FDE，已经在准备 3 个教育行业 AI 项目（GitHub: xxx），对 MiniMax 在教育方向的布局很感兴趣，想请教几个问题 + 投递 FDE 岗位，期望方向是教育行业。附件是我的简历和作品集（yourname.dev）。

5.3 简历核心原则

  • 一上来就讲清”为什么 FDE”：转型故事比技能列表更重要
  • 量化每个项目：准确率 92%、响应时间 < 2s、节省 30% 备课时间
  • 教育行业关联词高频出现：因材施教、双减、个性化学习、教研、家校沟通
  • GitHub + 博客 + Demo 视频 三个链接必放

6. 时间线速查

月份关键词核心产出怎么判断达标
M1地基：LLM + AI Coding 工程素养用 Cursor/Code/MiniMax Code 写 TODO API + PRD + Review 笔记能写高质量 prompt + 找出 AI 代码里的 5 类 bug
M2地基：RAG + 前端RAG 问答 Web 应用 + MiniMax 体验报告能独立搭一个可用的 RAG 系统
M3核心：Agent + 评估Multi-Agent 项目 + 评估报告能讲清 ReAct/Plan-and-Execute 区别
M4核心：微调 + 多模态AI 学科 Agent 助教 MVP + 1 篇博客作品集网站有 1 个像样的项目
M5冲刺：3 个教育项目3 个端到端 demo + 作品集网站上线作品集能让面试官眼前一亮
M6应聘简历定稿 + 内推 + 模拟面试至少 1 次 MiniMax 面试

7. 关键资源清单

课程

  • DeepLearning.AI 全套短课（免费，质量高）
    • ChatGPT Prompt Engineering
    • AI Agents in LangGraph
    • Building and Evaluating Advanced RAG
    • Multi AI Agent Systems with crewAI
  • 极客时间《AI 大模型之美》（实战向）
  • 黑马 / 尚硅谷 FastAPI + React 全栈课（基础补全栈）

必读书（选 1–2 本精读）

  • 《Hands-On Large Language Models》（O’Reilly，2024）
  • 《Designing Machine Learning Systems》（Chip Huyen）
  • 《AI Engineering》（Chip Huyen，2025，更新）
  • 《Build a Large Language Model (From Scratch)》（Sebastian Raschka）

必关注的信息源

  • X：@swyx、@karpathy、@hwchase17、@jxmnop、@drjimfan
  • 博客：OpenAI Blog、Anthropic Engineering、MiniMax 官方博客
  • 社区：Hugging Face Discord、LangChain Discord、Cursor 论坛
  • 中文：机器之心、量子位、AINLP、PaperWeekly

工具

  • IDE：Cursor（主力）+ Claude Code（备选）
  • Notebook：Jupyter Lab / Marimo
  • 实验追踪：Weights & Biases / MLflow
  • 部署：Modal / Replicate（Serverless GPU 起步）
  • 评测：Braintrust / LangSmith

8. 风险与应对

风险概率怎么应对
LLM 学习曲线陡，3 个月仍写不出可用 Agent中加入学习社群、定期 hackathon 强迫输出
在职 / 在校时间冲突高砍掉次要项，优先做”可展示”的项目
MiniMax 当期不招教育 FDE中同时准备 OpenAI / Anthropic / Palantir 国内岗，FDE 技能相通
项目做出来效果差中接受 MVP 不完美，但要有完整 demo + 反思
面试被卡算法题中提前 2 个月刷题，不打无准备之仗

9. 一个诚恳的提醒

FDE 的核心不是”我会多少技术”，而是”我能不能在客户的混乱里交付价值”。在 6 个月准备过程中，每个项目都要强迫自己站在”客户视角”想一遍：

  • 这个项目如果是给 XX 学校 / 教育公司用，他们会关心什么？
  • 部署成本、数据安全、家长接受度、教师负担——这些”非技术”问题才是 FDE 面试官真正想听的。

把这点内化了，offer 就稳了。

10. 下一步（本周就可以开始）

  1. 今天：注册 MiniMax 开放平台，跑通第一个 API 调用
  2. 本周：安装 Cursor + Claude Code，挑一个 LLM 课程开 1 节
  3. 本周末：列出我过去图形学项目里能迁移到 FDE 的能力（性能优化、跨团队协作、复杂问题拆解），写到这份文档后面作为对照
  4. 下周一开始：按 M1 W1 任务表执行

这份文档会随我的进度更新。建议每 2 周回来勾掉已完成项、补上新的卡点和心得。半年后回头看，会发现跨度没那么大。

下一篇预告：《5–10 个教师访谈后，我把 AI 助教的真实切入点想清楚了》——把”教育行业 0→1 补课”和”AI 时代 FDE 面试新考点”两部分展开写。