FDE(Forward Deployed Engineer)を目指すとき、最初に迷うのは何を勉強すればいいかです。
職種の説明は「顧客の現場に入って作る」でおおむね共通していますが、使う道具は会社や職種によって書き方が違います。
そこで、2026年10月24日時点で各社が公開している FDE 系の求人票を取り出し、言語・データ・LLM・インフラの欄に何が書いてあるかを照らし合わせました。
読んだのは Palantir・OpenAI・Anthropic の募集に、Cohere・Ramp・Scale AI を加えた6社・14件です。
求人票は書き換わるので、ここに書く中身はすべてこの日付の時点のものです。
私も FDE を学んでいる途中で、ここにあるのは求人票の文面を並べて整理した内容になります。
言語の欄は「例示」と「指定」で書き方が分かれる
Palantir の Forward Deployed Software Engineer(以下 FDSE・ニューヨーク)は、必須条件に Python・Java・C++・TypeScript/JavaScript などで確かなコードを書けることを挙げています。
列挙の最後には「or similar」と添えられていて、これらの言語は例として並んでいます。
同じ Palantir でも、職種が変わると並ぶ言語が変わります。
インフラを専門にする Forward Deployed Infrastructure Engineer(以下 FDIE・米国政府・ニューヨーク)は、Java・Go・Python・JavaScript を挙げ、評価する点の欄には Bash も入れていました。
複合現実の部隊の FDSE は「使う技術」の欄を設け、バックエンドは Java・Go・Rust、フロントエンドは TypeScript と書いたうえで、Unity と Android の開発ツールまで名指ししています。
ドローンなどの自律システムを現場の機器で動かす FDSE(Edge Autonomous Systems)の必須条件は、Python・Rust・C++・Java のどれかへの高い習熟でした。
一方で Anthropic の FDE(ロンドン)は、Python の習熟を求め、TypeScript や Java などの追加の言語は「できれば」の扱いにしています。
Cohere の FDE(Agentic Platform・米国)も、本番品質のソフトウェアを Python で作って届けた経験を最初に置いていました。
Scale AI の公共部門の FDSE は、Python と TypeScript(あるいは同等の言語)の両方での本番のコーディングを必須にしています。
目を引いたのは OpenAI の Forward Deployed Software Engineer(サンフランシスコ)で、求める経験の欄に言語の名前が一つも出てきません。
書かれているのは、7年以上のフルスタック開発の経験と、Postgres や MySQL のようなリレーショナルデータベースの経験でした。
同じ OpenAI でも東京の FDE は、Python や JavaScript などでフロントエンドとバックエンドの本番品質のコードを書き、レビューできることを挙げています。
今回読んだ求人票のうち、言語の名前を挙げたものにはすべて Python が入っていました。
二つ目の言語は職種で分かれ、画面まで作る職種では TypeScript/JavaScript、インフラや機器に近い職種では Go・Rust・C++ が挙がっています。
参考: Palantir「Forward Deployed Software Engineer」(ニューヨーク)
参考: Palantir「Forward Deployed Engineer – Mixed Reality」
参考: OpenAI「Forward Deployed Software Engineer – SF」
データの欄はSQLと処理の流れが中心になる
Palantir の FDSE は、評価する点として、大規模なデータを使って事業の問題に取り組んだ経験か、それへの好奇心を挙げています。
顧客サクセスの部門に置かれる Forward Deployed Enablement Engineer は、言語やデータ処理の枠組みの例として Python・SQL・Spark を並べていました。
生成AIを受け持つ Forward Deployed AI Engineer が求めるのは、生成AIとデータ処理のパイプライン、高度な分析の道具で本番の解決を届ける姿勢です。
Scale AI の FDSE の歓迎条件には、ETL のパイプライン・データモデリング・データガバナンスを含むデータエンジニアリングの経歴が入っています。
Ramp の Software Engineer, Forward Deployed AI Solutions は、API・システム連携・データパイプライン・顧客のシステム・クラウド基盤をまたいで働けることを求めていました。
一方で、Airflow や dbt、Snowflake のようなデータ基盤の製品名を挙げた求人は、今回読んだ14件の中にありません。
データの欄で名前が出た道具は、SQL・Spark と、先に触れた OpenAI の Postgres・MySQL だけでした。
求人票から読めるのは、SQL でデータを引けることと、顧客のシステムからデータを取り出して流れを組めることが前提になっている、というところまでです。
顧客のシステムからデータをどう取り出すかは、別の記事で整理しています。
参考: Palantir「Forward Deployed Enablement Engineer – Customer Success」(ニューヨーク)
参考: Ramp「Software Engineer, Forward Deployed AI Solutions」
LLMの欄は作った経験と評価が並んで書かれる
Palantir の Forward Deployed AI Engineer(ニューヨーク)は、LLM で解決策を作った経験と、生成AIの全体像への深い理解を必須にしています。
同じ欄には、機械学習の基礎として評価・学習・問題の分解の三つが挙がっていました。
Anthropic の FDE が求める LLM の本番経験は、高度なプロンプトエンジニアリング・エージェント開発・評価の枠組み・大規模な展開の四つです。
Cohere の FDE はもう一段具体的で、RAG とエージェントのアプリを作って展開した経験に、ReAct や Plan-and-Execute といった型の名前まで添えています。
最先端のモデル・ベクトルデータベース・オーケストレーションの枠組みを、まとめて「LLM のスタック」と呼んでいるのもこの求人票でした。
さらに、試行錯誤で済ませずに、エージェントの精度・安全性・応答速度を測る評価の枠組みを作れることも求めています。
Ramp の AI Solutions の求人も、RAG・エージェント・監視・評価を含む LLM システムを作った経験を挙げていました。
LLM の経験を条件に挙げた Palantir・Anthropic(ロンドン)・Cohere・Ramp の求人は、どれも作った経験と同じ欄に評価を書いています。
モデルを呼べることと、出来を測れることが、一組で求められていると読めます。
Anthropic の Staff Forward Deployed Engineer の求人には、学ぶ側にとって手がかりになる一文があります。
エージェントを本番に出した経験は必須ではなく、要るのは本番のシステムを作って運用してきた深い経験と、エージェントに実際に触れた経験だと書かれていました。
個人の開発や試作もその経験に数える、と明記されています。
同じ求人票は、AI のコーディングツールを日常的に使い、出てきたものをレビューして舵を取る判断も求めていました。
Scale AI の FDSE では、LLM や生成モデルで動くシステムの経験は歓迎条件の側に置かれています。
評価のデータを顧客の現場でどう作るかは、次の記事にまとめました。
参考: Palantir「Forward Deployed AI Engineer」(ニューヨーク)
参考: Anthropic「Staff Forward Deployed Engineer」
参考: Cohere「Forward Deployed Engineer, Agentic Platform」
インフラの欄は専門の職種ほど具体的になる
Palantir の FDIE は、観測の道具とサービスのログを使って複雑なシステムの障害を一人で切り分けられることを、評価する点の最初に置いています。
続けて、負荷分散・監視・分散システム・構成管理のような大規模な本番の技術に慣れていることが挙がっていました。
Cohere のインフラ専門の FDE(公共部門・オタワ)は、さらに道具の名前まで書いています。
本番の Kubernetes クラスタを管理した経験と Helm の専門性、CI/CD と Git、Azure・AWS・GCP のクラウド基盤とネットワークと仮想化が並びます。
仕事の中身も、Cohere の製品をプライベートクラウドやオンプレミスの環境へ、計画から展開まで受け持つことでした。
開発寄りの求人では、同じ道具が歓迎条件の側に回ります。
Scale AI の FDSE は、クラウド(AWS・Azure・GCP のどれか)、コンテナ、Linux、ネットワークの基礎を必須に置き、Kubernetes と Docker、Terraform は歓迎条件に入れていました。
Ramp の AI Solutions の求人も、クラウドについては AWS・GCP・Azure のいずれかでの設計の経験と、分散システムの型を求める書き方です。
クラウドは「どれか一つ」で書かれることが多く、特定のクラウドだけを指定した求人は今回の14件にありませんでした。
現場の機器に近い FDSE(Edge Autonomous Systems)では、ネットワーク、Linux/GNU、CI/CD、スクリプトと自動化の道具、エッジとネットワークの機器との統合が必須に並びます。
政府向けの環境へ届け続ける話と、OpenAI の政府向け FDSE の求人票に書かれた道具は、別の記事で扱いました。
参考: Palantir「Forward Deployed Infrastructure Engineer – US Government」(ニューヨーク)
参考: Cohere「Forward Deployed Engineer, Infrastructure Specialist (Public Sector)」
参考: Scale AI「Forward Deployed Software Engineer, Public Sector」
参考: Palantir「Forward Deployed Software Engineer – Edge Autonomous Systems」
14件の求人を一枚に並べる
ここまでの中身を、求人ごとに一つの表へまとめます。
空欄は、その求人票の応募条件と評価する点の欄に該当する記述が無かったことを表します。
| 求人 | 言語 | データ | LLM | インフラ |
|---|---|---|---|---|
| Palantir FDSE | Python・Java・C++・TS/JS など | 大規模データ | クラウド基盤(評価する点) | |
| Palantir FD AI Engineer | Python・Java・C++・TS/JS など | データ処理のパイプライン | 構築経験・評価・学習 | |
| Palantir FDIE | Java・Go・Python・JS・Bash | 監視・負荷分散・構成管理 | ||
| Palantir FDSE(複合現実) | Java・Go・Rust・TS・Python・C# など | 大規模データ | ビルドの道具(Gradle・CircleCI・GitHub) | |
| Palantir FDSE(Edge) | Python・Rust・C++・Java | Linux・ネットワーク・CI/CD | ||
| Palantir FD Enablement Engineer | Python・SQL・Spark・Java など | SQL・Spark | ||
| OpenAI FDSE(SF) | 名指しなし(フルスタック) | Postgres・MySQL | ||
| OpenAI FDE(東京) | Python・JavaScript など | 構築・展開の経験 | ||
| Anthropic FDE(ロンドン) | Python(+TS・Java など) | プロンプト・エージェント・評価・展開 | ||
| Anthropic Staff FDE | Python(+TS・Java など) | エージェントの経験・AI コーディングツール | ||
| Cohere FDE(Agentic Platform) | Python | RAG・エージェント・評価 | ||
| Cohere FDE(Infrastructure) | Kubernetes・Helm・CI/CD・3 社のクラウド | |||
| Ramp FD AI Solutions | Python・TS/JS・Java・Go など(一つ以上) | API・データパイプライン | RAG・エージェント・監視・評価 | AWS・GCP・Azure のいずれか |
| Scale AI FDSE(公共部門) | Python と TypeScript(または同等) | ETL・データモデリング(歓迎) | LLM の経験(歓迎) | クラウド・コンテナ・Linux(必須)、Kubernetes・Docker・Terraform(歓迎) |
表にすると、道具の名前が具体的に並ぶのはインフラの欄で、データの欄は14件のうち半分が空欄です。
求人票を学習計画に変えるときの落とし穴
求人票を勉強の順番に置き換えるときに、読み落としやすいところが三つあります。
「or similar」の列挙を全部そろえようとする
Palantir の言語の列挙は「or similar」で終わり、Ramp の AI Solutions の求人も「少なくとも一つ」と書いています。
並んだ言語を全部そろえる前提で計画を組むと、求人票が求めている以上の量を抱えることになります。
仕事の欄に出てくる製品の名前を見落とす
Palantir の FDIE は、Foundry と Apollo の上でインフラの課題を解くことを仕事の欄に書いています。
Enablement Engineer の仕事の欄にも、Foundry と AIP を使って作ることが入っていました。
Cohere のインフラ専門職が展開するのも、自社の製品である North です。
こうした自社の基盤の名前は応募条件の欄には出てこないので、条件だけを読むと毎日触る道具が見えません。
コードの外の成果物を道具立てから外してしまう
Ramp の AI Solutions の求人は、作るものとして設計の文書を具体的に挙げています。
システムの全体像とデータの流れの図、Ramp と顧客のシステムの連携計画、権限と監査の設計、評価の計画、監視と障害対応の運用計画の五つです。
Anthropic の Staff FDE の求人も、セキュリティや調達の関門を先に見越すことと、顧客が自分で運用できるシステムを引き渡すことを責務に入れていました。
言語やクラウドの名前だけを道具立てと見ると、こうした文書を書く力が計画から抜け落ちます。
求人票の肩書きの違いそのものの読み方は、こちらの記事にまとめています。
最後に
6社14件の FDE 系の求人票を並べると、言語は Python を軸に職種で二つ目が分かれ、データは SQL と処理の流れ、LLM は作った経験と評価の組み合わせ、インフラは専門の職種ほど道具の名前が具体的になる、という形が見えてきました。
個別の製品名が少ないぶん、求人票は道具の名前より、どの層の仕事を受け持ってきたかを問う書き方になっています。
勉強の順番を決めるときは、目指す職種の求人票を開いて、言語・データ・LLM・インフラの四つの欄に何が書いてあるかを自分で照らし合わせてみてください。
以上です。















コメントを残す