加入怡居
過去7年,我司每年平均捐出52%純利作慈善用途,款額動輒以百萬元計,可稱實 至名歸的社會企業。閣下光顧我司,是變相自己做善事!日後請多多光顧為感!
尖沙咀總行 : 2569 2192
太古城華山分行 : 2569 1339
沙田銀禧分行 : 2636 1380
太古城明宮分行 : 2560 3738
沙田第一城專責組 : 2647 1838
杏花邨專責組 : 2898 0007
尖沙咀總行 : 2569 2192
太古城華山分行 : 2569 1339
沙田第一城專責組 : 2647 1838
沙田銀禧分行 : 2636 1380
太古城明宮分行 : 2560 3738
杏花邨專責組 : 2898 0007
   回應 : 0
奇、趣、妙、識
不只“年薪百万”:FDE的机会有多大?坑有多深?
罗辑思维
2026年11月18日

FDE到底是干什么的?

首先,FDE是干什么的?很多人把FDE翻译成“前端部署工程师”,但其实FDE的全称是Forward Deployed Engineer,这里的Forward是一个军事术语,意思是“前线”或者“前沿”,指部署在前线的部队。所以FDE的准确翻译应该是“前线部署工程师”。

意思是,把最有战斗力的人,放在离问题最近的地方。这并不是一个新岗位,涉及的技术也不仅是AI。

这个岗位的定义来自一个叫鲍勃·麦克格鲁的人。他是PayPal早期的工程师,后来是帕兰提尔的早期高管,再后来成了OpenAI的首席研究官。他对FDE的定义是这样的,FDE是一个驻扎在客户现场、填补“产品能做的事”与“客户需要的事”之间鸿沟的工程师。

这个定义里有三个关键词。第一个是“驻扎现场”,说的是工作方式要嵌入客户,进客户的群、读客户的数据、跟着客户开会,但不一定每天坐在客户办公室。第二个是“鸿沟”,这是FDE这个岗位存在的价值,开箱即用的产品不需要FDE,就好比预制菜的程度越高,就越不需要厨师。第三个关键词,是“工程师”,这个人写的必须是能在生产环境里运行的代码,不是PPT里用的图表。

这么说可能有点抽象,举个例子,就好比我是个开服装厂的,我听说AI很火,就买了某家公司的大模型服务。但是,买完之后,我又不知道怎么把这个大模型的功能应用到自己的业务里。而FDE要做的,就是识别出我的问题,然后调动AI公司的资源,帮我设计出一整套使用AI的方法以及辅助工具,让AI能真正帮到我的厂子。

这背后是三个动作,看事儿、摇人儿、出成果。

这个岗位最初是怎么出现的呢?这要追溯到帕兰提尔创办初期。公司最早的业务是给美国情报界做软件,说白了就是给间谍做软件。但问题是,没人认识任何间谍,就算找到一个,对方也不会告诉你他的工作内容。

后来,帕兰提尔的第13号员工,希亚姆·桑卡尔,提出了一个设计,做一个能灵活定制的平台,派工程师驻扎客户现场,把“最后一公里”问题解决掉。

2007年前后,帕兰提尔接到了美国军方的订单,当时,桑卡尔带着一支小队和还很粗糙的产品,驻扎在美国国防部的保密信息室联合办公两周。保密信息室是涉密空间,连免提电话都禁用。于是,桑卡尔用松紧带把电话绑在头上,一只耳朵听分析师提意见,另一只耳朵听硅谷总部说话。为什么不用手拿着电话?因为他要腾出双手敲代码。

后来,帕兰提尔通过这个模式,做出了让美国国防部满意的成果,帕兰提尔也决定,正式把这套工作模式全面推广。这套打法服务了美国国防部、CIA、FBI,然后扩展到商业客户。

这套模式在帕兰提尔内部做了快二十年,其他公司尝试复制,但很少成功。因为这个模式成本很高,派高级工程师长期驻场定制,对大多数行业来说,这笔账都算不过来。

AI让写代码变便宜,却让懂业务的人更值钱

那么,为什么它在今天又火了呢?主要和AI有关。

腾讯研究院前段时间发布过一份关于FDE的报告,报告里有一个判断,AI的到来,同时改变了这套模式背后的三项成本。

第一项,是行业知识从客户现场传回公司的成本。过去FDE回到公司,只能写需求文档,排队等产品团队评估、设计、开发。现在有了AI编程工具,FDE可以在客户现场直接写脚本、搭原型、生成测试用例。原来必须等后方的工作,现在前线就能完成。

第二项,是单个客户定制开发的成本。过去的流程是“理解业务、写需求、排期开发、测试上线”,现在变成“理解业务、抽象语义、生成原型、现场验证”。中间大量的工程执行环节被AI压缩了。

第三项,也是最关键的一项,是复合型人才的供给成本。过去的分工是,懂技术的人不懂业务,懂业务的人不懂代码,中间永远隔着一道墙。但AI工具大幅降低了写代码、画原型、做文档的门槛,让一个业务型的人也能完成大量工程动作,让一个工程型的人也能更好地理解业务。

这三项成本一起下降,才让“派工程师进客户现场、重交付、长陪跑”这种过去很贵的模式,变得更加可行了。FDE不是新职业,是AI让一个这个模式重新变得划算了。

同时,越来越多的公司虽然用上了AI,但并没有通过AI赚到钱,这就让他们对FDE的需求更加迫切。

2025年,麻省理工学院的NANDA实验室发布了一份报告,叫《生成式人工智能的鸿沟》。这份报告测算,过去三年,全球企业在生成式AI上的投入超过了三四百亿美元,但其中95%,没能产生任何能写进财务报表的价值。

这份报告的具体数据有争议,但它指出的困境是真实的。麦肯锡也发现,AI对利润贡献超过5%的企业,大概只有6%。

什么意思呢?所有人都在用AI,但很少有人用AI赚到钱。很明显,这需要有人把AI真正接入公司业务,让AI形成有效的助力。

腾讯研究院把这个现象总结成“八十、九十五、九十九规律”。也就是,从0做到80分很容易,有经验的工程师用通用大模型加简单的提示词,一天就能搭出一个“挺好用”的原型。但从80分做到95分就难了,因为模型在特定场景下会出错,需要大量的优化、标注和测试。从95分做到99分更难,这是企业级场景的“最后一公里”。

为什么上限是99分而不是100分?因为大模型本身是概率系统,永远存在不可见的边缘案例。

而具体到FDE的工作,腾讯研究院的报告用了一个词来描述,叫“双向蒸馏”。意思是,FDE在客户现场干活,会同时做两层知识沉淀。对客户这边,把散落在员工脑子里的业务经验、流程规则、隐性知识,转化成AI能调用的知识库和工作流。对自己公司这边,把行业场景、系统接口、测试方法、失败案例,沉淀为产品能力和行业模板。

这意味着,一个真正跑通的FDE模式,第一个客户的成本会比普通项目制高,因为除了交付系统,还要额外完成知识抽象和验证。但等做到第七、第八个同类客户,行业模板基本稳定,后续交付成本显著下降。

当然,FDE未必是一个人,它也可能是一个团队,企业的业务场景越复杂,需要的FDE团队可能就越大。但是,不管是一个人还是一个团队,FDE普遍需要你具备两种能力,Echo和Delta。Echo是“该做什么”,Delta是“怎么做出来”。

Echo指的是,理解客户业务,判断利润从哪里来,流程卡在哪里,AI要从哪个环节撬动价值。很多时候客户要求的是一个具体功能,但真正需要的是重构某个流程,或者客户想买的是一套工具,但真正缺的是一套基于工具的组织机制,你要学会分辨客户的真实需求。

Delta指的是,快速设计原型、搭建系统、调用模型,并且在真实环境里反复迭代的能力。

换句话说,AI让Delta变便宜,但没有让Echo变便宜。因为当“搭建原型”这种事变得人人可做,瓶颈就不是能不能搭建,而是知不知道该搭建什么。

有人可能会说,既然FDE有很强的陪跑性质,那么等后续流程都搭建好了,FDE是不是就可以退出了?进一步讲,假如所有企业的流程都搭建好了,是不是就不需要FDE这个岗位了呢?

关于这个问题,AI公司Cresta的FDE负责人钟乔夫说,等三五年之后,如果AI平台成熟到小白也能开发生产级Agent,FDE也就该转岗了。说不定不用三五年,三五个月就够了。但正因为没人知道那天什么时候来,当下才要拼命招人。

FDE的高薪,对应着很高的不确定性

最后,假如你对FDE这个岗位感兴趣,那么有这么三个信息,也许值得留意。

第一,会用AI,不等于能做FDE。

要么你有很强的工程能力,能调用模型、处理数据、搭建系统、部署应用;要么你对某个行业有足够深的理解,知道业务流程是怎么运转的。最理想的是两者兼备,只有提示词技巧,没有工程能力,也没有行业经验,是很难胜任这个岗位的。

第二,尽量从自己熟悉的行业切入,而不是从AI工具切入。比如,你过去在制造业工作,就先研究AI能不能改善排产、质检、设备维护。FDE最值钱的地方,是把某个行业里那些别人说不清、做不好的问题解决掉。你可以先选一个具体业务环节,自己动手做一个原型,再拿到真实场景里验证。

第三,找工作的时候,需要看清楚岗位背后的真实职责。

因为现在FDE还没有形成统一的行业标准,有些公司招的可能是能写代码、做系统交付的工程师,有些公司招的可能更接近解决方案顾问、售前工程师,甚至是换了名字的实施工程师。

而且FDE的高薪,往往对应着很高的不确定性。客户的需求可能随时变化,项目可能没有清晰的边界,你既要面对客户,又要协调内部团队,有时候还得亲自下场救火。

如果提供技术的公司没有成熟的产品、足够的技术资源和合理的交付机制,那么所谓的FDE,很可能就会变成一个什么都要管、什么都要解决的救火队员。

换句话说,FDE的关键,不在于它叫什么名字,而是名字背后的能力。AI时代,技术本身会越来越容易获得,但知道该用技术解决什么问题,并且有能力把它真正做出来,仍然是一件稀缺的事,而FDE就是这类能力的一种职业形态。

我要回應
我的稱呼
回應 / 意見
驗証文字