FDE 只是驻场工程师吗？
Bob McGrew——Palantir 早期的产品工程负责人，后来成为 OpenAI 的 CRO，也是 FDE 模式的架构师之一，给出了清晰的定义。
AI模型价格对比 | AI工具导航 | ONNX模型库 | Vibe Coding教程 | PLC在线仿真器 | Tripo 3D | Meshy AI | ElevenLabs | KlingAI | ArtSpace | Phot.AI | InVideo
2025年4月：美国有643个Forward Deployed Engineer职位。
2026年4月：5,330个。
增长了729%。在一年之内。
OpenAI 创建了一个完全独立的"部署公司"来扩展这一职能。Anthropic 开出的起薪为20万-30万美元，并在全球9个城市招聘。Google Cloud 的CEO公开宣布大规模招聘 FDE——并将面试流程压缩到仅2天以加快速度。
这不是典型的就业市场波动。这是一个信号：AI 行业已经集体认识到瓶颈不是模型能力，而是部署。而 FDE 就是答案。
1、什么是 Forward Deployed Engineer？
Bob McGrew——Palantir 早期的产品工程负责人，后来成为 OpenAI 的 CRO，也是 FDE 模式的架构师之一——给出了清晰的定义：
"Forward Deployed Engineer 通常是驻扎在客户现场的技术人员，负责填补产品功能与客户需求之间的差距。"
三个不可妥协的要素：
- 驻场，而非远程。 不是季度访问，不是异步沟通。实际上是嵌入客户的日常运营中。
- 填补产品与现实之间的差距。 不是销售标准产品。而是解决"我们的 AI 能做什么"和"这个特定客户实际需要什么"之间的一切。
- 交付可运行的软件。 不是幻灯片，不是建议报告。而是在生产环境中运行的代码。
这不是传统的软件工程师，不是售前工程师，不是顾问。而是三者的结合——AI 时代正在大规模需要的一种新原型。
2、这个角色并不新鲜。那为什么现在爆发了？
FDE 模式自 2009 年起就存在于 Palantir。
Palantir 当时在为中情局（CIA）、国家安全局（NSA）及相关机构构建情报分析软件。致命的问题：每个情报客户的工作流程都略有不同。反恐分析师和反扩散分析师做的事情完全不同。标准化产品行不通。
CTO Shyam Shankar 的解决方案：不要构建通用产品。构建一个深度可定制的平台，然后将你最好的工程师直接部署到客户现场——在现场理解需求、编写代码并交付。
Bob McGrew 用一个令人难忘的比喻来描述这个策略："碎石路 vs. 铺装公路。"
FDE 在客户现场铺设碎石路——粗糙但功能性强，解决即时问题。总部的产品团队铺设铺装公路——他们观察多条碎石路的模式，并将其抽象为适用于许多客户的能力。
关键洞察：碎石路不是可丢弃的工作。它们是产品发现在行动。Palantir 最有价值的资产——Ontology（"对象+属性+链接"的通用数据模型）——就是 FDE 在客户现场发现问题，带回总部，并促使产品团队构建更通用解决方案时发现的。
那么为什么现在到处都是？ 四股力量正在同时汇聚：
1. 智能正在成为商品。 GPT-4、Claude 和 Gemini 之间的能力差距正在缩小。API 价格持续下降。"谁有更好的模型"每个季度都在变得越来越不是护城河。真正稀缺的是知道在哪里以及如何部署这些智能。FDE 的收入比同公司同类工程师高出 30-50%——市场在说部署专业知识比模型专业知识更有价值。
2. AI Agent 是一个未定义的品类。 传统 SaaS 有已知的产品模板：发现 Siebel CRM 不好，就构建 Salesforce。产品形态是已知的；执行是变量。AI Agent 没有模板。Agent 是聊天机器人？自主流程？嵌入现有系统中的插件？一种新的操作系统？没有人知道——唯一找到答案的方法是深入实际的客户工作流程去发现。
3. 能力正在超越采用速度。 McGrew 这样描述：你坐在 Waymo 里，你没有在想"天哪，没有司机"。你在想"唉，堵车"。AI 越强大，就越让人感觉平凡。问题从来不是"模型够不够强大？"一直都是"它能不能真正融入我们的工作方式？"这最后一英里的部署就是 FDE 发挥作用的地方。
4. Token 经济学改变了成本结构。 传统 SaaS 的边际成本接近零：服务第 10,000 个客户的成本与服务第一个基本相同。AI Agent 不是这样——每次运行都消耗 token，每次 LLM 调用都有推理成本。FDE 必须做出实时优化决策：这个任务用 Opus 还是 Haiku？5 行 Python 代码能否完全替代这个 LLM 调用？我们能否缓存这个提示？这些决策需要身处客户的实际环境中才能正确做出。
3、FDE 一周到底在做什么
来自 Perspective AI 对 1,500 名活跃 FDE 的调查：
- 47% 在客户现场（访谈、部署、设计评审）
- 31% 编写或审查代码
- 22% 内部协调和研究综合
工作遵循三个连续阶段：
审计。 与新客户共处两周——从收入运营到采购再到财务。核心产出是一系列判断：什么交给 agent，什么硬编码，什么保留人工？框架是：变量输入+基于规则的工作流（邮件、PDF、图片）→ 使用 agent。可预测的规则和输入 → 编写代码，更快更便宜。需要模式识别和领域专业知识 → 保留人工。以一个可运行的演示结束。
评估。 构建一个评估框架来证明 AI 确实在工作。不只是"最终答案正确吗？"——而是将人类解决问题的过程分解为步骤并对每一步打分。构建一个包含 20+ 真实查询及手工标注完美答案的黄金数据集。这就是获得高管支持的方式。每家公司都说他们想要 AI。大多数高管私下对它是否真的适用于他们的具体情况持怀疑态度。一个严格的评估框架才能赢得他们的信任。
部署。 不要尝试大规模迁移。在现有系统之上构建 API 层，而不是替换数据库。直接在客户基础设施中构建安全沙箱。从最小的自主单元开始——首先是只读数据访问，然后是工单创建，然后是代码提交。通过在每个层级展示正确性来赢得更多自主权。
4、这个角色适合谁（以及不适合谁）
在 Palantir 的实践中，FDE 工作分为两种画像：
Delta（部署工程师）： 快速交付原型。不在乎第一版是否被完全抛弃。更像创始工程师而非资深工程师。McGrew 对不适合的人很直接："典型的适合这个角色的人的反面是那些喜欢确保他们的抽象是完美的、代码可以维护12年的人——因为这不是这份工作。"如果"我们可能会从头重写"这句话让你焦虑，Delta 大概不适合你。
Echo（嵌入式分析师）： 深厚的领域背景——退伍军人、医疗、物流、金融。必须是其领域的"叛逆者或异端"：看到当前实践的严重不足，并真心相信 AI 能带来 3-10 倍的改进的人。如果你走进客户现场想"这些工作流程看起来挺合理的"，Echo 不适合你。
三种自然过渡的背景：
- 顾问/产品经理——已经知道如何将数据转化为投资回报。差距是工程深度。通过构建 agent、RAG 管道、评估框架和 MCP 集成来填补。让作品集来说话。
- 软件工程师——扎实的技术基础。差距是商业沟通。你需要将"AI 能做和不能做什么"翻译成能让非技术VP在做 200 万美元决策时能理解的语言。
- 创始人/早期创业公司老手——最自然的契合。FDE 需要创始人所做的一切：在模糊中找到方向、快速原型、商业判断。这种背景可以直接转移。
5、30天快速提升计划
这是一个你可以立即开始的具体训练计划：
第1周：Agent 循环
阅读 Anthropic 的 Building Effective Agents。构建你的第一个 prompt → model → response → next step 循环。添加工具调用（API 集成+网络搜索）。构建护栏：输入验证、最大步数限制、输出过滤。构建一个捕获每次 prompt、工具调用和响应的审计日志。
第2周：结构化输出+生产差距
掌握结构化输出（JSON 模式——这是真实部署的基础）。研究从演示到生产的失败模式。大多数 agent 项目死在这里。构建检查点机制，使 agent 能在崩溃后恢复状态。
第3周：可靠性+成本优化
添加重试逻辑和指数退避。优化成本：将简单任务路由到更便宜的模型，缓存频繁提示，跟踪每次调用成本。构建你的黄金数据集——20 个真实查询及手工标注的完美答案。理解多 agent 编排模式。
第4周：商业沟通+作品集
回顾你构建的一切。练习口头解释。每个技术决策都需要商业理由——在你完成之前，你应该能够向非技术高管准确阐明每个架构选择的成本和它解决的业务问题。
"你的作品集和你表达它的能力是决定性因素。构建 agent、RAG 管道、评估框架、MCP 集成——但最重要的是，能够自信地向非技术决策者解释每个决策背后的商业价值。"
6、你需要听到的反直觉警告
Bob McGrew 在 FDE Playbook 播客访谈中最令人难忘的部分不是关于 FDE 有多好。而是这个：
"如果你在的业务中 FDE 模式对你有效，那很好。不要做 FDE 策略。你得到了一份惊人的礼物。 如果你有机会只是扩展规模，对所有客户一视同仁，那就去做。"
"我对考虑尝试 FDE 策略的人的第一、第二和第三条建议是：不要在家里尝试。 如果你能避免它，它可能对你是不好的。你可能最终会变成做服务。"
如果你能构建一个适用于所有客户的标准化产品——那就构建 SaaS。扩展它。那是更好的商业模式。不要打破行之有效的模式。
FDE 模式只有在三个条件同时为真时才是正确答案：没有现有产品可替换+高度异质的客户需求+合同价值足以支持驻场团队。Palantir 在 2009 年三个条件都满足了。当前的 AI Agent 市场今天三个条件都满足了。这不是巧合——是市场结构迫使的策略。
最大的陷阱：FDE 演变成咨询。每个新客户都从头开始，没有经验被抽象回产品。到那时你就是在用更好的头衔做咨询。真正的 FDE 模式是每次客户部署都建造一段新的铺装公路。
7、核心要点
对 FDE 的需求以每年 800% 的速度增长。供给以 50% 的速度增长。这个差距是真实的且在扩大。
这个角色存在是因为必须有人做 AI 部署的最后一英里。它不会被自动化取代——它就是自动化工作。能够弥合 AI 能力和实际商业效用的人确实稀缺，市场正在正确定价这种稀缺性。
"外面有大量的机会——看看这些能力是什么，但要问的是，让它们真正对人们有用需要什么。"——Bob McGrew
如果你想深入了解：从 Anthropic 的 Building Effective Agents 和 Bob McGrew 的 FDE Playbook 播客访谈开始。两者都是理解这项工作实际内容的基础。
原文链接：FDE: The Hottest Engineering Job You’ve Probably Never Heard Of
汇智网翻译整理，转载请标明出处
