为什么 FDE 能拿50万美元

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

我认识的一个团队花了数月时间构建一个将改变他们公司的AI系统。

他们严格按照手册操作。最新的模型。强大的工程师。每个博客文章中的每个最佳实践。内部演示很美。领导层鼓掌。然后他们将其指向真实用户和真实数据，大约一周后就崩溃了。

模型没问题。模型从来不是问题所在。

这是应该让你困扰的数字。2025年底MIT对约300个公开企业AI项目的研究发现，大约**95%**没有对损益产生可衡量的影响。不是因为模型弱。模型有效。部署无效。

几乎每个死亡的AI项目都死在"它在演示中有效"和"它能在现实世界中存活"之间的差距中。这个差距与模型有多聪明关系不大。它与你将模型放入的环境完全相关。提示、代码库、工具、护栏、循环。线束。

这是值得你下午的要点：擅长线束的工程师现在是AI领域薪资最高的职位。这个角色叫做前方部署工程师（FDE），总薪酬从Palantir中位数的约21.5万美元到前沿实验室的78.5万美元以上。

这不是一篇理论文章。到最后，你将围绕真实项目构建真实的线束，将工作文件复制到自己的仓库中，并有一个分阶段的路线图，带你从"我使用AI编码"到"我可以通过FDE循环"。让我们开始构建。

1、我们在构建什么：一个自我改进的代码审查代理

我们将在这整篇文章中构建一样东西：一个自动化代码审查代理，它生活在你的仓库中，对传入的工作进行分类，审查拉取请求，并随时间自我改进。

我特意选择了这个。它足够小可以完成，足够有用可以保留，它触及了每个重要的线束技能：清洁环境设计、代理编排、评估和人工检查点。它也是FDE在客户混乱基础设施中部署的内容的微型版本。

2、预步骤：删除一切并观察裸代理工作

在添加任何东西之前，先拿走一切。

大多数人已经将他们的编码代理埋在太多技能、插件、MCP服务器和臃肿的配置文件中，以至于他们不知道裸模型实际上能做什么。这些指令中的每一个也会泄漏到上下文窗口中，并悄悄地对每次调用征税。

所以重置。在项目的临时副本中，执行此操作：

# 备份，然后清除代理的指令层
mv CLAUDE.md CLAUDE.md.bak 2>/dev/null
mv .agent/skills .agent/skills.bak 2>/dev/null
# 在客户端配置中禁用任何MCP服务器，然后运行真实任务

现在给裸代理一个来自积压的真实任务并观察。它在哪里迷失了？它假设了什么？它在零帮助下做对了什么？在看到代理没有线束的情况下工作之前，你无法设计良好的线束。 这十分钟的练习将比任何博客文章（包括这篇）教你更多关于你的设置的知识。

现在做： 重置一个项目，运行一个真实任务，写下代理挣扎的三个地方。那三个地方就是你的线束积压。

3、步骤1：模型是引擎，你拥有汽车的其余部分

快速框架，因为它使每个后续决策变得明显。

想想一级方程式赛车。每个人都痴迷于引擎。但引擎只是一个部分。底盘、空气动力学、调校、司机，所有这些决定了谁获胜。模型是引擎。其他一切都是线束，而线束是你实际控制的部分。

你无法让模型更聪明。你等待实验室。但你完全控制你将其放入的环境。大多数人将所有精力投入到无法移动的变量上，而忽略可以移动的变量。

这之所以与金钱相关：战术编程，即实际的代码编写，现在由AI比你做得更好更便宜。你的价值上升到了战略层面。范围界定、接口、架构、决定构建什么。线束是战略工作所在的地方。

AI现在拥有这个（战术）：

• 编写代码
• 修复语法、小错误
• 样板代码和连接
• 初稿实现

你拥有这个（战略）：

• 界定问题
• 设计接口
• 架构和权衡
• 决定构建什么

4、步骤2：为代理设计，而不仅仅是人类

我们花了十年时间在DX（开发者体验）上：代码库对人类有多好。有一个没有人命名的兄弟：AX，代理体验。 代码库对代理有多好。

这不是品牌重塑。这是钱隐藏的地方。当人们问如何削减他们的令牌支出时，他们期望一个提示技巧。真正的答案很无聊：让你的代码库更容易更改。 一个具有清晰入口点和文档化接口的干净仓库意味着代理停止徘徊、猜测并对着墙壁燃烧令牌。

应该改变你工作方式的回报：如果你的架构足够好，你可以运行更便宜、更小的模型并仍然获得很好的结果。 良好的护栏完成了额外智能本来要做的工作。用混乱的仓库束缚代理，你将需要昂贵的前沿模型才能恢复到基线。

这是最高杠杆的AX工件：一个紧凑的、有范围的指令文件。不是你在步骤0中删除的臃肿600行文件。这个。

# CLAUDE.md  (保持在约40行以下)

## 这个仓库是什么
一个代码审查代理服务。Python，FastAPI。入口点：src/main.py

## 东西在哪里
- 代理和提示：src/agents/, prompts/
- 测试：tests/  (运行：pytest -q)
- 永远不触碰：migrations/, infra/

## 我们在这里如何工作
- 小PR。每个PR一个关注点。
- 每个更改都需要测试。没有测试，不合并。
- 优先编辑现有模块而不是创建新模块。

## 护栏
- 永远不要在测试中调用外部网络。
- 标记，不要修复auth/或billing/中的任何内容。人工审查那些。

这个文件比任何模型升级都更有价值。它告诉代理在哪里查找、避免什么以及你如何定义"完成"，这正是你在步骤0中看到它徘徊的地方。

写一个CLAUDE.md/Agent.md 使用上面的模板为你的运行示例。保持简短。简短是技能。

5、步骤3：握住方向盘（程序，而非自动驾驶）

你可以给代理两种"技能"，区别决定了谁在控制。

能力是模型在任务中自行调用的东西。有用，但你添加的每个能力都会将其描述泄漏到上下文中，并将更多你的判断交给模型。程序是你故意调用的东西，以使代理现在以某种方式行事。我更喜欢程序。我想握住方向盘。

这是值得为我们审查代理偷取的程序。它在编写单行代码之前将模型变成对抗性采访者。四句话。异常有效。

# 技能：grill-me
调用时，不要开始实现。
一次一个问题地采访我关于任务。
揭示我未考虑的边缘情况、风险和决策。
继续直到我们达成共识，然后总结计划。

在任何非平凡更改之前运行此操作，你将用真实规范替换模糊提示。这是本文中最低成本的质量升级，它只花费你几分钟被你自己的工具质疑的时间。

现在做： 将grill-me保存为程序技能，然后在允许模型编码之前，在审查代理中的下一个功能上调用它。

6、步骤4：设计循环，然后用队列包装它

这是大多数人两个方向之一出错的地方。一些人听到"代理循环"，想象一个永远运行的代理，并将其视为销售令牌的炒作。另一些人走向相反方向，让代理在没有验证的情况下无人值守地 churn，然后当它自信地发布垃圾时感到惊讶。两者都错过了实际的纪律，而这个纪律现在有了名字。

循环工程是故意设计那个周期的学科，而不是逐轮照看代理。你给它一个目标和停止条件，周期带着工作运行：查看当前状态，决定下一步行动，执行它，根据目标判断结果，然后再次运行，直到工作完成或某事阻止它。

这有助于看到它在进展中的位置，因为这些是嵌套层，而不是竞争潮流：

• 提示工程： 正确获取一条消息。
• 上下文工程： 在模型回答之前，策划进入模型窗口的内容。
• 线束工程： 塑造它在其中工作的整个环境。你在步骤0到3中做到了这一点。
• 循环工程： 设计带它到目标的重复周期。那就是这个步骤。

这个想法可以追溯到普林斯顿大学和谷歌的ReAct模式，其中交错推理跟踪与动作，然后观察结果使模型的行为与只回答一次的模型完全不同。观察为下一个决策提供信息，所以当意外返回时，代理会推理原因，而不是盲目重试。那个封闭的反馈通道是整个重点。单个长提示必须在第一次尝试时正确获取所有内容。循环可以在完成之前出错、注意并自我纠正。 这就是为什么循环在任何结果实际上可以检查的任务上获胜，而编码正是如此：编写、运行测试、阅读失败、修复、重新运行。

没有停止条件的循环不是自主性，而是失控的账单。 你构建的每个循环都需要三件事，否则它不是工程化的，只是运行：清晰的目标、评估步骤中的真实验证以及明确的停止原因。

队列是你如何在仍然握住方向盘的情况下运行许多那些循环。积压、添加的任务、拾取的任务、多个代理并行，以及每个阶段的人工检查点，随着信任增长你将其向右滑动。循环给你可靠性。队列给你控制和规模。你两者都想要。

7、步骤5：当代理发现错误时，构建锁

这是将拉开差距的人与其他人区分开来的心态转变。

当强大的模型发现没有人注意到的深层错误时，业余反应是"哇，模型是魔法，发布它。"正确的反应是一个问题：为什么这个错误在我的代码中存在这么久而未被发现？

如果有人一直偷你的自行车，答案是锁，而不是更好的侦探。所以你构建循环。一个廉价模型按计划运行，每天检查仓库的一片区域以查找那类错误。你不需要昂贵的前沿模型来做这件事。你需要系统。

8、每个步骤之前的步骤：这甚至需要AI吗？

到目前为止的一切都假设一个问题的答案是肯定的。这是那个问题，你应该在构建任何东西之前问它：这个问题实际上根本需要AI吗？

我知道这在关于构建代理的文章中听起来如何。但世界上最快的线束是你永远不必构建的那个。今天很多被包装在代理中的东西是cron作业、正则表达式、数据库查询或穿着戏服的五十行脚本。向这些添加模型不会让它们变得更好。它使它们更慢、更昂贵、更难以预测，并且更难调试，它给你一个具有确定性答案的问题的非确定性答案。

所以首先运行结果测试。忘记工具并命名你实际想要的结果。然后问产生该结果的最简单方法是什么。如果脚本、过滤器或查找表可以让你达到目标，就发布它。你今天就能完成，每次运行成本为零，并且每次都会给出相同的答案。

9、你刚刚构建了50万美元工作的微型版本

退后一步看看你做了什么。你设计了环境（线束工程），界定了工作，构建了运行有界观察-推理-行动-评估周期的代理（循环工程），通过队列编排它们并设置人工检查点，并添加了自我改进的审计。现代堆栈的每一层，在一个小仓库中。

现在将其从一个仓库扩展到整个公司，将AI部署到混乱的、高风险的真实世界基础设施中。这项工作有名字和薪水。前方部署工程师。

这个角色始于Palantir，那里的嵌入式工程师，最初昵称为"Deltas"，生活在客户的世界中，并在客户的第一线发布生产代码，而不是写报告。多年来，行业称其为昂贵的咨询。然后实验室阅读了Palantir的结果。2026年第一季度，Palantir报告了约85%的同比收入增长，嵌入模式获得了功劳。

为什么爆炸？顶部的95%数字。AI的瓶颈不再是模型能力，而变成了部署。 FDE是修复部署的角色。与你的审查代理相同的教训，只是在公司高度：他们不修复模型，他们修复它周围的一切。

10、为什么这给资深人士最高薪酬

AI放大判断力，而不是打字。

这是关于这个时代谁赢的令人不安的真相，也是上面薪酬表看起来那样的整个原因。

AI是一个乘数，而乘数作用于你已经带来的东西。将这些工具交给理解系统、设计、架构和权衡的人，他们的输出会爆炸，因为他们现在做出的每个决策都会立即在一群不知疲倦的代理中执行。将同样的工具交给仍然学习什么是干净接口或为什么边界重要的人，你会得到适度的提升和很多自信的错误代码，发布速度比任何人审查的速度都快。

AI吃掉了打字，即初级人员传统上花费多年磨练的部分。它没有触及的是上面的层：知道十种可能的设计中哪种能在生产中存活，发现六个月内会腐烂的接口，在编写一行代码之前感觉到需求悄然矛盾。那些不是打字技能。它们是判断技能，而判断力正是AI放大而不是取代的东西。

稀缺资源不再是人手，而变成了判断力。

11、三连胜：很少在一个人身上的三种技能

这些工程师的薪酬很高，因为他们很稀缺。这项工作处于三种技能的交集，几乎没有人同时拥有这三种。

• 生产工程。 你能在压力下发布和调试真实代码，而不仅仅是白板它吗？
• LLM和系统流利度。 你能推理提示、编排、循环和评估工程、RAG，以及模型在生产中如何失败吗？
• 客户判断力。 你能从压力大的高管那里接受一个模糊的、可怕的简报，将其转化为计划，然后冷静地向他们解释吗？

大多数强大的候选人拥有一角，也许两角。第三角是困难的那个，正是你练习构建审查代理时的战略性、线束优先思维。如果你一直在悄悄地连接代理并设计它们运行的环境，你比你想象的更接近中心。

12、路线图：从这里到FDE准备就绪的四个阶段

下面的所有内容都映射到你在这篇文章中已经接触过的内容。现在它有阶段和退出标准，所以你实际上可以走下去。

阶段1（第1-2周）：发布一个线束和一个循环。 在真实仓库上从步骤0到5构建审查代理。编写CLAUDE.md、grill-me程序、队列和具有明确停止条件的有界观察-推理-行动-评估循环。退出标准： 代理自动审查你的PR，其循环自行停止，并且你已将至少一个人工检查点向右推动。

阶段2（第3-5周）：一起学习评估和循环工程。 这些是2026年FDE列表中命名的两种技能，它们是相同的本能：永远不要让循环在未验证的输出上继续。构建一个小型评估套件，在生产之前捕获幻觉和回归，然后将其连接到循环的评估步骤，以便糟糕的结果停止周期而不是馈送下一个。从十个你的代理必须始终正确获取的黄金案例开始，并在每次更改上运行它们。退出标准： 失败的评估阻止合并并停止代理的循环。

阶段3（第6-8周）：编排多个代理。 在审查代理之前添加分类代理。让分类将问题标记为琐碎、需要人工或自动实现，并相应路由。退出标准： 问题从报告流向有界任务到实现到审查，而你无需触及中间。

阶段4（持续）：关闭产品循环并磨练沟通。 你发现的每个部署模式都应该反馈到系统的构建方式中。并且练习大多数工程师跳过的角落：向忙碌的、非技术的、有点害怕的人解释复杂的系统。FDE面试将沟通和客户同理心与编码同等重视。退出标准： 你可以在两分钟内向非工程师演示你的线束并让他们理解为什么它重要。

13、没人告诉你的部分

拿到50万美元的人并不比你更了解模型。

他们更擅长其他人忽略的部分。环境。部署。令人眼花缭乱的演示和能够存活的系统之间的混乱差距。他们停止盯着引擎，开始构建汽车的其余部分，然后他们在别人的车库里以此为生。

模型会自行变得更好。你无需为此动一根手指。线束只有在你构建时才会变得更好。 这是你的杠杆、你的护城河，而且越来越多地是你的薪水。

所以问题从来不是接下来使用哪个模型。而是你打算用真正属于你的那一半构建什么。你现在有了文件、步骤和路线图。去发布阶段1。

原文链接: Why FDEs Get Paid $500K (and It Has Nothing to Do With the Model)

汇智网翻译整理，转载请标明出处