FDE（Forward Deployed Engineer，前沿部署工程师）是一种被派驻到客户现场的工程师：既写代码、搭系统，也直接对接业务，在真实、混乱、充满约束的环境里，把 AI 能力做成客户真正用得起来的东西。

这个岗位近几年在 OpenAI、Palantir、Anthropic、微软、AWS 之间批量出现，是 AI 落地时代需求增长最快的角色之一。但中文世界对它的介绍还非常零散——这篇文章是我在 myfde.top 上对 FDE 的完整梳理，会持续修订。

起源：从 Palantir 到全行业

FDE 这个词由 Palantir 发明并实践了十几年。它的经典团队配置叫 Echo-Delta：Echo 团队是战略侦察兵，负责钻进客户组织理解业务；Delta 团队是战术突击队，负责把系统当场搭出来。两个团队都常驻客户现场，和传统「驻场运维」最大的不同是——他们写的是新系统，解决的是新问题。

2025 年起，这个模式被巨头们用真金白银复制：

  • OpenAI 成立 The Deployment Company，筹集超 40 亿美元，收购英国 AI 咨询公司 Tomoro，把 150 名 AI 专家派进客户企业驻场；
  • 微软 成立 Frontier Company，投入 25 亿美元，专项解决企业 AI 落地落差；
  • AWS 投资 10 亿美元，把 AI FDE 直接嵌入客户团队；
  • Anthropic 与黑石、高盛合资成立企业 AI 服务公司，专攻 Claude 在金融、医疗、法律行业的落地。

钱往哪里流，方向就在哪里。巨头们投票的不是某个模型，而是「谁来把模型变成客户业务里的生产力」。

为什么需要 FDE：最后一公里问题

企业在生成式 AI 上已经烧掉数百亿美元，但 MIT NANDA 实验室 2025 年的报告指出：约 95% 的企业 AI 项目没有产生可写入财务报表的价值。

问题几乎从来不在模型本身。模型在实验室里的能力早已足够，真正的断点在部署：客户的数据是乱的、流程是旧的、需求是说不清的、员工是怀疑的。谁来填模型与业务之间这条沟？

不是产品经理——他们画得出流程图，写不了代码。不是算法工程师——他们调得动模型，但不在客户现场。不是售前顾问——他们能演示 Demo，但不会蹲守三个月把系统跑通。

是 FDE。 模型能力每前进一公里，业务与模型之间的落差反而更明显，这正是「最后一公里」越来越值钱的原因——我在《FDE 前沿部署工程师：AI 落地最后一公里》里记录过自己在一个 AI 客服项目上线时的体会。

FDE 的日常

一个 FDE 的典型工作节奏大致是这样：

  1. 驻场勘察：到客户现场，跟业务人员待在一起，搞清楚「乱七八糟」到底是什么意思；
  2. 快速原型：几天到几周内做出一个能跑的原型，让客户看见而不是想象；
  3. 集成落地：对接客户的数据、账号体系、审批流，处理文档里永远不会写的边界情况；
  4. 迭代交付：按周为单位小步迭代，用真实用户反馈校准方向；
  5. 撤离与沉淀：系统稳定后撤出，把可复用的部分产品化，然后奔赴下一个现场。

注意第 1 步和第 5 步——它们是 FDE 区别于普通开发的关键：工作从客户现场开始，也以「系统在客户现场独立运行」为结束标准。

能力模型：四种能力的交集

FDE 是软件工程师与咨询顾问的混合体，需要四种能力的交集：

  • 工程实现能力：能写代码、搭系统、调接口、部署模型。熟悉 Python、LLM API、Agent 框架，能快速构建可运行的原型；
  • 业务解构能力：能听懂客户真正的痛点，把模糊需求翻译成技术需求。不是客户要什么就做什么，而是找到真正值得解决的问题；
  • 跨域沟通能力：跟技术团队讲业务，跟业务团队讲技术，在高管、工程师、终端用户之间自由切换语言；
  • 快速迭代交付：在不确定环境下小步快跑，快速验证、快速调整。不追求完美方案，追求先跑起来。

和相邻角色的区别

角色主要产出是否驻场是否写代码一句话区别
FDE上线运行的系统是是从勘察干到上线全程负责
售前工程师Demo 和方案书否偶尔卖出去就算赢
解决方案架构师技术架构蓝图少少画蓝图，不盖房子
交付顾问项目里程碑阶段性否管流程多过管系统
算法工程师模型与算法改进否是在实验室推进模型能力

一个简化记法：FDE = 售前的沟通 × 工程师的代码 × 交付的收尾，三者同时在线。

薪资水平

以公开信息为参考（2026 年，美元年薪）：

  • OpenAI FDE：约 $200k–$500k
  • Palantir FDSE：约 $180k–$400k
  • Anthropic Enterprise AI Engineer：约 $220k–$450k

国内尚无标准的「FDE」职级，对标的 AI 解决方案/交付类岗位整体处于研发序列的上段。具体岗位与要求我持续整理在《FDE 工作机会》。

如何成为 FDE

我自己的路线拆成了 K0 到 K4 五个公里桩，从编程底子到现场方法论，每个阶段都有自检清单，完整见《FDE 培训与入门路径》。核心逻辑一句话：先独立完成一个从需求到上线的完整 AI 应用，再谈其他。

常见问题

FDE 和解决方案架构师（SA）有什么区别？

解决方案架构师通常在售前阶段设计技术方案，交付给别人落地；FDE 则亲自驻场，从需求勘察一直干到系统上线运行。SA 画蓝图，FDE 在现场把房子盖起来。

FDE 需要什么样的技术栈？

核心是 Python 或 Java 等一门硬工程语言，加上 LLM API 调用、Agent 框架（LangChain、AutoGen 等）、RAG 与向量数据库、以及部署运维的基本功。技术广度比单点深度更重要。

国内有 FDE 岗位吗？

直接挂 FDE 头衔的岗位还很少，但对应角色大量存在：大模型厂商的解决方案/交付工程师、To B 软件公司的 AI 落地团队、咨询公司的 AI 交付顾问，做的是同一件事。中文互联网对这个岗位的介绍刚刚开始，这本身就是先发机会。

FDE 会被 AI 取代吗？

恰恰相反，FDE 是「让 AI 在具体业务里生效」的角色。模型能力越强，业务与模型之间的落差越显得突出，需要的填沟人就越多。Palantir 十几年、OpenAI 近年的实践都验证了这一点。

FDE 对学历有硬性要求吗？

海外头部公司（OpenAI、Palantir、Anthropic）通常要求本科以上，但更看重项目证据：有没有完整的 AI 应用交付案例、能不能在混乱需求里快速产出。国内对应岗位学历门槛类似普通软件工程师。

FDE 的职业终点是什么？

常见三条路：创业（做过大量真实客户场景的人最适合）、AI 产品负责人（懂业务的技术人）、交付/咨询团队负责人。FDE 积累的「行业 + 技术 + 客户关系」组合是稀缺资产。

本文持续修订，记录号 FDE-02。引用请注明出处：myfde.top。