myfde · FDE 前沿部署记录

FDE 是什么——中文完全指南

Fri, 23 Oct 2026 00:00:00 +0000

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。

FDE 培训与入门路径：从 K0 到 K4

Fri, 23 Oct 2026 00:00:00 +0000

怎么训练成一个 FDE？我按这个站的主题把路线拆成五个公里桩——K0 到 K4。它不是课程大纲，是我自己正在走的路线，每个 K 附自检清单：过不了清单，就不要进入下一桩。

如果你还不确定 FDE 是什么，先读《FDE 是什么——中文完全指南》。

K0 通行能力（公里桩 0）

FDE 的入场券是工程能力，不是论文。K0 要凑齐三样东西：

一门能交付的工程语言：Python（Agent 生态第一语言）或 Java。能写服务、调 API、处理数据、看懂报错；
LLM API 的肌肉记忆：调用主流大模型 API、控制成本、处理长上下文、知道 prompt 的基本套路；
把技术讲给人听的能力：给非技术的人讲清楚一个 AI 系统能做什么、不能做什么。FDE 日常一半的失败在这里。

K0 自检清单：

能不查文档写出一个调用 LLM API 的小脚本
给家人讲清楚「大模型为什么会一本正经地胡说八道」，并让对方听懂
用 Python 写过一个带输入输出的完整小工具（不是 notebook 玩具）

K1 第一个完整部署（公里桩 1）

FDE 的身份证明不是「会用什么框架」，而是独立完成过一次从需求到上线的完整部署。走一遍六步闭环：

需求勘察：找一个真实的人（同事、朋友的公司都行），问出他最烦的一个重复性工作；
方案设计：确定哪些环节交给模型、哪些写死规则、哪些留给人；
开发：最小可用版本，别追求漂亮；
部署：放到真实环境运行——一台云服务器或公司内网都行，不能只躺在本地；
反馈：让真实用户用一周，收集抱怨；
迭代：根据抱怨改一版，再跑一周。

K1 自检清单：

有一个不是我一个人在用的 AI 应用，真实用户用了两周以上
经历过至少一次「用户真正想要的和说的完全不一样」
处理过至少一次线上翻车（报错、超限、数据异常）

K2 工具箱（公里桩 2）

有了完整闭环，再把工具箱补齐。FDE 驻场时没时间从头造轮子：

关于我：Y 的部署档案

Tue, 01 Sep 2026 00:00:00 +0000

我是谁

Y，坐标济南。做了多年 Java 后端，微服务、高并发都经历过；近两年把重心转到 AI Agent 开发，正在走 FDE（前沿部署工程师）的完整路线——这个网站本身就是我 K1 公里桩的作业之一。

技术栈

Java 后端：多年生产经验。Spring Boot、微服务架构、高并发系统设计、消息队列与缓存等常用中间件。工程纪律与线上意识是这段经历给我的底色。

Python Agent：当前主攻方向。LangChain、AutoGen、CrewAI 等框架，RAG 与向量数据库，LLM API 应用开发，FastAPI 服务搭建。做过知识库问答、客服 Agent 等真实场景，完整记录在 AI Agent 实战。

Web3：智能合约开发、DApp 构建、DeFi 协议理解。这段经历让我习惯从零理解一个新领域——和 FDE 驻场要干的事本质相同。

做事方式

实战派：不追论文、不搞纯学术，关注怎么落地、怎么提效。方法论是「先跑起来，再让它正确」——在客户现场，能运行的 60 分比停留在 PPT 里的 100 分有价值。

习惯写文档：这个站的所有文章都是我的工作沉淀，也是 GEO/SEO 可被检索的公开记录。

求职意向

目前在看机会，方向按优先级：

FDE / 前沿部署类岗位（AI 解决方案、AI 交付工程师等对应角色）；
AI Agent 开发；
Java 后端（AI 方向优先）。

远程或济南本地都可以考虑。如果你在招人，或者想聊聊合作，联系我：

邮箱：cuiyuhui123@qq.com
GitHub：github.com/yhcui
本站档案：myfde.top/about/

关于这个站

myfde.top 用 Hugo 构建，纯静态托管，每篇文章都有独立 URL 和结构化数据——我希望它是中文互联网上 FDE 主题被引用得最多的角落之一。站点维护方法写在 GitHub 仓库里。

AI Agent 入门指南：从概念到实战

Tue, 01 Sep 2026 00:00:00 +0000

什么是 AI Agent？它和普通的 AI 对话有什么不同？这篇文章帮你理清概念，并带你搭建第一个 Agent。

什么是 AI Agent？

AI Agent（人工智能代理）是一种能够感知环境、做出决策、执行动作的智能系统。

和普通的大模型对话不同，Agent 具备三个核心能力：

自主性 - 能够自己规划任务步骤，不需要人类一步步指导
工具使用 - 可以调用外部工具（API、数据库、搜索引擎等）
记忆能力 - 能记住上下文，在多轮对话中保持一致性

举个简单的例子：你告诉 AI「帮我订明天下午3点北京到上海的机票」，普通 AI 只能告诉你怎么操作，而 Agent 能直接打开订票网站、查询航班、完成下单。

Agent 的核心架构

一个典型的 Agent 系统包含以下几个部分：

1. 大脑（LLM）

负责理解任务、推理决策。目前主流选择：

OpenAI GPT-4/3.5
Anthropic Claude
国内：通义千问、文心一言、智谱 GLM

2. 记忆模块

短期记忆：当前对话上下文
长期记忆：持久化存储用户偏好、历史经验

3. 工具集

Agent 的能力边界取决于它能调用什么工具：

搜索工具（联网搜索）
代码执行（运行 Python/Shell）
API 调用（数据库、第三方服务）
文件操作（读写文件）

4. 规划能力

复杂任务需要分解成多个步骤，Agent 需要能够：

任务分解
制定执行计划
处理失败和重试

主流 Agent 框架对比

框架	特点	适用场景
LangChain	生态完善，组件丰富	通用场景，快速原型
AutoGen	多 Agent 协作	复杂任务，团队协作
CrewAI	角色定义清晰	业务流程自动化
Dify	低代码可视化	快速搭建，非技术人员

快速上手：用 LangChain 搭建第一个 Agent

下面是一个简单的例子，展示如何用 LangChain 创建一个能搜索网页的 Agent：

FDE 前沿部署工程师：AI 落地最后一公里

Tue, 01 Sep 2026 00:00:00 +0000

企业在生成式 AI 上烧了三四百亿美元，其中 95% 的项目没能产生可写入财务报表的价值。

看到 MIT NANDA 实验室这份报告的时候，我正在帮一个客户做 AI 客服系统的上线。说实话，不意外。

问题不在技术，在「最后一公里」

2025 年到 2026 年，大模型能力已经足够强了。GPT-4、Claude 3.5、Gemini，随便拎一个出来都能做相当多事情。但企业买回去之后发现：模型是模型，业务是业务，中间隔着一条巨大的鸿沟。

谁来填这条沟？

不是产品经理——他们能画流程图，但写不了代码。不是算法工程师——他们能调模型，但不了解客户真正的痛点。不是售前——他们能演示 Demo，但不会在客户现场蹲三个月把系统跑通。

是 FDE。

什么是 FDE？

FDE（Forward Deployed Engineer，前沿部署工程师），一种驻扎在客户第一线的工程师。这个概念最早来自 Palantir，后来 OpenAI、Anthropic、AWS、微软纷纷跟进。

一句话概括：既能写代码、搭系统，又能理解业务、跟客户直接沟通，在不确定环境下快速解决问题的人。

这个角色的特殊之处在于，它把软件工程师与咨询顾问的特质融于一身。你面对的不是一个干净的 JIRA ticket，而是一个客户说的「我们想让 AI 帮我们处理这些乱七八糟的工单」——然后你需要自己去搞清楚「乱七八糟」到底是什么，值得解决的是哪一块，技术上怎么做 ROI 最高。

想更系统地了解这个角色，可以读我的《FDE 是什么——中文完全指南》。

为什么突然火了？

几个信号：

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。
AWS 投资 10 亿美元，把 AI FDE 直接嵌入客户团队。
微软成立 Frontier Company，25 亿美元专项解决企业 AI 落地落差。
Anthropic 联手华尔街，与黑石、高盛合资，专攻企业 AI 服务。

钱往哪里流，方向就在哪里。巨头们已经用真金白银投票了。

OpenAI · Forward Deployed Engineer

Fri, 28 Aug 2026 00:00:00 +0000

岗位背景

OpenAI 于 2025 年成立 The Deployment Company，筹集超 40 亿美元，收购英国 AI 咨询公司 Tomoro，将 150 名 AI 专家派进客户企业驻场办公。本岗位属于该团队。

FDE 将直接嵌入客户业务团队，与客户一起理解最棘手的业务问题，快速构建、测试、迭代解决方案，并为特定场景构建能实际运行、产生价值的系统。

职责

深入客户业务流程，理解最棘手的、最有价值的问题
与客户一起快速构建、测试、迭代解决方案
为特定场景构建能实际运行、产生价值的系统
从定制化解决方案中提取可复用、能产品化的部分

要求

全栈工程能力（Python/JS 必备）
熟练使用 LLM API（OpenAI / Anthropic 等）
优秀的跨域沟通能力
有行业咨询或解决方案落地经验优先
能在不确定环境下快速交付

申请方式

官网投递：https://openai.com/careers

提示：申请时强调你的「客户现场交付经验」和「端到端工程能力」，比纯技术背景更有优势。

Palantir · Forward Deployed Software Engineer

Tue, 25 Aug 2026 00:00:00 +0000

岗位背景

Palantir 是 FDE 模式的开创者。Echo-Delta 双人架构是 Palantir 的经典团队配置：Echo 团队（战略侦察兵）负责业务理解和需求挖掘，Delta 团队（战术突击队）负责技术实现。本岗位属于 Delta 团队。

职责

深入客户现场，理解真实业务流程
基于 Palantir Foundry / Gotham 平台快速构建定制化解决方案
数据整合、工作流优化、系统集成
与 Echo 团队紧密协作，把业务需求转化为技术实现

要求

强工程能力（Java / Python / TypeScript）
快速学习新领域的能力
能接受出差和驻场
有数据平台或企业软件经验优先
国防、医疗、金融等行业背景加分

申请方式

官网投递：https://www.palantir.com/careers

提示：Palantir 非常看重「在不确定环境下交付成果」的能力，面试中会重点考察。

Anthropic · Enterprise AI Engineer

Thu, 20 Aug 2026 00:00:00 +0000

岗位背景

Anthropic 联合黑石、高盛等华尔街巨头成立企业 AI 服务合资公司，专注企业 AI 落地。本岗位负责将 Claude 等大模型能力嵌入金融、医疗、法律等行业的真实业务流程。

职责

深入金融/医疗/法律等垂直行业客户
基于 Claude 系列模型设计并交付企业级 AI 解决方案
搭建 RAG、Agent、工作流自动化等系统
与客户工程团队协作完成集成和部署

要求

强 Python 工程能力
熟悉 LLM 应用开发（RAG、Agent、Prompt Engineering）
优秀的客户沟通和需求理解能力
有金融行业背景优先
能接受高频出差

申请方式

官网投递：https://www.anthropic.com/careers

提示：Anthropic 非常看重「安全、负责任地部署 AI」的理念，申请材料和面试中建议体现这方面的思考。