AI 时代的 FDE 走红:高薪背后,代码之外更多是在解决人的问题

AI 时代的 FDE 走红:高薪背后,代码之外更多是在解决人的问题

N
News Editor
2026-10-04 08:18:12
MarsBit 转引微信公众号“量子位”报道称,Forward Deployed Engineer(FDE,前线部署工程师)正成为 AI 领域最受关注的岗位之一。报道援引招聘数据称,海外公开薪资的 FDE 岗位年薪中位数约 20 万美元,国内多家厂商也已跟进布局。多名从业者在受访时提到,FDE 的核心不只是部署软件或写代码,更包括梳理企业业务本体、推动系统接入、培训员工使用 AI,并在客户现场协调组织与流程问题。

Forward Deployed Engineer,简称 FDE,正在成为 AI 领域最受关注的岗位之一。

AI 时代的 FDE 走红:高薪背后,代码之外更多是在解决人的问题 2

据 MarsBit 转引微信公众号“量子位”报道,这个岗位一边因为薪资走热,一边又因为职责边界模糊而显得神秘。招聘信息显示,不少大厂给出的月薪达到 3 万至 5 万元。FDE Pulse 统计的海外公开薪资数据显示,FDE 岗位基本年薪中位数约为 20 万美元,折合人民币约 134 万元。

FDE 的全称是 Forward Deployed Engineer,中文通常被称为前线部署工程师或前沿部署工程师。按报道中的定义,这类岗位通常直接进入客户现场,一边部署软件,一边解决客户的实际问题。

从硅谷到国内,FDE 概念快速升温

报道提到,FDE 这一概念已经从硅谷扩散到国内市场。

海外方面,Anthropic 宣布投资 1 亿美元,计划在 2027 年底前培训 1 万名 FDE 工程师;OpenAI 也带着 40 亿美元投资成立了专做部署的公司;AWS 则拿出 10 亿美元组建 FDE 部门,并将数千名工程师派到客户身边。

国内厂商也在跟进。Kimi 宣布联合多家 IT 服务商共建 FDE 队伍,腾讯云推出号称行业首个的 FDE 工程师认证,同时招募 FDE 合作伙伴。与此同时,市场上还出现了不少独立开发者,单独接单,为企业做 AI 改造。

不过,派工程师到客户现场并不是新鲜事。部署工程师、实施顾问、解决方案工程师、售后工程师,过去都承担过类似工作,甚至一度被视为“脏活累活”。报道提出的问题是:为什么到了 AI 时代,这个老岗位突然变成了热门职位?

FDE 到底做什么:Echo、Delta 与 Dev 的分工

在经典 FDE 模式里,报道提到两个常见角色:Echo 和 Delta。

其中,Echo 负责理解业务、沟通需求和设计方案;Delta 负责写代码、接数据,把方案真正落地。在前线之外,后方还有 Dev,也就是普通工程师,负责开发标准平台。

报道用一句话概括了 Delta 和 Dev 的区别:Dev 做的是“一个能力,服务很多客户”,Delta 做的是“一个客户,解决很多问题”。

值得注意的是,国内部分 FDE 招聘岗位也开始标注 Echo 或 Delta 方向。报道提到,这种情况至少在两个月前还没有出现。

Ontology 成为前线工作的核心

多名受访者都提到,FDE 的工作很大程度上围绕 Ontology 展开。

AI 时代的 FDE 走红:高薪背后,代码之外更多是在解决人的问题 3

按报道中的解释,Ontology 可以理解为一张能被软件和 AI 调用的“业务地图”:企业里有哪些员工、部门和订单,它们之间如何关联,各自允许执行哪些操作。FDE 的任务,是把分散在不同系统、流程和员工经验里的信息整理进这张地图,再在其上开发应用、解决问题。

当这套模式进入中国市场后,也出现了不同变体。到了 AI 时代,驻场工作的重点也发生了变化:很多企业自己并不清楚 AI 应该用在哪,FDE 需要先帮助客户把问题定义清楚。

零一万物的路径:先梳理企业本体,再沉淀成产品

报道将李开复带队的零一万物视为一个典型案例。

零一万物目前全面转向企业 AI,其路径是先找到企业的一号位,再派前线部署工程师进场,梳理企业的 Ontology,最后沉淀成产品和平台。报道提到,在早期,一个项目需要派出 5 名 FDE 驻场,并配备 5 人的后端团队。

李开复在受访时表示,虽然零一万物的产品已经实现产品化,也采用订阅制,但“它并不是一个即插即用的产品”。他称,建立一家公司的 Ontology 需要 1 至 3 个月,“公司的数据库、角色和流程都要做好,客户才能拿到充分的结果”。

企业内的 FDE:从需求梳理到产品沉淀

报道还采访了多位企业内部的 FDE 从业者,包括 Layla 和 Sonic。

Layla 在一家 SaaS 公司做 FDE,但她的职位名称至今仍是产品经理。她表示,从 2025 年 3 月、4 月开始,自己真正进入客户项目,服务对象多为员工规模过万的上市公司,涉及连锁门店和制造业,一次驻场通常持续 1 至 2 个月。

她回忆,刚开始做这类工作时,还没有人把它叫作 FDE。后来这一模式走红,她深入了解后才发现,自己做的事情和 FDE 基本一致。

按她的描述,工作流程大致分为四步:

  • 先进入客户现场,摸清业务,从采购、市场、财务、IT 等多个角色中梳理出客户真正的需求;
  • 再提出方案,并搭建 demo 做快速验证;
  • 验证通过后,交给公司原有的交付团队上线;
  • 最后把可复用的能力抽象出来,迭代回公司的产品中。

她认为,FDE 在现场获得的观察和经验,最终还是要沉淀到标准产品里。

另一位企业 FDE Sonic 主要负责审核类 AI 项目,例如财税审核和广告物料审核。他表示,从 2025 年起,所在团队就开始研究 FDE 模式。在他看来,FDE 最关键的环节之一就是梳理 Ontology。

他举例说,如果企业想做一个组织管理方向的 AI 助手,就必须先梳理清楚企业有多少部门、部门之间是什么关系;除了关系,还要明确属性,例如一个人的职级和薪资。只有把这些信息抽象成 Agent 能理解的结构,回答才会更准确,而不是“瞎猜”。

AI 时代的 FDE 走红:高薪背后,代码之外更多是在解决人的问题 4

但这一步往往很费劲。Sonic 提到,FDE 经常会遇到上下游历史数据拿不全、老系统没有开放接口等问题,项目也因此难以推进。他认为,这一步无法绕开,“如果质量足够高会很有效,后续交付质量主要取决于前面的 Ontology 质量”。

Layla 和 Sonic 都提到,自己需要长期驻场。Sonic 认为,驻场不只是为了了解需求,还要先和业务方对齐对 AI 的认知,明确什么能做、什么不能做。只有双方处在同一个语境里,后续才谈得上痛点和方案。

并非所有 FDE 都驻场:Baseten 的线上协作模式

不过,驻场并不是所有 FDE 的共同特征。

来自硅谷公司 Baseten 的程天舒在受访时表示,他们公司的 FDE 基本不驻场。Baseten 是一家做 AI 推理云的公司,客户把模型部署在其平台上,公司负责让模型运行得更快、更稳、更省钱。

程天舒称,他们接触的客户几乎都是工程师,需求也比较具体。比如,客户原本调用 OpenAI 的 API,现在想切换到开源模型,就会关心该选哪个模型、如何部署,以及怎样达到预期的速度和成本。

在这种情况下,FDE 会和客户开会,了解技术需求,再搭建 prototype 验证方案。问题可能涉及云基础设施、模型推理优化、训练或产品体验,不同方向由不同专长的 FDE 负责。由于 Baseten 提供的是面向开发者的标准化产品,只负责客户业务中的一段明确链路,定制化程度不高,也不需要深入客户组织内部解决业务问题,因此大部分沟通可以在线上完成。

程天舒说:“我们的产品跟客户自己的业务逻辑耦合度不高。”

独立 FDE 迅速增长:从做系统到做顾问

报道指出,在大厂之外,一批“游击队”式的独立 FDE 正在快速增长。他们不属于任何一家拥有产品的公司,而是自己找客户、自己接单,为企业做 AI 改造。

这也是 AI 带来的变化之一。过去定制一套系统,往往需要一个团队做几个月;现在代码成本大幅下降,一个人也能独立接单并完成交付。

自称“全网第一 FDE”的 Lawted 在受访时把这类从业者称为“土 FDE”。他表示,大厂 FDE 主要是推广自家产品,而“土 FDE”主要面向“土老板”,用 OpenAI 还是 Gemini 都可以,也没有销售任务,“你要什么东西,我就给你什么东西”。

报道还提到一位名叫 Zaniel 的 FDE。他是斯坦福在读博士,从今年 4 月开始独自承接企业 AI 项目。银行、律所、煤化工、月子中心、家政中介、建筑企业,5 个多月里他已经做了几十个项目,而且交付全部由他一人完成。

AI 时代的 FDE 走红:高薪背后,代码之外更多是在解决人的问题 5

更值得注意的是,在做过大量场景后,他的工作重点已经从“为客户开发 AI 系统和工具”,转向“教企业员工如何使用 AI”。

他举了一个银行客户的例子。几名员工每天要从数据系统中导出大量数据,再汇总成几张报表给领导看。最初,他做了一个自动生成器,数据拖进去后即可生成报表。但产品很快就没人用了,因为报表规则每天都在变化,导出的表格格式也不完全一致,写死的程序“用几天就崩溃了”。

后来他发现,客户并不需要一套新软件,而是可以直接教员工把脱敏后的数据交给通用 AI 汇总,再把高频流程整理成 Skill,并接入现有数据系统。这样之后,员工才真正开始使用。

Zaniel 认为,至少在白领工作中,大部分问题靠一个通用 Agent、加上一组 Skill 和对现有系统的连接就能解决,“不需要开发其他新软件”。

另一位独立接单的 FDE 软萌孜神也描述了类似情况。她曾为一家外贸公司做 FDE,与老板讨论如何提高员工的 AI 使用率,最后得出的结论是采购 WorkBuddy 即可。她负责培训员工如何使用 WorkBuddy,并为 WorkBuddy 打通集团内部已有系统。

这些“游击队”式 FDE 在改造企业的过程中发现,很多时候并不需要再做一个全新的产品或系统,他们的业务模式也开始向咨询服务倾斜。

Zaniel 介绍,他与企业合作主要有两种模式:项目制和顾问制,而后者正在变得越来越多。所谓顾问,本质上是教员工如何使用 AI 工具;每当有新工具出现,就帮助企业重新梳理业务如何跟进。如果遇到需求不大的场景,他也会顺手做出来,包含在顾问服务中。他把这种角色称为企业外部的“CAIO”,即首席 AI 官。

社群撮合与 48 小时 demo:FDE 越来越像咨询

Lawted 的业务也在向咨询公司靠近。

他运营着一个名为 HA7CH 的 FDE 社群,通过线下交流会和黑客松,撮合希望进行 AI 改造的企业与独立接单的 FDE 达成合作。流程是,企业先提交需求,他再从报名者中挑选 1 至 2 名候选人。候选人进入企业 48 小时,梳理工作流并做出 demo,如果能打动老板,就当场签单,后续交付由候选人负责。

在办了几期活动后,Lawted 越来越觉得 FDE“非常像咨询”。在他看来,企业往往只知道自己想用 AI,却说不清问题到底在哪里,FDE 需要先进入现场完成诊断,再把方案做出来。

他甚至认为,咨询顾问比程序员更适合转行做 FDE,只需要补上 vibe coding 能力,“vibe coding 其实不难”。

代码只占三成,真正的难点在人

报道在采访多位从业者后给出的一个共同结论是:FDE 的工作里,写代码和做开发所占时间并不多,沟通反而占了大多数。

AI 时代的 FDE 走红:高薪背后,代码之外更多是在解决人的问题 6

多位受访者表示,沟通需求的时间通常占到 70% 以上,开发大约只占 30%。而与客户员工产生摩擦、拿不到接口权限等问题,也大多发生在这一阶段。

软萌孜神提到,在推动 WorkBuddy 接入企业内部系统的过程中,她经常需要和采购、IT、ERP 产品经理以及外部工程师反复沟通。有些系统没有现成接口,还需要推动企业自己开发。一个多月过去,仍有不少 API 没有开放,她说第二天还得继续去找 IT 协调。

不过,她并不认为这是员工故意阻挠。“没有人刻意给你使绊。”在她看来,每个人都有自己的任务,AI 改造在对方那里未必有那么高的优先级。

报道还指出,AI 带来的阻力还有更微妙的一层。过去部署一套软件,很少直接改变谁的位置;AI 不一样,它可能改变一个团队原本的工作方式。

例如,有一家企业想开发一套覆盖几十个业务模块的 AI 系统。Zaniel 估算,自己 3 至 4 个月就能完成,但客户要求他以顾问身份与 IT 团队合作。尽管双方签了保密协议,对方仍不愿开放代码库,却经常让他远程排查问题。

Zaniel 还建议,部分模块直接使用通用 Agent 即可,没有必要全部自研。对此,领导回了一句:“你都用 WorkBuddy 了,那他们干啥呢?”

但他并没有简单把这归结为客户“不配合”。在他看来,客户可能有保密要求、既有供应商关系,也可能只是不同部门各有顾虑。“对于企业,换一种工作方式的代价,常常比换一个工具大得多。”

FDE 和外包的边界:是否能沉淀为产品

另一个被频繁讨论的问题是,FDE 究竟是不是外包。

至少在 Baseten,程天舒给出的答案是否定的。他表示,公司里的 FDE 和普通工程师采用相同的招聘标准和面试流程,同样拿固定薪资和股票,不靠提成。FDE 提供的服务也不单独收费。即使搭出了原型,只要客户最后没有使用 Baseten 的云平台,就不需要付钱。

在 Baseten 看来,FDE 服务于自家产品:帮助客户真正用起来,再把现场反馈带回去改进产品。

Layla 和 Sonic 也认为,把经验沉淀回产品、形成复用能力,是 FDE 与外包的重要区别。

AI 时代的 FDE 走红:高薪背后,代码之外更多是在解决人的问题 7

Layla 说,过去大家区分外包,看的就是它“不会做自己的产品,不会沉淀自己的能力”。她表示,如果自己所在团队也不沉淀能力、不做产品,每个项目都要从 0 到 1 重做,那别人说这是外包,也很难反驳。

Sonic 的说法更直接。他认为,传统外包做不了 FDE,“不信的话可以找外包试试”。

他介绍,团队会把项目中可复用的模块按场景沉淀到一个评测和迭代平台上,再搭建 Skill Hub、Agent Hub,组内 FDE 都在上面做评测和优化。这样一来,在一个垂直领域里,第一个场景从接入到上线大约需要 1 个月;做完之后,后续同类场景可能 1 至 2 天就能接完。

“做得越久,速度越快。”在他看来,速度提升意味着会议更少、沟通成本更低,业务方会觉得整个过程更轻,钱花得值。

代码成本下降后,复用逻辑也在变化

不过,Zaniel 对“复用”这件事提出了不同看法。

通常人们理解的复用,是先做出一套半标准化软件,到了下一家客户,只要调整规则就能直接部署。Zaniel 并不否认 Skill、代码和行业经验可以复用,但他质疑,这些积累究竟能让下一次完整交付便宜多少。

他给出了一组对比:过去做一套企业软件,开发可能要花 90 块,给每家客户适配只要 10 块。软件做一次、卖给很多家,前面的 90 块就能被不断摊薄,这是传统软件公司的商业逻辑。

但在 AI 时代,这个公式变了。现在开发只要 1 块,适配还是 10 块。

例如,给一个客户做了客户管理系统,下一个客户也需要类似系统时,他认为还不如直接重新做一套,因为“AI 现在做一个软件出来太快了”。

当然,代码可以复用,Skill 和行业知识也能积累。但每进入一家新企业,FDE 仍然要重新理解需求、连接系统、处理权限,再推动不同部门接受新的工作方式。这部分投入,并不会随着代码成本下降而同步降低。

报道据此指出,软件越来越容易复制,但这门生意能不能复制,是另一回事。

这个岗位会一直存在吗

在采访最后,报道几乎向每位受访者都提出了同一个问题:FDE 会一直存在吗?

AI 时代的 FDE 走红:高薪背后,代码之外更多是在解决人的问题 8

程天舒认为,FDE 这个岗位的最终目的,“就是要把 FDE 给取消掉”。在他看来,需要 FDE 出手,说明产品和客户需求之间仍有差距;如果产品足够成熟,客户自己就能完成部署,也就不再需要 FDE。

他认为,FDE 更适合产品尚未成熟的早期公司。对于成熟公司而言,这更像是打磨产品过程中的“一个过渡性职能”。不过他也承认,AI 发展太快,“你昨天做的产品,今天就跟不上了”。只要市场还在变化,这种差距就会一直存在,所以这个目标“可以逐渐靠近,但是永远无法抵达”。

Zaniel 的看法则不同。他认为,FDE 要做的事情在 AI 出现之前就一直有人在做,以前叫管理咨询,也叫 IT 外包,只是这个词最近才火起来。“至于这个词火不火,这就是一个互联网的传播学问题了。”

事实上,他和软萌孜神都不太在意自己是否被称为 FDE。对外这样介绍,只是因为市场已经熟悉这个词。软萌孜神说:“其实我不是特别喜欢别人说我是 FDE,但是我又不得不这样。因为现在市场上,你就必须跟你的客户说 AI FDE,大家才会去看。”

她更愿意把自己定义为一名创业者,目标是用 AI 改造外贸,“让中国供应链再次伟大”。

一个旧岗位,在 AI 时代被塞进了更多职责

报道最后总结称,FDE 这三个字母已经被赋予了过于丰富的含义。软件开发、咨询服务、员工培训、系统对接、社群撮合,这些看似不同的工种,都可能与 FDE 有关。

但无论是哪一种 FDE,核心都在于把 AI 真正用进客户业务里,并为此处理与人相关的问题。

报道给出的变化主要有三点:

  • 过去,驻场人员负责把做好的软件装上去;现在,要先帮客户想清楚 AI 应该用在哪;
  • 过去,定制一套系统需要一个团队;现在,代码成本大幅下降,一个人也能接单;
  • 过去,难点主要在技术;现在,难点更多在人。

在这篇报道看来,岗位本身并不是全新的岗位,但到了 AI 时代,它需要懂得更多、跑得更快,也承担了更多原本分散在不同角色身上的能力。

FDE 之所以走红,也与技术变化速度过快有关。企业还没有想清楚该如何使用 AI,组织分工也来不及调整,于是大量原本分散的能力,被集中压在了一个人身上。

正如报道最后引用的一段说法:企业买 SaaS,买到的是软件;请咨询,买到的是建议;找外包,买到的是功能。而找 FDE,他们想买到的是一个人——一个懂管理、懂技术、懂人性、懂 AI,最好还别要太多钱的人。

本文最初由 Bit.Fan 发布。 欲了解更多加密货币新闻与市场洞察,请访问 www.bit.fan.
8800

免责声明:

本平台展示的市场信息、项目资料与第三方内容仅用于行业信息分享,不构成任何形式的投资建议或收益承诺。

加密资产交易具有较高风险,用户应充分评估自身风险承受能力并独立作出决策,相关盈亏及法律责任由用户自行承担。