在 Jove Zhong 看来，AI Agent 时代的 FDE，不再是传统意义上的驻场工程师或外包角色，而更像一批被派到客户前线的“创业公司 CTO”。他们要把项目拿下，把 AI 系统真正做出来，把客户留住，同时还要把一线遇到的问题带回公司，反过来推动产品演进。
Jove 目前在 AI 呼叫中心公司 Cresta 负责 FDE（Forward Deployed Engineering）团队。他在播客中透露，自己接手时团队只有几个人，现在已经扩到 30 人，今年的目标是 100 人，并在全球范围内招聘。
顶级 AI 公司和 VC 看好，大厂工程师却未必熟悉
这场对话最先抛出的矛盾点很直接：OpenAI、Anthropic 等公司都在加大 FDE 招聘，VC 也把它视为 AI 时代非常关键的岗位，但 Jove 在湾区办活动时发现，来自 Meta、Google 等大厂的工程师，甚至有人没听过这个职位。
Jove 提到，自己较早是从 Palantir 那一波增长中开始了解 FDE 模式。按他的说法，Palantir 的业务有特殊性，尤其是军方相关场景，客户需求往往不会一开始就讲得很明确，必须到现场、面对面、在同一个工作环境里看数据，客户才愿意把问题讲细。也因此，Palantir 早期配置了两类团队：一类偏前线驻场的软件工程师，一类偏业务负责人，前者更技术，后者更了解具体业务流程。
在 Jove 的定义里，今天通常所说的 FDE，仍然首先是一个技术岗位。
AI Agent 语境下，FDE 已经变成“新物种”
Jove 认为，如果把场景放在传统企业软件时代，FDE 和驻场工程师、外包、咨询之间并不容易分清。数据 ETL、数据转换、网络搭建这类工作，本身就存在大量重叠。
但在 AI Agent 语境下，情况已经不同。现在很多企业都能拿到新模型的 access，也能接入 ElevenLabs、Deepgram 这类语音模型，可问题不在于拿不拿得到技术，而在于能不能做出真正适配业务场景的 AI Agent。
FDE 的工作，就是把客户的业务逻辑和 AI Agent 平台上的能力结合起来，做出一套满足具体需求的 AI 系统，并补上 guardrail、test、eval 这些环节。Jove 说，这些内容很难要求客户自己去学。客户可能有工程团队，知道怎么开发网站或手机 App，但开发 AI Agent 完全是另一回事，里面涉及幻觉控制、RAG 或 knowledge base 的低延迟与高准确、模型版本变化等一系列并不直观的问题。
因此，Cresta 采用 FDE 模式，不是逼客户自己补足 AI 能力，而是让懂平台、也懂落地问题的 AI 专家直接把东西做出来、打磨好。即便客户自己最终也能学会，可能也需要半年到一年，而竞争对手早已先走一步。
Jove 还提到，团队内部有句话叫“Talk about API over IPA”。意思是说，FDE 不只是会写代码，也要能和客户快速建立信任。因为工程师之间有共同语言，FDE 往往能更快理解 CEO、CTO 或 API lead 真正想要什么，也能更清楚地说明自身的限制。
FDE 像客户面前的 CTO，FDPM 更像客户面前的 CEO
围绕职责划分，Jove 给出了一个很形象的比喻：FDE 相当于 Forward Deployed CTO，FDPM（Forward Deployed Product Manager）则相当于 Forward Deployed CEO。
他说，Cresta 在 FDE 团队之外，还设置了 FDPM 团队，这一设计部分受到 Palantir 启发。原因很简单，FDE 的能力要求太高，既要技术过硬，又要懂业务，还要能和客户沟通，而任何人的 bandwidth 都有限。
FDPM 不要求像 FDE 那样技术深入，但会更多处理 business logic、验收标准、风险管理和时间进度等问题。Jove 举例说，很多客户内部自己都没有完全对齐需求，SOP 在不同人脑子里都不一样。如果每次会议都让 FDE 参与，并不是对技术资源最好的使用方式。FDPM 可以先把这些非技术问题理顺，再由 FDE 从技术角度确保实现方案合理、测试充分，并把前线教训反馈给公司继续改产品。
按他的说法，FDE 负责 AI 领域的最佳实践，以及 SDK、工具包、CLI 的开发；FDPM 负责更具体的需求梳理、风险上报，甚至追加销售，比如原本只做 3 个 use case，后面是否可以扩到 6 个。这样拆分之后，招聘标准也不至于被抬到过于苛刻。
FDE 不是单纯驻场，仍属于产品工程体系
Jove 强调，Cresta 的 FDE 并不只是帮客户把项目做完，更重要的是把部署过程变成产品验证和产品迭代的一部分。
他提到，FDE 的 baseline 一定是 engineer。自己在面试时会安排一个环节，要求候选人在不用任何 AI 的情况下写一个简单的 Python 程序，目的不是考 LeetCode，而是确认对方确实会编程。另有一轮会看 engineering practice，包括是否理解 unit test、end to end、分层等概念。
在他看来，一个完全没有技术背景的人去做 AI Agent FDE，看起来也许勉强能做出结果，但很难意识到哪些地方存在问题。比如一个登录界面，看上去能登录，但如果关键逻辑都放在前端，用户就可能删掉 DOM tree 或篡改能看到的信息。缺乏工程素养时，很多东西表面上能 work，实际上并不符合 best practice。
如果候选人同时有 consulting 背景，比如来自 Accenture 或 McKinsey，会是加分项，但 Jove 也提醒，不能继续用过去那套按 deal size 或按时间计费的思路来看待这个岗位。因为在 Cresta 内部，FDE 被视为 forward deployed product engineer，本质上属于 product engineering 的一部分。其职责之一，是通过具体的 AI Agent 部署证明产品 PMF 没问题，然后继续推动 REST API、microservice、UI、CLI、doc 等部分迭代，让产品越来越成熟。
Jove 说，自己所在团队和做 microservice、做 Kubernetes Infra 的团队一样，都向 VP engineering 汇报，而 VP engineering 再向 CEO 汇报。他知道有些公司把 FDE 放在 customer success、professional service，甚至售前团队下面，但 Cresta 没有这样做，因为公司的目标是成为一家 platform 公司，希望最终形成可支持多种 use case 的 AI Agent 平台。
在他设想的理想状态里，简单的事会被自动化和平台改进逐步替代，FDE 会变得越来越专业，成为 payment 专家、网络专家、RAG 专家，集中处理更难的问题，而不是把组织做成一个靠几百人重复劳动的咨询公司。
客户要的是 outcome，不是模型 access
为什么 AI 落地阶段会这么需要 FDE？Jove 的回答很明确：模型本身不是最难拿到的，真正难的是把它变成稳定可用的业务结果。
他用了“咖啡师”的比喻。客户可以买昂贵的咖啡机，也可以买很好的豆子，但这并不意味着就能做出一杯好咖啡。放到 AI 场景里，道理一样。客户最终想要的是一个好的 AI Agent 体验，是业务 outcome，而不是一堆模型和接口权限。
他还举了语音 AI 的例子。比如 VAD，也就是 voice activity detection，语音活动检测。在真实通话场景里，系统什么时候该附和、什么时候不该打断用户、用户在报电话号码和邮箱时中间停顿应如何处理、背景有杂音时怎样识别，这些都涉及不同做法，可能是 silence-based，也可能是 LLM-based 或语义驱动方案。让一家餐馆的 IT 团队自己去理解这些细节，成本很高。
而客户真正关心的，往往是品牌语气偏年轻还是偏稳重，菜品该怎么介绍，如何给 VIP 留位，这些是 business 层面的具体要求。FDE 的价值，就是快速套用最佳实践，把最合适的方案搭起来，让系统真的 work。今天为饺子馆做，明天为西餐厅做，团队会不断积累行业 knowhow，甚至在某些细节上比客户更懂业务场景。
Jove 也提到，类似 Omakase 的逻辑同样适用于 AI 部署：客户未必要知道今天具体用什么“食材”，更在意你能不能拿最好的技术和组合方式，交付出一个可靠体验。模型不是很难拿到，只要愿意花钱，就能 access 到好的模型，但这并不等于知道该怎么用它们。
他举了一个简单例子：面对复杂的 mapping 关系，写成 Markdown table 还是大量 bullet point，哪种更高效、哪种更不容易出错，并不是表面上一眼就能判断的事。再加上 ChatGPT 的 5.1、5.2、5.3、5.4 版本之间都会有变化，FDE 需要花大量时间去理解这些 AI best practice，并持续更新做法。
Cresta 的业务：从人工客服辅助到 AI Agent 接管部分流程
Jove 在对话中也详细介绍了 Cresta 的业务背景。公司成立于 2017 年，至今已有 9 年，长期专注 customer experience，核心场景就是 call center。
在人工客服时代，新员工培训一直是典型痛点。比如接到来电后要进行适当披露，告诉用户通话会被录音；电话被转接过来时，客服还要接住前面的历史记录。这里面有大量环节可以由 AI 辅助，让 human agent 效率更高。
而现在，Cresta 的产品已不只是辅助人工坐席。Jove 提到，不是所有 case 都必须由真人回复。比如黑五期间企业会临时招聘大量客服，高峰过去后又会裁减，而行业离职率本来就很高。像信用卡挂失后补寄新卡这类流程，很多时候完全可以由 AI 直接完成。
他说，万豪、美联航等客户已经使用 Cresta 多年，原本主要用于 call center 和 human agent 相关场景。如今让这些客户再使用 AI Agent 产品，更像是在原有关系上的 upsell，先从一些 low-hanging fruit 的 use case 切入。
Jove 表示，团队当前有 30 人，未来可能扩到 50 人、100 人，招聘范围是 worldwide。目前仍以北美为主，但欧洲和 APAC 也在招。其目标是让更多电话和 chat 由 AI 优化体验，减少用户长时间等待和重复转接的问题。
在他看来，AI 应用的前三大赛道分别是 coding、multimedia，以及 enterprise AI，尤其是 voice AI 和 AI Agent。coding 方向上，Cursor、Claude Code、Codex 已经做了很多事情；multimedia 包括音乐、图片、视频生成，有大公司投入大量资金；而 enterprise AI 则面向真实企业需求。Jove 的判断是，如果你去问 100 个 business owner，会有超过 50% 的人有这类需求：只要 AI 能省人工、缩短等待时间，他们就愿意尝试。
他还补充说，除了传统 call center，团队越来越多碰到没有 call center、但需要“AI receptionist”的客户。比如牙医、咖啡馆、花店，甚至个人场景，都可能希望 AI 先接电话、过滤需求、协助预约，再把短信或 summary 发给 owner。
招聘画像：AI Agent 经验是门槛，失败经验反而是加分项
谈到具体招什么样的人，Jove 的标准并不模糊。
第一，他目前不招 junior。FDE 通常需要 3 年以上工作经验，首先得是一个成熟的 engineer。如果做过 founder、co-founder 或 founding engineer，会加分；做过 consulting、customer facing，在客户沟通和谈判方面没有问题，也会加分。
第二，也是他反复强调的一点，候选人必须做过 AI Agent。Jove 说，自己会看到大量简历写着“我是 AI engineer，我很会用 Claude Code，我很会用 Codex”，但在他看来，这基本没有区分度。现在这个时间点，如果一个工程师不会用 Claude Code，就像不会打字一样，已经谈不上竞争力；真正有意义的是，你是否真正做过 AI Agent。
在能力层次上，他引用了主持人提出的 AI 产品 6 个层次模型，包括 prompt wrapper、grounded AI、tool-using AI、LLM workflow 等。对 Cresta 这类 voice AI 客服场景来说，做到第四层，也就是 LLM workflow，基本就够进入考察范围。因为很多任务是明确执行型的，比如退票就退票、refund 就 refund，不应该再反复追问客户该如何决定，而是要能清楚地结合 knowledge base 和 SOP，在低延迟条件下完成 tool call。
面试中，Cresta 会设置一个 90 分钟实战环节，允许候选人使用 Claude Code 或 Cursor，基于公司给定的 API 和 knowledge base 搭建一个 agent，并证明它具有较高质量，包括测试设计、eval 方案以及 edge case 处理。Jove 认为，这种方式比询问一些道听途说的问题，或者只看 toy project，更能反映真实能力。
能赢得客户信任的人，往往会听，也知道什么时候少说
除了技术能力，Jove 认为 FDE 最关键的另一项能力，是 win trust。
他提到，如果一个候选人经历过失败，反而可能是好事。前提是这个人能清楚说出，自己在哪些场合言多必失，是否太早 jump to conclusion，是否能够从客户角度理解动机，并调整 proposal 的切入方式，甚至让客户自己说出方案，而不是自己强行推进。
他还给出一个非常具体的 red flag：如果面试时问一个问题，对方连续回答 6 分钟甚至 10 分钟，通常会被明显扣分。原因不是内容多，而是说明沟通意识不足，不知道如何控制信息密度。对 FDE 来说，列 10 个点不如讲清 2 到 3 个关键点。如果过于痴迷于把脑中所有内容一次性倒出来，这不是一个好的信号。
主持人也在对话中总结，真正能赢得信任的人，通常有两个共同点：一是愿意 listen，能站在对方角度思考；二是 EGO 不要太大。会就是会，不会就是不会，目标是把事情做好。如果客户感受到一个人过于在意自己的 EGO，就很难真正建立信任。
模型不断变化，FDE 的价值会继续上升
Jove 还从企业软件的演进角度解释了为什么 FDE 会越来越值钱。
他过去曾在 IBM、EMC 做企业软件。当时行业里常见的心态是，只要系统没坏，就尽量不要改，尤其在 on premise 场景里更是如此。
但在 AI Agent 场景中，这套逻辑行不通。按他的说法，如果你不改，模型可能就不能用了，API 也可能不再 work。比如原本使用 4.1，后来不能再用，就必须迁移到 5.x。无论是以 20% 的服务费继续服务，还是围绕新 use case、新 SOW 展开合作，团队都需要持续参与，让客户不断用上最好的模型或更合适的模型。这不是一次性交付的生意。
Jove 认为，这对公司反而是好事，因为它会自然推动 ARR subscription model。Cresta 甚至不提供任何 on premise 部署，只支持 SaaS。再叠加平台本身会持续接入更好的 voice engine 和模型，整个合作关系就会更自然地变成 ARR。客户也不会再反复问“什么时候能部署到我本地，然后我就可以甩掉你”，因为服务本身就是持续更新的一部分。
主持人则补充，FDE 也是一个很难被 AI 替代的职业。过去一个人也许靠一个 skill 就能长期生存，但现在不行了。真正不容易被替代的，是那些能为结果负责、离结果更近的人。Jove 也认同这一点，因为 AI 本身无法为结果承担责任，换个 prompt，答案就可能不同。
FDE 在中国和北美的落地环境并不相同
谈到中国市场时，Jove 的态度相对谨慎。他说，理念本身没有问题，但“橘子种在哪里”很关键。
在他看来，北美人工成本本来就高，客户更愿意为结果买单，SaaS 生态也更成熟，这些条件叠加起来，使 FDE 模型在 AI Agent 场景下更容易落地。但如果是数据库实施、数据清理、政务相关等更复杂的项目，FDE 模式并不一定适合。
对于国内环境，Jove 直言自己会“心疼从业人员几秒钟”。他认为，国内 SaaS 仍存在不少问题，其中很重要的一点是 enterprise 市场本身并不成熟，客户基础也不够稳固。在这样的条件下，FDE 在北美已经相对成熟、有效，但在国内能否复制，还很难下定论。
这场播客最终呈现出的，是一个正在 AI 行业快速升温、但仍处在认知分化中的岗位画像：它既不是传统外包，也不是单纯售前，而是站在客户结果和产品迭代之间的一层前线工程能力。对 Cresta 这样的公司来说，FDE 的任务不是解释模型有多先进，而是把 AI 真正做成客户愿意持续付费的产品体验。