一、FDE是什么1.1 定义FDE Forward Deployed Engineer前线部署工程师。这里的 前线 指的是客户现场而非战场。这个角色不是突然出现的而是由一系列职责演进而来并且仍在不断演化。1.2 起源Palantir 首创Palantir Technologies 在 2003 年成立早期客户主要是美国情报、执法机构后来扩展到国防、金融、制造、医疗。他们做的事情本质上是帮客户把分散在各个系统中的数据接入建成模型供一线人员直接做决策。当时传统软件交付模式的典型问题是厂商卖 license实施交给第三方验收完厂商就撤客户自己研究怎么用。Palantir 发现这种模式在需要直接用于国防、政府决策的场景里根本做不大 —— 因为没有数据、没有真实业务流程、不理解客户真实情况。于是他们创造了 FDE 这个角色核心工作方式是驻场观察业务人员的实际操作把业务对象和数据建模放进平台在现场立刻开发应用并交付上线把客户现场的观察和思考反馈给平台推动功能和业务迭代对结果真正负责需求来自现场观察而非会议纪要拥有 将在外君命有所不受 的现场决策权可以突破既有产品边界这个模式之所以成功是因为它赋予前线团队自由并能拿到最真实的问题反馈。产品迭代不再需要依赖市场调研客户的反馈是及时的、一线的。关键判断实施构成产品的一部分。这是 FDE 模式成立的前提也是后来所有模仿者的出发点。1.3 AI 时代 FDE 的复兴2022 年 11 月 ChatGPT 出现后大模型能力就绪。但大模型公司想从企业端拿到真正价值时遇到了四个核心问题通用与特定的落差通用模型到了具体工作场景里什么都不懂输出的概率性同样问题答案五花八门工作中不可接受需求的模糊性企业只说 想用 AI但说不清到底需要什么工程缺口企业内部系统复杂没有技术人员能接上去于是 OpenAI、Anthropic 等公司大规模招聘 FDE岗位的薪资和股份都很有竞争力。他们借鉴的正是 Palantir 的 FDE 模式。二、谁需要FDE2.1 大模型公司交付是业务本身不是售后大模型公司之所以最先需要 FDE有三个核心原因收入结构客户能不能变现取决于交付是否完成。就像电力公司如果客户没有电器电根本用不了。产品迭代的输入现场需求是产品迭代的主要来源。例如 MCP 协议Anthropic 推动就诞生于大量现场服务后的标准化需求。没有历史负担AI 是这些公司的唯一业务不需要保护已有的分销体系和毛利结构。AI 卖不好就是死路一条。为此Anthropic 成立了 OpenAI Deployment Company投入 40 亿美元收购 Tomoro 等公司专门做实施交付。2.2 云厂商转型迟缓但已开始补课AWS、阿里云、腾讯云、火山引擎等云厂商也面临同样的问题但动作普遍比大模型公司晚原因有四个公司体量大转型慢商业模式和路径依赖长期依赖 IaaS、SaaS 产品脏活累活交给渠道商紧迫性不足原有业务已经非常赚钱组织形态虽然有售前工程师但对交付结果不够负责最终仍甩给渠道商2.3 渠道商能力受限渠道商也解决不了这个问题因为技术能力和 AI 理解不如大厂原有模式是高度定制化经验难以在一个行业内积累传统模式下不对结果付费也不关心业务是否真正提升现在云厂商和渠道商都在疯狂招聘 FDE传统售前工程师也在往这个方向转型。2.4 个人与小团队窗口期仍在随着豆包、Claude Code 等工具普及构建成本大幅下降。原来 Palantir 需要一个团队完成的工作现在 1-3 人就有可能做起来。中美对比美国垂直领域 SaaS 和 Agent 替代人力服务很火YC 投资名录里大量是某个垂直领域的 Agent中国垂直行业模型 独立开发者 / 小团队承接中小企业定制咨询这个窗口期还有 1-2 年变化非常快。2.5 FDE 需求全景总结从 Palantir到大模型公司到云厂商到渠道商再到个人所有人都需要 FDE。这个形态在 1-2 年内需求仍会存在并扩大。未被教育的 AI 应用市场非常巨大你可以看看自己的教务系统、教研系统、工作流程有多少已经真正放手给 AI 完成。三、企业为什么用不好 AI3.1 企业 AI 转型热力图曹其容画了一张二维热力图横轴是客户规模小型 / 中型 / 大型纵轴是CEO 的 AI 意识A1 完全没意识到 → A4 急于落地。不同市场玩家的选择大厂主攻大型、急于落地、有痛点的客户渠道商通过自身渠道覆盖中大型客户独立工作室适合服务小型、甚至部分中型公司性价比更高对于 A1 / A2完全没有意识或隐约听说的客户FDE 不仅要解决问题还要承担教育责任时间性价比相对较低。3.2 通用大模型在企业的五大局限很多企业老板 特别相信 AI给员工买了 ChatGPT 会员但效果仍然不好。原因是通用大模型在企业环境里有五大局限没有执行能力只能 指挥 你去做什么但不能帮你执行企业内部需要的是能解决问题的智能体缺乏企业上下文不理解企业内部的潜规则、流程习惯、审查机制只能按公网信息回答无法贴合企业实际单轮交互任务持续性不足真实工作任务需要多步骤、循环、失败后的 workaround模型要能持续迭代像正常员工一样数据隔离与缺位做报表、做决策需要稳定接入企业数据没有数据接入AI 只能泛泛而谈输出不可靠与责任问题涉及钱财、法律、合同时通用大模型的输出你敢用吗企业要为此承担责任和代价3.3 企业需要的是生产级 Agent企业需要的不是一个只会聊天的对话框而是一个具备生产级能力的 Agent。Agent 技术成熟时间线生产级 Agent 需要的核心能力规划、工具调用、循环与自我修正、记忆与上下文。四、FDE 到底干什么4.1 Agent 落地的三大挑战这些挑战就是 FDE 要解决的问题业务 Know-how关键业务流程、隐性经验、潜规则都藏在一线员工的操作里数据基础与组织架构很多小企业连 ERP 都没有数据在微信、报表里乱传新技术与旧组织的利益冲突中层或员工可能担心被替代积极性和配合度会受影响老板的认知和投入意愿也至关重要4.2 FDE 的四大核心能力与职责FDE 的职责是端到端负责明确项目边界和量化指标在真实环境中构建推动组织配合沉淀最佳实践并反馈给产品团队。腾讯、微软等公司在招聘 FDE 时要求的核心点都围绕这几个能力只是根据领域和行业有所调整。4.3 FDE 与外包的本质区别五、怎么开始做 FDE5.1 独立 FDE 的获客途径5.2 起步策略选择你有认知的行业找到可观察的流程先用人工方式执行理解清楚后再做自动化建立最小评估集从错误容忍度较高的环节开始如文书整理、跟单等和相关负责人建立信任再逐步扩展六、FDE 的产品思维定义问题的能力6.1 产品失败的核心没有解决真问题很多人做产品或做 FDE 时容易陷入一个误区以为 引入 AI 就是解决问题。但引入 AI 不等于解决问题。杨翰钦分享了一个面试经历他当时讲了很多法律行业 AI 化的想法面试官问这些事情为什么不能找一个实习生去做这个问题触及了本质你的方案是否解决了一个实习生替代不了的真问题6.2 需求不等于问题企业有 引入 AI 的需求、有 降本增效 的需求但这些需求不等于问题。要像 抢橘子 的故事一样追问本质两个小孩抢橘子表面需求是橘子但本质上一个想吃果肉一个想要橘子皮做烘焙。分橘子不是唯一解法。苏格拉底式追问法连续追问 5-10 个 为什么把最深层次的问题抓出来。思考框架企业为什么需要 AI 系统如果需要在哪些方面需要 AI 能力现在的解决方案是什么有没有替代方案6.3 评估问题价值的四个维度只有把这四个维度想清楚才能判断一个需求是否值得做。6.4 MVP 的本质是最小闭环常见误解MVP 就是最少功能。正确理解MVP 是最少闭环—— 用户从头到尾能用这个东西解决一个问题。如果只有一个 AI 对话框但没有闭环用户新鲜感过了就不会再用。真正的 MVP 要能把工作量从 90% 压缩到 10%。6.5 FDE 是业务专家的 AI 入场券FDE 最核心的不是技术能力而是对业务的理解。如果你是某个领域的业务专家再了解一些 AI 知识就可以尝试用 AI 解决业务中的问题。建议从解决自己身边的问题开始构建一个最小的 MVP获得信心后再逐步解决更难的问题。七、金句速记交付是业务本身而非售后。FDE 是业务专家的 AI 入场券。需求不等于问题。MVP 不是最少功能而是最少闭环。外包执行他人定义的问题FDE 定义并解决问题。