FDE 到底是什么？五家巨头押注的三种打法

一句话说清 FDE

FDE，全称 Forward Deployed Engineer，直译是“前线部署工程师”。但这个名字远远不够——它不是驻场，不是外包，不是解决方案架构师。它是一个按需长出来的角色，随公司阶段和商业模式变形。试图拿一个标准定义去套，注定对不上。 五家巨头在同一個季度砸钱押注同一类岗位，核心张力不在谁投得多，而在 FDE 天然分裂。定义的分裂本身就是信号。

---

三种打法，三种逻辑

第一种：模型公司的 FDE —— 卖 token 是第一优先级

OpenAI、Anthropic、Google 都在布局 FDE。但动机完全不同。 模型公司做 FDE，本质是想多卖 token。他们不在乎应用层怎么落地，只在乎 token 消耗量。OpenAI 花 10 亿美金成立新公司，Anthropic 不与埃森哲合作、转而与 PE 机构联手——让机构动员旗下投资的公司来用 FDE，应用层的 token 就会烧得很厉害。 模型恰恰是最容易被替代的一层。模型公司的护城河不在模型，而在整个栈的低延时、Tool Call 准确性、RAG 的质量。但模型公司不 care 应用怎么样，只要有新用例把 token 多烧一点就行。所以他们没有意愿让 FDE 反过去把产品做得更好。

第二种：SaaS 产品公司的 FDE —— 让产品更强

以 Cresta 为代表。这是一家专注用 AI Agent 重塑客户体验的独角兽，五六百人规模。FDE 团队三十多人，分布在美国、加拿大、欧洲、澳大利亚。 这里的 FDE 不光要落地产品，还要把一线经验带回产品。团队花三分之一时间改产品代码：上午在客户现场看到问题，下午提 PR，明天上线。FDE 招的都是高标准人才，非常 full stack，甚至像迷你 CTO。借助 AI coding，知道痛点后可以直接改多个仓库。 这种模式成立的前提是产品本身足够复杂。一个语音 AI Agent 背后可能同时跑 20 个模型——ASR、打断判断、噪音隔离、RAG、Tool Call、多模型并发 Guard Rail，再加上 PCI 或 HIPAA 合规审计动辄半年一年。客户就算有几百人、几千人的工程团队，也不见得有这样的 AI 专家。 金句：花一周把端到端走通，然后花一个月写几千几万个测试。这些测试不是传统的 unit test，你要用历史通话训练小模型去模拟急躁的客户、牙齿掉了吐字不清的患者。

第三种：早期创业公司的 FDE —— 一个人当十个人使

以 Ventus AI 为代表。这家公司专注北美医疗行业的 AI teammates，2024 年中成立，被 a16z 投资，团队只有十人左右。 在这里，FDE 从售前跟到售后、背商业指标。你得跟客户沟通、了解需求、对接多个部门、回来开发、上线、跟老板汇报——整条线一个人扛。没有专门的 Solution Architect 搞定系统对接，没有 FDPM 团队处理商务关系，所有活揉在一个角色里。 这种模式的好处是灵活、成本低；坏处是难以规模化。一个 FDE 做完一个项目，下一个又从零开始，那跟外包堆人头没有区别，甚至不如外包。

---

FDE 与外包、实施、解决方案架构师的分野

国内工程师听到 FDE，第一反应是对标驻场工程师、外包、解决方案架构师。但分野很清晰： 任何你能教会客户的，就不是 FDE。 SAP 实施可以教会客户，AI Agent 的幻觉和延迟偏偏教不会。AI 本身看起来容易、其实很难。你有 500 个、1000 个工程师又怎么样？还是不知道怎么做出一个好的 AI Agent。很多公司先觉得自己很强，内部政治斗争杀出一条路，最终做了个 Agent，后来发现还是不够好——问个问题要等三秒五秒，很容易有幻觉。 FDE 的价值在于把复杂性藏起来。客户不需要知道背后跑了多少个模型、用了什么 prompt 技巧、怎么做 context engineering。他们只需要看到结果。 分歧不在名字，在公司阶段。成熟的产品公司有专门 SA 对接老系统，FDE 专注 AI Agent；早期公司还在把所有活揉在一个角色里。没有产品可改的 FDE，堆人头卖时间，跟外包没区别。

---

从 demo 到生产：为什么不是“最后一公里”

一个语音 AI Agent 的复杂度远超想象。电话接进来，要判断语言、做 ASR、判断什么时候打断、处理噪音隔离、识别特殊词汇。然后让模型思考，涉及 retrieval、embedding、Tool Call、MCP、memory 管理。最终生成文本再做 TTS 转语音。整个过程不能只让一个模型干活——要有 Guard Rail，很多并发的模型，用不同厂商判断主模型在不在说正确的话。涉及政治、敏感话题要刹车。这样可能用到 20 个模型。 如果要处理信用卡（PCI）或医疗（HIPAA），合规审计动辄半年一年。哪些信息可以存，数据要怎么过，存多久，甚至某些场景只能用特定环境上的模型。 这种复杂度解释了一个核心事实：不是客户没有工程师，是 AI Agent 的复杂度超出了传统工程团队的经验边界。

---

蒸馏：FDE 商业模式成立的前提

如果 FDE 做完一个项目、下一个又从零开始，那跟外包堆人头没有区别。 散落在每个人脑子里的经验不叫沉淀，汇聚成具象化的知识库或 Skill 才叫沉淀。 FDE 本质上是一个“蒸馏师”——帮客户蒸馏知识，也蒸馏自己。一个 FDE 做过五六个保险 Agent 后，对行业词汇和流程驾轻就熟。换一个完全新的厂商跳进去，技术可能还行，但客户很容易觉得你是外人。 蒸馏的成果可以是 Markdown、CLI、script，甚至封装成 agentic 工具。客户说想做什么，后面自动调用最佳实践去尝试。搞不定，再试下一个方案。 有了大模型和 Skill，经验蒸馏复用才成为可能。FDE 才从一个人力服务变成了一个商业模式。 金句：蒸馏可复用，是 FDE 从人力服务变成商业模式的分水岭。

---

Palantir 做了十几年的 FDE，和今天还是同一物种吗？

名字一样，物种已经变了。 十年前 Palantir 的 FDE 难沉淀、难改产品。许多出来的人抱怨对 Foundry 没有话语权——“你自己不会用，看文档去”。Foundry 的人不觉得自己有问题，没有形成正向循环。 今天 AI coding 把炮声变成了 PR。听得见痛点的人，可以大刀阔斧改仓库。借助 AI，一个人可以同时改好几个仓库，TypeScript、Swift、数据库随便改。只要知道想改成什么，AI 能让你有机会改。 另一层变化在供需。上一波靠商务关系卖人头，签几年合同慢慢交付。这一波大客户内部推力指数级上升，产品却没到百分百，FDE 成了填缺口的人。 但模型公司做 FDE 和 SaaS 公司做 FDE 动机仍不同——前者多烧 token，后者让产品更强。Cresta 还配了二十多人的 FDPM 团队，迷你 CTO 和迷你 CEO 分工。Palantir 值得尊敬，复制 Palantir 不等于复制成功。

---

什么样的企业才走得通最后一公里

能推动 AI 的企业只有一个共同点：老板自己得 AI native。 有这个思维的老板最多 5%。策略六个字：先搞定标杆，向下推。 从供给侧看，去年还要费口舌鼓励大客户做 AI 化，今年大爆发——没人愿意做最后一批被淘汰的人。中间层的阻力来自利益互斥：你把每个人的能力蒸馏了，这个人就没有太多存在的必要了。没有 C-level 支持几乎推不动。 这对 AI 落地公司意味着一个窗口：模型越来越强但没强到傻瓜式的时候，抢到的山头下来很难。

---

中国能跑通 FDE 吗？

高客单价是前提，但更底层是付费习惯和认知。 国内老板常觉得“两三个人捯饬捯饬也能做出来”；客户甚至直接问：“你给我两个人陪我玩，我为什么不能自己招两个人考核？” 金句：最怕的幻觉是老板有幻觉。FDE 解决的是怎么把标准方案真正用进企业。商业环境慢慢会变好，但需要时间。

---

工程师还值得走这条路吗？

7000 份简历、二十几个 offer，录取率不到 0.3%。 FDE 是走出密室的逃脱口，前提是你得比 AI 凶。如果你对自己的工程能力有信心，对解决问题有信心，也对跟人接触不发怵——FDE 是一个好出口。短期内不会有所谓的 AI 版 FDE，因为这里面有太多人的成分。 FDE 不是终点，而是起点。​ 它让你站在技术和业务的交叉点上，既能听见炮火，也能改仓库。在这个位置上，你不是被 AI 替代的人，而是用 AI 替代别人的人。