FDE
FDE 是什么
Forward Deployed Engineer(前线/前置部署工程师):软件工程师嵌进客户真实环境,把模糊业务问题做成能上线、被使用、可衡量的生产系统,再把一线经验回流给产品与研究。
Palantir 的定义最干净:Dev 是「一种能力,服务多个客户」;FDE(内部叫 Delta / FDSE)是「一个客户,调用多种能力」。 成败看客户业务目标有没有动,不是功能有没有发。
Pragmatic Engineer 的补充:FDE 在两种环境之间切换——嵌在客户团队,以及回到公司核心产品;现场可能是工厂、总装线、甚至物理隔离网络。小团队端到端扛一个高风险项目,气质接近「客户现场的创业 CTO」。
OpenAI FDE 负责人 Colin Jarvis 的说法更狠:eat pain and excrete product——消化现场痛苦,吐出产品;北极星是 You must leave with product——走的时候必须带走可复用的产品能力,不是只留下一个定制项目。
从哪来,为什么现在又火
FDE 大约 2010 年代初在 Palantir 成形。早期业务拓展团队按北约音标字母命名,Delta 由此而来;Delta 归属业务拓展,Dev 归属产品开发。大约 2016 年前,Palantir 的 FDE 人数甚至多于普通软件工程师;Foundry 平台起来后,不少人带着现场经验转回核心工程,把一线模式产品化。
2025 年起招聘量明显上升,主因是企业要把 LLM / Agent 嵌进核心流程。模型「能演示」和「在真实数据、权限、合规、责任下可靠」之间有一道鸿沟——有研究口径称约 95% 的企业 AI 部署对损益几乎没有可量化影响。失败往往不是模型跑不起来,而是没有可衡量的业务结果。FDE 的定位,就是站在模型与生产系统之间,把 Demo 推过这道鸿沟。
同时,AI 编程工具抬高了单兵交付上限,「少量精锐驻场」在经济上变得可行;政府与传统企业流程复杂,派有创业思维的工程师进去,往往比纯售前或纯外包更能绕过组织阻力。
和相近岗位差在哪
| 对比 | 对方 | FDE |
|---|---|---|
| 产品研发(Dev) | 一种能力,服务很多客户;负责平台某一块 | 一个客户,调用多种能力;成败看客户指标 |
| 售前 / SE | Demo、PoC,帮赢单;交付常交给实施 | 自己写生产代码,对「跑起来且被用」负责 |
| 咨询顾问 | 一次性分析、建议、方案文档 | 与客户共建长期可运行系统,工程量大得多 |
| 解决方案架构师 | 常偏顾问;MVP/PoC 可用匿名或离线数据 | 直接在客户基础设施上、用客户工具写代码,不确定性更大 |
| 外包实施 | 按合同范围交货 | 绑业务结果;经验回流自家产品,不是一次性外包 |
真伪信号: 是否长期写生产代码、是否对客户结果负责、是否背销售 quota。主流 Builder FDE 是工程编制,有股权常见,一般不背业绩;若 JD 满是 pipeline / quota,多半是 SE 换皮。
市场上还有杂音:约六成岗位接近「Builder FDE」,三成是售前/实施再品牌化,少数是内部 GTM/RevOps 工具岗。看 JD 时盯编码占比与成功标准,别只看 title。
一天在干什么
同一天通常三件事混着,比例随阶段变:
- 跟客户:澄清需求、演示进展、收集反馈、对齐决策者与一线使用者
- 写代码:搭原型、接数据与权限、调模型与集成、排障
- 沉淀:写可交接文档,把重复能力抽成组件/产品反馈
日程由客户节奏驱动:上线截止、现场故障、业务方反馈,会直接挤进待办。和办公室产品工程的最大差别:规格往往不完整,发现真问题本身就是工作的一部分。
项目怎么跑:六阶段
多数项目按这条线走(可重叠,但跳步代价会在后面加倍):
1. 需求发现(Discovery)
把模糊诉求变成可验证的问题:「谁、在什么场景、用什么流程、解决什么」。
- 坑:把领导汇报当需求;只访谈管理层,不问真正操作系统的一线
- 要做:覆盖决策者、使用者、被流程影响的人;把话改成可判定的问题(如「这一环人工核对要多久」);离场前复述确认
2. 范围界定(Scoping)
从问题清单里选一个足够小、能证明价值的切入点,并写清不做什么。
- 坑:贪大求全;只定「做什么」、不定「怎么算做好」
- 要做:按「业务价值 × 数据可得性 × 实现难度」排序,取前 1–2 个;写可量化验收标准与排除项;范围变更书面确认
OpenAI 式节奏常压成三段:早期范围(现场几天、梳理流程、合成数据原型)→ 验证(确认是否真高价值、建评估集、迭代、出报告)→ 交付(每周驻几天、公司侧主构建,交付「最小端到端单元」)。客户口头描述常与真实数据/系统不符——要尽快撞墙,再改范围。
3. 原型(PoC)
验证技术可行 和 业务价值,不是验证「演示能跑」。
- 坑:干净样例数据演示通过,接真实数据就垮
- 要做:先对齐 3–5 条通过标准;尽早接真实样本(正常+异常);记录失败路径留给工程化
低成本手法:先做 N=10 的小测(如自动化 10 次成功 7–8 次),再决定是否重投入。
4. 工程化
原型变成客户环境里稳得住的系统:数据管道、权限、安全、与旧系统集成。
- 坑:低估内网、审批、老接口;没有评测基线,改 prompt 就把效果改没了
- 要做:用真实用例做回归集;书面确认网络/权限/合规/接口;每 1–2 周给客户可运行增量
5. 上线与运维
带着评测证据上线,并保证「有人看、有人管」。
- 坑:上线即失联;不再跟踪业务指标
- 要做:功能/指标/权限/回滚清单;监控调用量、失败率、延迟、质量抽检;约定反馈与响应时限
6. 交接与复盘
系统交给客户或内部团队,经验变成组织资产。
- 坑:甩文档就算交接;不复盘,下个项目踩同样的坑
- 要做:架构、运维手册、已知问题、升级路径、联系人;影子期 2–4 周;复盘三问——超预期、翻车点、哪些可回流产品
变体:短 PoC 可压缩工程化,先过发现→范围→原型再决定是否生产化;长期驻场则六阶段循环小版本推进。发现与复盘两步最不该省。
AI 落地时,FDE 常用工作方法
选题:只做高价值、核心业务
优先能显著省钱/赚钱、或验证产品战略假设的场景;边缘场景难拿组织投入,也难衡量。与「确定性方案」比一比:复杂决策、规则难维护、强依赖非结构化数据——至少沾一项,才值得上 LLM。
评估驱动
任何 LLM 功能,没有可验证效果的评估,就不算完成。 大规模开发前,与领域专家一起建评估集;最好依据「专家轨迹」(人怎么一步步解决问题)。初期定指标与基准,改动防回退,交付时把评估框架一并交给客户。最好的团队仍会每天让专家抽看生产输出,不完全信 LLM-as-judge。
确定性与概率分层
能写死的规则就写死;LLM 做编排、综合、场景权衡;优化可交给模拟器工具;最终推荐过确定性校验;给人解释、表格与可视化,方便人工核查。别让模型硬扛「最少供应商数、物料必须全覆盖」这类硬约束。
从定制到产品
第一个客户大约只有 ~20% 可复用;做完 2–3 个客户后可复用到 ~50%,再交给规模化团队。Klarna 客服策略参数化 + 每意图评估 → Swarm → 更复杂的 T-Mobile 场景 → Agent SDK / Agent Kit,是「现场痛苦 → 产品」的典型路径。
反复出现、值得沉淀的能力:工作流编排、追踪遥测、标注与评估、运行时护栏,以及常被低估的元数据翻译层(让模型真正读懂企业数据语义)。
回流机制
OpenAI:双周与研究分享、向产品汇报、Field notes、季度集训。Palantir:Delta 可提核心产品改动,大需求进路线图评审。项目做完交给客户内部或伙伴,FDE 转攻下一个 0→1。
案例在说明什么
| 案例 | 要点 |
|---|---|
| 摩根士丹利财富管理研报 | 技术管线 6–8 周,信任建设又约 4 个月;顾问采用率到 98%,使用量×3 —— 技术就绪 ≠ 可上线 |
| 欧洲半导体调试 Agent | 驻场发现工程师 70–80% 时间在修 Bug;把约 20 步人类调试做成评估集;早期部门效率 +20–30% |
| Klarna → Agent 产品线 | 现场策略与评估沉淀成可复用平台能力 |
| 呼叫中心语音 | 客户嫌模型不够不愿部署;FDE 建评估、带回研究改模型,客户成首个生产部署,Realtime API 也因此改进 |
| John Deere | 驻场农业场景,下一个种植季前交付 —— 截止线由业务季节决定,不是由 Sprint 决定 |
共同启示:价值出现在真实工作流被采用之后;信任、评估、权限与组织协作,往往比「再调一调 prompt」更决定成败。
Demo 到生产,常见坑
模式坑
- 过早泛化:从已有功能反推企业问题,做成没有真问题的高概念方案;把一个具体客户挖深,反而更容易提炼共性
- 被服务收入拖住:高价但非战略的项目会吞掉产品投入;要会拒绝
- 把技术就绪当上线:信任建设要单独排期
- 一人干两份活:顾问 + 平台工程师合体,必须砍低价值会议
- 定制 vs 进平台:每次交付都要权衡「这周交得出」和「下个客户能否复用」
工程坑
- 用 AI 解不需要 AI 的问题
- 把「产品体验差」说成「AI 不行」
- 一上来多 Agent / 重基建;先把单 Agent 与最简方案用足
- 忽视工具接口设计(往往比抠 prompt 更重要)
- 无评估体系;模型升级不锁版本、不走影子验证
- 只有一道护栏:应按只读/写入、可逆性、权限、财务影响分层,并写明转人工条件
真正分界线: Demo 证明模型「有能力」;生产系统证明它在真实数据、真实约束、真实责任下仍然可靠。
需要什么能力
四层都要,缺一边都难:
| 层 | 内容 | 说明 |
|---|---|---|
| 工程 | 编程、系统设计、调试、集成、部署 | 必要条件;常见 Python / TypeScript;端到端能打通比样样专家更重要 |
| AI 应用 | Prompt/上下文、RAG、Agent、评测、护栏、观测 | 懂边界;会把 PoC 推到可验收准确率 |
| 业务与行业 | 价值链、痛点、合规、客户语言、ROI | 技术可速成,行业浸泡更稀缺 |
| 现场与软技能 | 沟通三套话术、抗压、owner、学习、预期管理 | 很多强工程师转 FDE 死在这一层 |
经验现实:多数 JD 要约 3–5 年+ 工程经验;初级坑少。组织上常见挂独立 FDE 队或工程/产品下;挂 Sales/CS 时要自己确认是否还是 Builder。
常见转型:
- SWE → FDE:工程已过线,补 Discovery、采用指标、业务语言;别陷在代码洁癖与 Demo 自满
- SE / 咨询 → FDE:现场与拆解强,补亲手生产落地;别只会交报告
- 行业专家 → FDE:最稀缺,补工程与 AI 应用,做「行业 + 落地」复合
能力自检三问:是否愿意长期面对「需求会变、答案在现场」?能否在没有完整规格时自主推进交付?是否享受同时跟客户和代码打交道?三个都是肯定,这个方向才值得认真投。
一句话收束
FDE 不是更会讲话的工程师,也不是会写两行脚本的售前。它是:在客户现场吃掉模糊与痛苦,亲手把系统送进生产,并用可衡量结果与可复用能力,把一线经验交还给产品。

浙公网安备 33010602011771号