什么是 FDE——不懂业务的,都不配做 FDE

FDE(Forward Deployed Engineer,前线部署工程师)是今年最火的岗位。据 Indeed 数据,美国这个岗位的招聘量从 2025 年 4 月到 2026 年 4 月涨了约 729%,前沿实验室资深 FDE 的年薪中位数达 48.5 万美元。OpenAI 投入超 40 亿美元成立部署公司、收购 Tomoro 打包带走 150 个 FDE,Anthropic 联合 Blackstone 等成立 15 亿美元合资公司——顶尖模型公司都在承认同一件事:模型不是产品,落地才是。但 FDE 这个词在国内正在被用烂:搭个 demo、教客户做 PPT,就自称 FDE。真正的 FDE 有明确的能力次序——先懂业务,再懂数据,最后才是一丢丢技术;国内最大的障碍是数据质量太差,所以真正的 FDE 工作第一步永远是数据治理;交付上,FDE 的未来一定是结果导向,不是按人头驻场。

不懂业务的,都不配做 FDE。

一、FDE 现在到底有多火

先说事实,别急着下判断。

这个词最早是 Palantir 发明的,做了十几年。它服务美国情报和军方机构起家——客户不肯把需求说明白,你必须跑到同一个军营的帐篷里,看到数据他才愿意跟你讲细节,中间还得临时做数据建模、临时搭 API。所以 Palantir 早期拆成两个团队:一个偏技术(写生产级代码、做系统集成的工程师),一个偏业务(熟悉作战、救援这些具体场景的人)。两个合起来,才是一个完整的 FDE。

十几年后,这个岗位突然火了。原因不复杂:AI 落地太难了。模型能力狂飙,但部署迟缓,中间的鸿沟需要有人来填。2026 年 5 月,OpenAI 联手 19 家 PE 投入超 40 亿美元成立 Deployment Company,收购 Tomoro 打包 150 个 FDE;Anthropic 同期宣布与 Blackstone 等金融机构合作成立 15 亿美元合资企业。两家最顶尖的模型公司,在同一个月做了同一件事。

这背后的判断,Cresta 的 FDE 团队负责人说得很直白:模型公司意识到,模型本身并不是一个产品,产品要落地还需要做大量的工作,而这是传统模型公司容易疏忽甚至不屑去做的。你把模型卖给一个有钱想买的企业,他也不知道怎么用。这个缺口,就是 FDE 的价值。

所以 FDE 火,不是因为岗位名字性感,是因为「AI 落地」这件事被证明真的很难,而且没有捷径。

二、但国内的 FDE,大多被用烂了

这是我们要说的第一个观点,可以尖锐一点。

现在国内很多公司,进了一家企业、做了一个 AI 场景的简单 demo,就自称在做 FDE。不懂业务,根本不配做 FDE。

Palantir 为什么能成?因为你服务五角大楼,你就得懂五角大楼的业务;你服务金融,你就得懂金融的业务。这不是一句口号,是这个岗位能不能成立的前提。留意一个细节:OpenAI 和 Anthropic 最近收购的、合作的,都是有行业深度的公司和机构——OpenAI 收 Tomoro 是为了那 150 个懂落地的人,Anthropic 找 Blackstone 是因为它手里握着大量运营了几十年的传统投资组合公司。它们买的是业务和行业的理解,不是「收了个咨询公司,全世界我就变成 FDE 了」。业务 know-how 是不能靠一笔收购批发的。

对比国内很多所谓 FDE 的工作内容:帮客户搭个 demo、教客户怎么做 PPT、跑几个小场景。这些事情有没有价值?有一点。但它不是 FDE。

三、FDE 的三个硬门槛,有明确的先后次序

我们把真正的 FDE 拆成三层能力,而且这个次序是不可逆的。

第一,必须懂业务。这是最核心的,也是最硬核的。前面讲过了,不展开。

第二,得懂数据。你懂了业务,但不懂数据,你的 AI 怎么跑?你的 agent 怎么搭?都是空谈。业务告诉你「要解决什么」,数据决定你「能不能解决」。这两者缺一个,方案就落不了地。

第三,才是一丢丢技术。注意,是「一丢丢」。现在 AI 编程已经很成熟了,不管是 Codex、Cursor 还是 Claude Code,写代码这件事的门槛在急剧下降。Cresta 那位负责人讲得很实在:现在 AI Coding 特别强,FDE 哪怕面对 5 个、10 个不同的代码库、不同语言、不同技术栈,也能很容易让 AI 帮忙改出来。代码本身不再是壁垒,判断力才是。

所以逻辑很清楚:业务 > 数据 > 技术。一个只会帮客户搭 demo、教客户做 PPT、做点边角小事的人,根本不配叫 FDE——因为它把这个次序完全搞反了,甚至只剩下最不值钱的那一层。

四、说人话:国内的很多「FDE」,其实是「AI 应用创新大赛」

这是我们的第二个观点。

国内现在的很多「FDE」,说白了就是 AI 应用创新大赛。这里不是在贬低它——恰恰相反,它是一种很好的、中国特色的、轻量化的东西,只是它不是 FDE。

国人在比赛这件事上很有热情,因为它的收益确实好。管理层组织一场大赛,不管结果如何,都可以直接写进年终业绩报告。而且它有真实的正面价值:通过一次比赛,能更好地普及 AI 应用知识、调动团队积极性、让员工广泛参与、从下到上选题(AI 转型为什么必须 bottom-up,我们专门写过一篇),再到领导颁奖、领导参与,明年在拿了第一名第二名的场景里做推广。说白了,就是统一思想、统一方向。这件事本身的投入产出比非常高。

但它本质上更接近闭门会、bootcamp、加速营、workshop 这种形式。它是一个很好的启动器,帮组织完成「AI 认知对齐」这一步。可它不是 FDE。因为它止步于「让大家兴奋起来、方向对齐」,而没有走到「把一个真实业务场景端到端跑通、并对结果负责」那一步。

把大赛当成 AI 转型的第一步,很好。把大赛当成 FDE,就是自欺欺人。

五、那真正的 FDE 应该怎么做?核心是数据治理

这是第三个观点,也是我们认为国内 FDE 最应该干、却最少人认真干的事。

你做不好数据治理,基本上做不好所有事情。国内目前最大的障碍就是数据质量太差,尤其是物业管理这个行业。

过往很多数据是 SaaS 系统里的数据,而 SaaS 的数据往往是不好的数据——因为是人填的,人填的数据质量天然就差。

举一个我们真实遇到的例子(已做匿名处理)。某物业客户的工程巡检场景,管理层一直以为巡检团队在规范填写巡检单——一张巡检单里可能有 10 个需要填写的项。但我们做数据治理时发现:过去几年里,大部分工程人员的巡检记录只填了两个字——「正常」,或者「异常」。本来应该有电压、电流、各种设备读数,全都没有。

那这几年积累的数据有什么用?基本没用。它看起来像数据资产,实际上是数据废墟。你在这样的数据上搭 agent、跑 AI,搭出来的东西必然是空中楼阁。(这也印证了我们在《岗位是怎么消失的》里讲的:AI 接管工作流的前提,是数据先「能感知」。)

所以国内 FDE 真正该走的路径是这样一条链路:

• 帮客户找场景——先定位到底要解决哪个具体的业务问题;
• 评估这个场景里的数据到底能不能用——别假设数据是好的,几乎都不好;
• 如果可用,通过数据治理把它转成 AI 能用的数据——这是最脏最累但最关键的一步;
• 再跟智能体架构结合,把整个事情端到端跑通。

这套东西,才是国内 FDE 应该去工作的方向。它一点都不性感,但它是真的。

顺便说一句成本账。FDE 现在很贵。站在客户角度,如果上面这些场景、这些数据治理的活都不做,你花大价钱找一个 FDE 来干嘛?难道就是来公司搭个 demo?那参加一个免费的 Demo Day、免费的加速营,不都能达到同样效果吗?客户愿意为真正的 FDE 付高价,前提是 FDE 交付的是别人给不了的东西——把脏数据啃下来、把闭环跑通,而不是一场热闹。

六、最后:FDE 的交付,一定是结果导向,不是按人头驻场

这是本质性的区别。

「前线部署」这个词很抓眼球,容易让人以为 FDE 就是长期泡在客户现场。其实不是。硅谷做得好的 FDE 团队,几乎没有一次在单个客户那里超过一个星期——启动时飞过去闭门开两三天会,把目标、KPI、API 验证清楚,之后各回各家,靠每周甚至每天的远程协作把东西做出来。现场的价值是建立信任、抓住那些不方便书面化的背景,不是「按天驻场刷工时」。

所以交付逻辑必须变:你就算在客户那儿干了一年,验收也应该按结果验收,而不是按人头验收。你最终交付的是一个跑得通的场景、一个真实产生 ROI 的业务闭环,不是交付了多少工时、派驻了多少人。

传统 SaaS 卖的是「软件」,传统外包卖的是「人天」。真正的 FDE 卖的是「结果」。这三者之间不是程度差别,是本质差别。想清楚这一点,就想清楚了国内绝大多数自称 FDE 的团队,差在哪里。

一句话总结

FDE 火,是因为 AI 落地这件事被全行业证明了「难,且没有捷径」。而国内多数所谓的 FDE,恰恰是在用最有捷径感的方式(搭 demo、办大赛)去应付一件最没有捷径的事。真正的 FDE,顺序是先懂业务、再懂数据、最后才是一丢丢技术;工作的核心是数据治理;交付的标准是结果,不是人头。做不到这几条的,都不配叫 FDE。