# Forward Deployed Engineering （FDE）：AI落地的"最后一公里"关键与新兴职业方向

- 来源：meng shao (@shao__meng)
- 发布时间：2026-05-21 09:10
- AIHOT 分数：68
- AIHOT 链接：https://aihot.virxact.com/items/cmpet37gk00iasljwe6tyfhhc
- 原文链接：https://x.com/shao__meng/status/2057267790856491384

## AI 摘要

Forward Deployed Engineering (FDE) 是AI公司派驻客户现场的工程师角色，核心是将AI能力嵌入企业具体业务流。随着模型能力趋同，真正优势在于“如何用”，而FDE正是解决AI落地“最后一公里”的关键。该角色借鉴Palantir传统，强调必须现场工作，围绕企业专有数据重建流程。其工作涵盖业务审计、效果评估（Evals）与务实部署三阶段。咨询、PM及软件工程师可通过30天路线图与作品集转型，但需弥补各自短板——工程能力或商业沟通能力。FDE被视作“百万美金级人才”，是AI时代高价值的职业新方向。

## 正文

Forward Deployed Engineering （FDE） 是什么？为什么 OpenAI、Anthropic 等 AI 顶流都在力推 FDE，它会是下一个值得转型的职业吗？

为什么 AI 公司疯抢 FDE？
@vasuman 这个判断很直接：如果智能本身正在被商品化，那么唯一的竞争优势就是"如何用、用在哪"。

模型能力会被 Anthropic、OpenAI 等拉平，套壳产品也会被复制。真正难复制的是--把 AI 嵌入到某家具体公司的具体业务流里。这件事没法用通用产品解决，只能派人去干。

所以 Applied AI 公司的商业模式是：把 FDE 派驻到客户现场，做"AI 转型外包"，客户为效率提升付费。一个能独立完成"理解客户问题 → 写进陌生代码库 → 向非技术高管讲清商业价值"的人，vas 称之为 "million-dollar hire"。

角色的核心要求：必须 On-site！
这一点借用了 Palantir 的传统（FDE 的定义来源）：
· 2010 年 Palantir 的 FDE 跟着美军特种部队驻阿富汗，白天部队执行任务、晚上 FDE 改代码。
· Palantir CTO 的原话："你无法为一个你不在其中的环境构建产品。"

迁移到 AI 场景的含义是：真正的效率提升需要"围绕 AI 重建公司"，这不可能远程完成，必须坐在客户身边，基于公司专有数据和上下文构建定制 Agent。

FDE 的工作三阶段
1. Audit（审计 / 诊断）：以原型 Demo 收尾
驻场轮岗各部门（例如 RevOps 两周、采购一周、财务一个月），目标是：
· 摸清每个团队的工作流
· 找到瓶颈
· 判断哪些该自动化、哪些不该

三条"是否上 Agent"的判断原则，非常实用：
· 规则可抽象，但输入形态多样（邮件 / PDF / 扫描件），且需要调工具？上 Agent！
· 规则和输入都可预测？写普通代码，更快更便宜！
· 需要模式识别 + 领域专家判断？保留人工！

另外两条经验法则：
· 量要够大：一个月跑 5 次的流程，ROI 撑不起来。
· 别滥用 AI：大多数任务用"一串工具调用 + 一次 LLM 编排"就够了，过度用 AI 会带来 token 成本和质量下降。

2. Evals（评估）
客户砸百万美金做 AI 部署，必须有办法证明"它真的在工作"。好的 eval 不是只看最终答案对不对，而是验证 AI 是否像人一样思考。两个方法：
· 拆解人的步骤逐步打分：人解决问题是多步的，把 checkpoint 列出来，看 AI 是否每一步都过关。
· 从黄金样本反向锚定：和资深员工一起把"完美答案"写出来 20 个，作为标尺度量所有产出。

Evals 的真正用途是让怀疑 AI 的高管敢签字--它是商业信任工具，不只是工程工具。

3. Deployment（部署）
几条非常反直觉但很务实的原则：
· 不要做大规模数据迁移。在现有数据层（SharePoint、数据库）之上建 API，让模型作为 orchestrator 去查询。客户花了几年几百万上 ERP，不会让你再拆一次。
· 先搭沙箱执行环境，在客户基础设施里安全测试。
· 从最小自治单元起步，再逐步给权限。例：先让 Agent 只做"发现 bug → 调查 → 写工单"，跑稳了再允许它"写代码 + 提 PR"。

如何在 30 天内成为 FDE？！
vas 认为三类背景最容易切入：咨询顾问、PM、软件工程师。

咨询/PM 的短板：工程能力
解法是用作品集补齐。从下面四个项目里挑两个深做：
· 一个能跑通你前公司某个完整流程的生产级 Agent（调 API、记录思考、有失败兜底）。
· 一个面向特定行业数据集（法律 / 医疗 / 财报）的 RAG pipeline。
· 一个自己写的 eval 框架，多维打分（正确性、格式、成本、延迟）。
· 一个把 LLM 接入到不支持 AI 的遗留系统的 MCP。

vas 强调："Do not outsource your understanding to AI"--别让 AI 替你理解，否则面试一聊就穿。

SWE 的短板：沟通
工程师做同样的项目，但必须能把每个组件、技术选型、迭代过程、商业结果讲清楚，并能回答"你为什么解这个痛点、真实客户场景里会怎么走"。

30 天路线图（角色无关）
Week 1：Agent loop 基础（读 Anthropic Building Effective Agents）、tool use、guardrails、context vs 外部记忆、audit trail
Week 2：结构化输出（JSON）、Demo → Prod 常见坑、checkpoint 机制
Week 3：重试与指数退避、成本优化（小模型做小事 / 缓存 / token 上限）、构建 golden dataset、多 Agent 并行架构
Week 4：复盘 + 大声讲出来，把每件事绑到商业指标上

### 引用推文

> vas：http://x.com/i/article/2057172544277606401