AI 吃掉的不是软件市场,是 labor 市场:为什么 FDE 突然成了硅谷最抢手的工程师

“

过去有一个 skill 就能生存，现在 skill 正在被大规模取代。但你可以为结果负责——你离结果越近，就越难被取代。

—— 课代表

Jove x 课代表 ｜ 访谈实录 · 核心观点提炼

嘉宾 Jove 现居温哥华，是 AI 客服公司 Cresta 的 FDE（Forward Deployed Engineer，前置部署工程师）团队负责人。Cresta 成立于 2017 年，深耕联络中心（Contact Center）AI，Marriott、United 等大型企业是它多年的付费客户。

📌 本文看点

开场：为什么会有这场对谈 ｜ ⏱ 原片段 00:00–02:15

🎙 课代表：现在很多 VC 和 AI 圈内的人都说，FDE 可能是 AI 时代最需要、最有前途的岗位之一，OpenAI 也在大量招 FDE。但我办活动的时候，每次提到 FDE，很多人——包括来自大厂的工程师——都会问“什么是 FDE”。大家之间有一个明显的认知差，所以我们请来了你。先介绍一下自己？

大家好，我是 Jove，人在温哥华。最近这半年多在一家 AI 公司 Cresta 做 FDE，这也是今天要聊的话题。在这之前我自己创业了四五年，做数据库方向；再往前是在大厂做管理。

🎙 课代表：你现在手下有多少个 FDE？

30 个人，估计今年可以到 100 个。这七八个月我们切身感受到：FDE 是现在真的能让 AI 落地、让客户掏钱、让世界有所改变的一个很有效的方式。

从缩写讲起：它必须绑定在 AI 的语境下才成立 ｜ ⏱ 原片段 02:15–05:22

🎙 课代表：请你给没听说过这个词的同学介绍一下，FDE 是什么？

从缩写说起——Forward Deployed Engineer。他的特点是：首先他还是一个 engineer（工程师），其次他是“前置部署”到客户的项目里去的。

我个人觉得，FDE 必须放在 AI 的语境下面才成立。否则，如果只是做传统的数据转换、网络搭建，那跟传统的驻场工程师、外包、咨询其实很难界定区别。

AI 语境下的情况是：现在很多公司都想用 AI，你也可以拿到很新的 model access，可以调用最新的模型 API。但你不见得真的有能力做出一个符合自己业务场景的 AI 系统。FDE 起的作用，就是结合你的业务逻辑、结合平台上所有的功能，做出一套真正满足你需求的系统，伴随各种测试和调优。

客户自己的工程团队知道怎么做传统网站或手机 App，但我们做的 AI Agent 是一个全新的界面，是给他的最终用户直接用的。这里面会出现幻觉问题，要让 RAG（检索增强生成）和知识库（Knowledge Base）延迟够低、回答够准，中间有很多不显而易见的难题——不是每家航空公司、每家银行都能自己搞定的。

让 AI 专家清楚地知道平台有什么、客户要什么，把东西做出来再精细打磨，而不是逼客户自己去学——因为就算他能学会，可能也要花半年一年，那时候竞争对手早就抢跑了。FDE 能让 AI 落地变得更可靠、更快。

🎙 课代表：所以 AI 时代的 FDE 和之前的驻场 / 外包是两个东西，是个新物种。他们的优势就在于特别 AI native，真的懂做 AI 产品会遇到的各种坑。model access 这些东西大家都有，但真想做好，差距是很大的。

对，而且我们愿意、也有能力跟客户贴身服务。你可以很快跟客户打好关系、赢得信任——大家都是做工程的，有共同语言，你能理解他想要的功能，然后帮他做出一个高可靠、有效的 Agent。

懂 AI、懂业务、还要会跟人打交道——这种人上哪找？ ｜ ⏱ 原片段 05:22–09:00

🎙 课代表：听起来对能力要求特别高：要特别懂 AI（这本身已经很稀缺了），要有 communication skills 赢得用户信任，还要去理解用户的业务？

对。所以我们就像是招了一群创业公司的 CTO，一些比较全面的人。这些人能把事情了解清楚：哪里应该发力、哪里需要 say no，然后用 AI 技能把事情落地。

客户差别很大。有的客户问得很细，你要教他怎么用；但很多 healthcare、酒店类的客户，其实不关心你怎么实现，他们在乎的是品牌形象——AI 该怎么说话、怎么调用他的知识库和 SOP，在这些地方甚至非常挑剔（picky）。这些事情你贸然让一个普通 engineer 去做，没有大量时间培养 trust、跟客户细掰 SOP 的话，很难做出让他满意的方案。

所以 FDE 确实是一个 mix：既要有技术，又要很容易跟人打交道，甚至还要出差。加在一块很有挑战，但也是让 AI 落地非常有效的方案。

🎙 课代表：这种人怎么招啊？我知道有的公司会专门去招“创业失败的 founder”，反而很合适？

对对，我自己可能也属于这个 category。我在大厂的时候管 50 个人，在加拿大、美国、印度都有团队，但自己闲不住就去创业了，做的还是比较硬核的 real-time data pipeline / streaming database 方向。做了四五年，技术上很有趣，但是个长不大的方向——所以我也算半失败、或者说有点失败的创业者。

但经历过创业你就会知道：没有事情是容易的。你需要建立 credit、需要 trust、需要真的 make things happen。这些加在一块，让 FDE（包括我自己）知道要怎样足够努力才能把事情做成。而且我们少了很多“这单子到底有没有希望”的纠结——我们更多就是把它做成。

🎙 课代表：所以这个岗位适合不是只想做技术、而是想综合发挥的人。

而且是双向的。我们招人时，如果你创过业——不管是 founder 还是 founding engineer——对我来说是加分项，因为你有 agency（主动性），能自己想清楚该做什么，脏活累活也肯干。

反过来，我有些同事的想法是“我 eventually 是要创业的”。FDE 让他历练的不光是最好的架构，还包括：客户的 business 需求是什么、流程中哪些点容易出错、怎么 convince 客户、怎么赢得信任。对他来说，这相当于一个创业培养营。

很多人的“想法”其实大家都有，区别在于大量地跟客户直接沟通。少掉中间一层，直接跟客户通，才更容易知道客户 care 什么。

FDE 不是外包，是产品工程的一部分 ｜ ⏱ 原片段 09:00–13:11

🎙 课代表：所以你们的 FDE 其实承担了 PM 的很多职责？

某种程度是的，但每个人的带宽有限。我们的分法部分是 inspired by Palantir——他们其实有两支队伍：一些人偏 engineer 的 forward deployed，另一些偏 process / strategist 的 forward deployed。

在 Cresta 我们的做法类似：我带 FDE 团队，另外还有一个 forward deployed 的 product 团队，他们不需要那么 technical，更多 care business logic：执行标准、风险、排期。甚至有时候我们跟客户开会，客户内部自己都没 align 好想要什么，SOP 在每个人脑中都不一样——这些会如果每个都让 FDE 参加，不是利用我们时间最好的方式，所以他们会做很多非 technical 的工作，把东西理顺。

🎙 课代表：除了 engineer 背景，FDE 还有其他来源吗？

我觉得 engineer 是个大前提。哪怕有人吐槽，我面试依然有一个环节：不用任何 AI，写一些简单的 Python 程序——不是 LeetCode，就是证明你有 engineering sense：变量怎么起名、流程清不清楚。另一轮面试看工程素养：unit test、end to end、分层这些概念你得有。

因为一个完全没有技术背景的人做出来的东西，看起来可以 work，但会闹笑话。比如做一个登录界面，看起来能登录，但如果东西都塞在前端，用户随便篡改一下就能看到不该看的。没有工程素养，很多东西“看起来 work”，其实缺乏 best practice。所以 engineer 是 baseline。

在这之上，做过 consulting 的人也挺好，但要注意他们的倾向性：不要太用过去的方式判断 deal size 有多大、甚至按时间计件。因为我们本身是一家偏 SaaS 的公司。

🎙 课代表：所以你们不光是驻场帮客户解决问题，还要回来改自己的产品？

对，我们就是 part of the product engineering。我的汇报线跟做 microservice 的团队一样，都是汇报给 engineering 组织，就这么简单。我知道有些公司会把 FDE 放到 customer success 或者 service 部门，有些甚至放售前。我们不这样做，是因为我们要做一个 SaaS 公司：FDE 的一大职责是把每个 AI Agent 做成，但更大的职责是通过做这些事来证明我们的产品是没问题的——中间发现 bug、发现 gap，我们就回去改产品本身。

我们也不想把自己养成一个 consulting firm。最终的方向是让 FDE 做的事越来越难：把简单的事自动化掉、沉淀进平台，然后 FDE 变成某个领域的专家——payment 的专家、某个行业的专家。简单的 use case，让平台自己就能轻松搞定。

把不确定性变成确定性，就是 FDE 的价值 ｜ ⏱ 原片段 13:11–15:48

🎙 课代表：我非常看好 FDE，因为现在 AI 能力太强了，但大多数人没有落地的能力。很多传统行业很需要 AI，但完全没有人才让 AI 有效落地。这时候需要有人把“不确定性”变成“确定性”。比如我是餐馆老板，想用 AI，学了半天也不知道到底能不能做好，很多人做砸了。这时候有人说“没关系，用我们的平台，我帮你把这些全搞定”——落地这件事就简单多了。而且红杉等机构的分析都说：软件市场其实没那么大，但整个labor（人力）市场是极大的，AI 取代的是 labor 市场。而 AI 要吃下 labor 市场，就需要这种既懂 AI 又懂 business 的人。

完全正确。你让餐馆老板或者餐馆的 IT 团队去理解 AI 的细节，太难了。比如有个词叫 VAD（Voice Activity Detection，语音活动检测）：我说话的时候你可以附和，但我不应该被打断；报号码的时候中间会有停顿，但停顿不意味着对方要插进来；还有杂音处理……光这一件事就有很多种做法。让餐馆员工去学这些，too much。

餐馆真正该关注的是：品牌是偏 20 岁年轻人还是成熟稳重？菜品怎么介绍？怎么给 VIP 留位置？这些才是 business 的特殊之处。技术细节应该交给能快速 apply best practice的人。

而且我们往往做好几个类似的 case：今天给你做一家饺子馆，明天做一个西餐厅，我们会积累行业 know-how——翻台率、怎么礼貌地拒绝客户。到最后，有可能我们比餐馆还懂餐馆。

九年 Contact Center 积累，是 AI Agent 落地的地基 ｜ ⏱ 原片段 15:48–18:10

🎙 课代表：讲讲传统行业是怎么用 AI 的吧。不光是 FDE，你们整个公司在做一个什么样的东西？你看到的 gap 是什么，机会有多大？

Cresta 是 2017 年成立的，差不多九年了，一直在做 customer experience，很大一块是 contact center（联络中心）。以前是辅助人工客服：新员工培训、教他说什么话、通话录音披露、转接时调取历史记录——大量事情可以用 AI 辅助，让真人客服更高效。

现在做的事是在这个基础上把 AI Agent 用好。不是所有 case 都需要真人回复：你可以省掉很多招聘、解聘、培训的成本。比如北美黑五这种高峰期要临时招很多人，高峰过了还要让他们走；这个行业离职率本来就很高，没多少人真的 enjoy 做 human agent。但你某天掉了一张信用卡，打电话让银行补寄一张——这种事完全可以让 AI 做完。

我们做的就是挑出哪些环节可以让 AI 完成、哪些环节继续用人。所以我们的定位是一个 unified 的 human + AI agent 平台。我们已经有很大的客户，像 Marriott、United 用了我们产品很多年，一直是针对 call center 和 human agent 的——现在让他们多用一个 AI 产品，是很自然的事。

团队从 30 人到 50 人再到 100 人，就是要把这个模式复制到全球（现在以北美为主，欧洲在招人）。到最后，没有人想打个电话等半小时听音乐，或者好不容易接通又被转接再等半小时——这些等待都有希望变得很短，甚至没有等待。

Gap 会移动，但 technology provider 永远能找到那个点 ｜ ⏱ 原片段 18:10–22:18

🎙 课代表：有人会觉得：我做好一个产品，直接给酒店老板，他拿去就能用了。你觉得“需要 FDE”是暂时的——等 AI 聪明到一定程度老板就能直接用了？还是永远会存在问题、永远需要人去解决？

我觉得我们这些 technology provider 永远可以找到当下有 gap 的那个点。现在的 gap 是：AI 容易幻觉、自建 RAG 延迟很高、答非所问、非常啰嗦——很多事情没有现成方案，我们可以做出更接近 ready 的方案。但最终这家餐馆的菜单结构、想吸引什么客人、什么语气，还是需要定制。我们并不觉得会有那么一天，什么东西都完全自动化——总有一部分需要人来判断，涉及你的品牌和特殊性。

FDE 现在的点是让 AI 落地。可能再过三五年，有了 A2A（agent to agent），语音入口没那么重要了，那我们就去处理 A2A 的事情。世界发展很快，但当下，voice 被证明是 AI 应用最好的赛道之一，甚至是 top 3。

🎙 课代表：你视角里，AI 应用的另外 top 2 是哪两个？

一块是 coding，Cursor、Claude 这些做了很多工作，市场已经被证明——我们公司也是几乎不限量地让大家用 coding 工具。但这个领域太卷了，很难再挤进去一个新玩家。另一块是 multimedia：音乐、图片、视频生成，看起来 work，但需要巨大的投入，都是大公司在花大钱做。

相对来说，voice AI 是那种“你去问 100 个 business owner，可能 50% 以上都想要”的需求：省人工、让客户等待更短、自动化。而且技术快要 ready 又没完全 ready——所以你只需要找一些合适的人，就能把它实现出来。

🎙 课代表：Call center 的需求我理解，但我很难想象我旁边的一个小店也需要这个东西？

有的。Call center 是既成熟又大的领域，但我们现在越来越多遇到没有 call center 的客户——他们需要一个 AI receptionist（AI 前台）。客户打电话进来，不需要每次都有人工接：AI 像前台一样问你要干嘛、帮你约时间、发个短信摘要给店主。牙医、咖啡馆、花店，甚至个人都用得上——很多人想找你聊事情，你可以先让 AI filter 一下。

而且这个生意的账很好算：如果客户问“我要买的话多少钱”，我们很容易说清楚 AI 能帮你省多少时间、多接多少单，然后收个比例就好了。

为什么单打独斗的技术创业者拿不下企业客户 ｜ ⏱ 原片段 22:18–26:20

🎙 课代表：我们社区有很多同学意识到，做 AI 不应该去卷 coding agent 这种技术创业，而应该做垂类行业——做法律的、帮餐馆的、做房地产的。然后他们发现：我确实有技术，但对方不买账，因为对方不懂技术。FDE 听起来是个解法。你觉得这个逻辑成立吗——懂技术的人把技术做好，通过成为 FDE、雇 FDE 或者跟 FDE 合作去落地？还是说传统行业的这些需求其实是伪需求？

这个问题比较棘手，跟每个人的立场也相关。我自己创过业，我知道要进大公司的 vendor list 有多难，可能要花一两年。我当时做 streaming 的东西，能比开源方案省一半机器资源、快四五倍——但因为你是创业公司，funding 有限、历史有限、GitHub star 有限，你就是很难赢得 trust。

所以如果你只是从“会写代码、写 library、写组件”变成“我换个角度切入”，但依然是一个人单干，其实还是很难——trust 这个东西就是很难建立。

我们之所以能搞定很大的酒店、银行，是因为我们在那个市场时间足够久、有 reputation、做了大量工作保证数据合规，在这个基础上再以温和、互补的方式推 AI Agent，就比较容易成功。你一个成立没几个礼拜的公司说自己技术很棒，人家是不愿意拿自己的职业生涯赌在你身上的。我们真实发生过好几次：客户方的高管以自己的职业信誉为背书来推 Cresta，甚至把它作为自己转型计划的重要部分——如果最后掉链子，他整个人的职业路径都会走样。这层信任是非常重的。

所以我同意“技术背景结合真实业务需求”是很好的方向。而我自己也很 lucky：我只要关心把 Agent 做好，不用操心 funding、不用操心合规——那是公司里其他人做的事。但你要一个人做成，每个方面都得自己来。

名词十分钟能学会，动词深不见底 ｜ ⏱ 原片段 26:20–30:30

🎙 课代表：关于 FDE 本身，或者 AI 落地的机会本身，你还有什么要补充的？

我举一个比较感性的比喻：咖啡师。你可以买意大利的辣妈（La Marzocco）那种几千块的咖啡机，但买来调试完，你不见得能做出好咖啡；买了很好的豆子，你也不见得有技术。客户要的是 outcome，是一个好的体验。你当然可以自己买咖啡机、买豆子、买磨豆机、练拉花——可能能成，但很花时间、很有风险。而一个好咖啡师，用好的原材料、复杂的机器、扎实的技能，甚至会跟你聊天、看你今天的心情状态，给你特调一杯——体验就完全不同。就像 Omakase 餐厅：你不用问今天有什么菜，你只要相信我们会用最好的技术、最好的食材给你一个很棒的体验。

对应到 AI：食材就是 model。这些其实不难拿到——绝大部分情况下，只要肯花钱，最好的模型你都能 access 到。但 so what？你不见得知道这个模型要怎么用。举个简单例子：一个比较复杂的 mapping 关系，你到底写成一个 Markdown 表格，还是写成一大堆 bullet point？哪个执行起来更不容易犯错？我们会发现模型每个版本表现都不一样。这里面有非常多细节，FDE 有足够多的时间去了解这些 best practice；同时你又会察言观色、跟客户有好的关系，大家愿意一起试新方式，犯了错也有空间调整。因为 AI 本身就是一堆概率问题，你很难保证永远不错——错的时候你能不能及时修复、而且不伤害这段关系，里面其实有很强的人格魅力和信任在起作用。

🎙 课代表：非常 resonate。比如 routing、resolve 这两个简单的词，你要把它做好——skill 什么时候告诉模型、怎么在恰当的时候用正确的 context——特别特别难。这就是我写“名词和动词的区别”那篇文章的原因：名词非常有限，十分钟就能学会一个名词；但真正难的都在动词里。你听说一个新模型，脑子里说“哦”就过去了；但“这个人的 routing 做得好、那个人的做得不好”，你完全无法想象里面的功夫差多深。

没错，我们真的遇到很多千奇百怪的事情。作为个人，你很难一年换三次工作去不同行业历练，但我们一年做很多项目，每个项目都很有趣。比如做牙医的项目，你会发现有些病人牙齿掉了，发音很奇怪——你怎么去 tune 你的模型，让它识别出这些词？这种事不难，但你不知道就是不知道。我们做过几个之后就知道了：我们有一些 flag 专门为这种场景设置。

从“不坏就不改”到“不改就不能用” ｜ ⏱ 原片段 30:30–32:01

🎙 课代表：还有什么之前没想到的行业变化吗？

有一个很有意思的点。我之前很多年做企业软件，大家的习惯是“东西只要不坏就不要改”。但现在做 AI Agent 反过来了：你不改，你这个模型可能就不能用了，API 就不 work 了。假设你原先用某个版本的模型，现在不能用了，必须升级到新版本——不管是作为存量业务的改进还是新的 use case，客户需要不停地 engage FDE，去用最好的模型、用对的模型，把事情越做越好。

🎙 课代表：就不是一锤子买卖。之前的软件是放在那儿大家习惯了就定死了，哪怕每个人都很痛苦也没人推动改。但现在模型变得太快、成本变得太快，它一直在不停地 refresh。

对，这就 push 大家用一个 evergreen 的模式，对 ARR（经常性收入）、对公司来讲都是喜闻乐见的。我们甚至不提供任何 on-premise 部署，只有 SaaS，而且这个 SaaS 会一直用最好的 voice engine、最好的模型。客户不会整天问“什么时候能在我这边装好、装好我就甩掉你”——他甩不开我们的。

“会用 Claude Code 写在简历上，跟写精通 Excel 是一样的” ｜ ⏱ 原片段 32:01–36:03

🎙 课代表：什么样的同学适合 FDE？你在招的是什么样的人？

先自我推荐一下：我在 LinkedIn 上，也自己做一个 podcast 采访 FDE 从业人员——外面采访不够的话，我内部 30 个人也够采访很多期了。

画像上：这是一个对主动性（agency）要求很高的岗位，所以现在这个阶段我不放心招 new grad，FDE 需要工作三年以上，本身就是一个很好的 engineer。如果做过 founder / founding engineer，很好；做过 consulting、做过 customer facing 的事情，在赢得客户信任方面没问题，也很好。

另一方面，他需要真的做过 AI Agent。这是我比较着急的地方：我能看到大量简历写着“我是 AI engineer，我很会用 Claude Code”——不废话嘛，现在任何一个 engineer 不会用 Claude Code，就像不会打字一样。

🎙 课代表：这个写在简历上，跟“精通 Excel”是一样的。

对。所以我们需要你做过 AI Agent——不管是用 LangChain、CrewAI 这些开源框架，还是做过 RAG。如果做过 voice 相关的就更好，快的话你进来第二、三周就能 fully deploy 到某个客户那里去。

🎙 课代表：我写过一篇“AI 产品的六个层次”，你们要求候选人到哪一层？

我们的项目、以及我看 candidate，大概到 level 4 差不多就可以了。因为做客服背景的 voice AI，你不见得需要 AI 做很多 research、给你三个方案挑——该退票退票，该 refund 就 refund，不能反过来问客户“我给你退 50% 还是 30%，你觉得哪个合适”。我们更多要求你很清楚怎么去接 knowledge base 和 SOP、做到低延迟、做好 tool call。当然 Cresta 也有别的产品做深度 research，让主管通过一个简单问题拉出一份 100 页带图表的 PDF——但对主线业务来说，level 4 更契合。

🎙 课代表：面试流程是怎样的？

会有很多轮：有偏技术的（不用 AI 手写简单 Python、工程素养），有偏 behavior 的，包括跟我们 forward deployed PM 的配合度。中间会有一个环节是完全放开让你用 AI：90 分钟内，基于我们给的一些 knowledge，做出一个 Agent，并且证明它是高质量的——怎么设计的、怎么 handle 边界 case。这样能比较具体地看到你的熟悉程度，而不是道听途说。

沟通能力、跟客户的 engagement、怎么赢得信任、怎么解决冲突、怎么 drive 事情——这些都会考量。你是不是最好的 programmer 已经不重要了，更重要的是你很清楚怎么以一个技术人的方式 make things happen。

会做事的人很多，能让人放心把事交给他的人很少 ｜ ⏱ 原片段 36:03–41:23

🎙 课代表：win trust 这件事特别重要，但很多人就是不会。技术合格但很难赢得信任的人，和能赢得信任的人，差别在哪？

这个比较主观。如果一个人经历过很多失败、并且能把 lessons learned 讲出来——他在哪个场合言多必失、哪次太早跳到结论失去了信任——对我来说是很好的信号。能赢得信任的人，会从客户的角度揣测他的 motivation（明显的和不明显的），找一个好的角度切入 proposal，站在对方的角度，甚至引导对方自己把方案讲出来，而不是强行 say no 或强行推。这也是为什么有 founder 经验的人在这方面锻炼更多；consulting 背景的人也受过很系统的训练。当然也有人天赋异禀，天生能在沟通中分辨哪些是假信号、哪些是真实需求、哪些是不好意思说的。

还有一些很明显的信号：面试时我问一个问题，对方给我一个六到十分钟的回答，基本上就是一个 flag——你不知道信息颗粒度该怎么控制，不知道怎么激发对方的回应。有时候列十个点，不如讲两三个点。

🎙 课代表：我自己的总结是：真正能赢得信任的人，第一愿意 listen、能站在对方角度思考；第二他的 ego 比较小，是为了把事做好——如果对方 sense 到你特别在乎自己对不对、而不在乎事情本身，就不会 trust 你。当然你自己也不能啥都不懂。

很有道理。

🎙 课代表：最后，为什么说 FDE 是工程师的避风港？

现在如果你是一个纯前端、纯后端，哪怕是 full stack，你可能几个月还是几年内会被 AI 取代。但 FDE 是一个港湾、一个避风港——因为这里面有很多“人”的成分，很难被 AI 取代。

对，到最后我们需要的是能 make decision 的人，能很 smooth 地跟客户一起把事情做成。最后到底是你的方案还是他的方案，无所谓，做成就可以，不要有很强的 ego。

🎙 课代表：国内的朋友能做 FDE 吗？

这个话题值得讲一下。国内很多公司对这块有顾虑，也有人觉得照抄 Palantir 的模式就能成功。但国内人工没那么贵，to B 市场也比较 tricky。我在国内的一些群里，大家对这块是很大的观望——有唱衰的，也有觉得早晚会到的。

我的观点是“橘生淮南则为橘”：在北美，人工很贵，大家愿意为结果买单，SaaS 也成熟，这些加在一起让 FDE 模式容易落地。但如果活儿是数据库实施、数据清理、政务项目这种复杂形态，那远超 FDE 能 cover 的范围。只能说 FDE 在北美是一个相对成熟、有效的方案，在国内还很难讲。

另外很多人眼馋 Palantir 的成功、市值飙成那样，但你很难证明 FDE 在这块饼里占百分之几，不见得有 10%。

🎙 课代表：国内最大的问题是没有 enterprise 市场，没有那么多愿意付费的大企业客户。今天非常感谢！

谢谢课代表，祝大家在 AI 世界里乘风破浪，不管是做 FDE 还是做别的。

对这场访谈感兴趣的，欢迎在 youtube、bilibili 关注「课代表立正」。

如果你觉得今天这篇有收获，欢迎点赞、在看、转发三连，我们下篇见。