去年年底，一位业务负责人接到任务：给销售团队做一个AI报价助手。他第一反应是打开ChatGPT，把报价规则粘进去，让它“照着给个报价”。试了一周，AI给出的价格时对时错，销售根本不敢用，项目不了了之。

同期，另一个团队做的是同一件事。他们多花了三周：先梳理了报价的47条规则和12个例外，把数据拆成“输入、判断依据、输出动作”三层，再挑了30条历史报价做成测试集，最后让两个销售真实试用、改了四轮。上线第一个月，这个助手处理了2100条报价请求，人工复核率从100%降到18%。

两个团队用的是同一个大模型。差别不在模型，在人——能交付AI项目的人，和只会用AI工具的人。这就是FDE（Forward Deployed Engineer，前沿部署工程师）这个岗位近几年突然火起来的原因。

💡 一句话理解FDE：把模糊的业务问题，翻译成一个可运行、可评测、最终有人愿意用的AI系统。

🔥 FDE是什么：卡在公司和AI之间的空当里

LinkedIn的报告显示，2023到2025年，全球新增了约9000个FDE相关岗位，相关角色增长约42倍。薪酬直接反映了稀缺度：美国Anthropic公开的FDE年薪是28万到32万美元；国内北上深的头部大厂，这个岗位月薪普遍在30k到60k。

为什么这么贵？因为FDE做的事，恰好卡在绝大多数公司的空当上：公司里有懂业务但不懂技术的人，也有懂技术但不懂业务的人，而AI落地需要一个人同时理解两头——把业务问题翻译成系统，再把系统送进业务现场。

FDE的全部工作，就是把“会调AI”变成“AI被用起来”。填得上这个空当，AI才从“演示很惊艳”变成“每天有人在用”

🧭 8+3能力地图：不是某一项技能，是一套组合

要填这个空当，靠的不是某一项技能，而是一套能力组合，业内常概括为“8+3”。

✅ 8项核心能力，是一条完整的问题解决链条：

1. 场景发现：在业务里找到真正值得用AI解决的问题
2. 问题定义：把模糊的抱怨变成清晰的任务描述
3. 价值判断：算清楚这件事值多少钱、省多少时间
4. AI方案设计：选对模型和方式，而不是什么都上Agent
5. 上下文与数据集成：把业务数据安全地接进AI系统
6. 原型构建：快速做出一个能跑的版本
7. 测试评测：用客观标准判断AI干得好不好
8. 部署迭代：让系统在真实环境里稳定运行、持续变好

🛡️ 3项底座能力，是前8项的前提：

• 软件工程：至少具备“轻代码”能力，用Python和API把想法做成系统
• 客户沟通与项目推进：听懂客户没说完的需求，把多方拉到同一节奏
• 安全权限与治理意识：知道哪些数据能碰、哪些不能，模型输出要过什么关

这套地图最有价值的地方在于：它几乎不看你是什么专业出身。业务经验加上工程能力，是两条可以互相补位的腿。这也正是“普通人能转”的根源。

🛠️ 一个AI项目从0到1：五步走（以竞品情报系统为例）

第一步，建立业务基线。先搞清楚现状：每天谁在看什么、看完做什么、漏一次要花多大代价。没有基线，后面无法证明AI有没有用。

第二步，方案设计优先Workflow，而不是一上来就多智能体。大部分真实需求，用一条清晰的流程加几次模型调用就能解决；多智能体只在任务真正需要分工时会话时才值得上。越简单的方案越容易上线、越容易维护。

第三步，数据设计三分离。把数据拆成三层：Evidence（原始证据）、Signal（筛选信号）、Action（行动动作）。比如竞品情报里，原文是证据，“降价”是信号，给产品负责人的提醒是动作。分开存，AI的判断才可追溯、可修正。

第四步，建黄金测试集（Golden Set）。挑30到50条有标准答案的历史样本，每条标注“什么算对”。以后每次改Prompt、换模型，先跑一遍测试集，分数不降才敢上线。这是AI项目“不翻车”的底线工程。

第五步，真实用户试用迭代。找几个天天用的人，拿真实任务去试，把“我觉得不对”变成“这一步为什么错”，一圈圈修。AI系统的价值不是上线那一刻决定的，是上线后第一个月用出来的。

📌 方案越简单，越容易上线、越容易维护。大部分真实需求不需要多智能体，一条清晰的流程就够了。

⚙️ 技术边界：不用成为工程师

很多人一听FDE就被“工程师”三个字吓退。实际上它的技术门槛是“轻代码级”，大概四块：

• Python基础：能写脚本、能处理数据
• API与数据：懂HTTP、SQL、JSON，能把系统接起来
• LLM应用：Prompt、上下文管理、RAG检索，必要时用Agent
• 评测能力：会写测试集、会看指标

每一块都可学，而且都比“成为软件工程师”窄得多。真正的分水岭不在代码，在于你有没有把一个真实问题的来龙去脉想透。

🗓️ 30天行动指南：不用等“准备好了”

• 第1周，选对问题：从你熟悉的业务里挑一个“小但有真实用户”的痛点
• 第2周，设计系统：把问题拆成流程，画出AI要读什么、判断什么、产出什么
• 第3周，做出V0.1：用最笨的方式把第一个能跑的版本做出来
• 第4周，真实迭代+整理作品集：找真实用户用，把过程数据、测试集、迭代记录整理成作品集

✨ 判断一个人是不是FDE的苗子，不看简历，看一件事：他有没有把一个AI项目，从想法推到有人天天在用。

AI工具的使用方法，几个月就会过时；“把业务问题变成可用系统”的能力，会越来越值钱。选一个你熟悉的问题，找一个真实用户，今天就做V0.1——这条路比想象中短，也比想象中挤。