FDE火了,但AI工程师才是更大的岗位浪潮

先说结论

最近硅谷又火了一个职位： AI Forward Deployed Engineer ，通常简称 FDE 。

直译有点拗口，可以理解成“前沿部署工程师”：不是坐在总部写一个通用功能，而是进入客户组织内部，把模型、工具、数据、权限、业务流程连起来，做成能真正跑在生产环境里的 AI 应用。

这个职位为什么突然被重新讨论？

因为大模型公司发现，企业买了模型，不等于企业真的用上了模型。一个 API 、一个聊天框、一个演示 demo ，离“财务团队每天用它处理报表”“客服团队每天用它分流工单”“销售团队每天用它生成并校验方案”，中间差着一大段工程落地。

于是 OpenAI 、 Anthropic 这样的公司开始组建面向客户的 FDE 团队。 DeepLearning.AI 的 The Batch 也专门讨论了这个现象： FDE 会嵌入客户组织，帮助客户定制解决方案，比如构建和调整适合特定业务需求的 agentic workflows 。

但这件事真正值得看的，不是“FDE 会不会成为下一个高薪岗位”。

更大的变化是： AI 正在把软件工程拆开，重新命名，重新分工。

FDE 是一个很显眼的前浪。但后面更大的浪，可能是 AI 工程师。

图 1 ： FDE 的价值，不在于会调用模型，而在于把模型落进客户真实流程。

为什么 FDE 会重新变热

FDE 不是一个全新的概念。

这个角色最早出圈，和 Palantir 有很深关系。 Palantir 过去服务政府、金融、大型企业客户，很多系统运行在高度复杂甚至隔离的环境里。标准软件交付那套“产品做好、文档写好、客户自己接入”的方式，往往不够用。

所以它需要工程师直接进入客户现场，理解客户的数据、权限、流程和组织限制，然后把软件改到能真正解决问题。

AI 时代，这个逻辑又回来了。

原因很简单：大模型看起来很通用，但企业需求一点也不通用。

同样是“做一个内部知识库助手”，不同公司会马上遇到完全不同的问题：

数据在哪里？哪些文档能看，哪些不能看？回答错了谁负责？怎么记录日志？能不能接 CRM 、工单系统、财务系统？不同岗位看到的答案要不要不一样？如果模型调用了工具，工具返回异常怎么办？如果员工把敏感信息粘进去，系统怎么拦？

这些问题不是一句“接入大模型”能解决的。它们需要工程能力、产品判断、组织沟通和现场妥协。

这正是 FDE 的工作范围。

Anthropic 的 FDE 招聘说明里，就写得很直白：这个角色要直接嵌入战略客户，和客户团队一起交付能解决真实业务问题的 AI 应用；还要在客户系统内构建基于 Claude 的生产应用，并交付 MCP servers 、 sub-agents 、 agent skills 等技术产物。

注意这里的关键词：生产应用。不是试用。不是演示。不是发一条朋友圈说“我们也接入 AI 了”。

而是要进入业务系统，承受真实流量、真实权限、真实失败、真实责任。

这就是为什么 FDE 会火。

当 AI 从“能聊”进入“能干活”，公司需要的不只是模型能力，而是部署能力。

但 FDE 不会是最大的岗位池

FDE 重要，但它不一定会成为数量最多的岗位。

因为这个角色有一个天然限制：它是嵌入式的。

一家企业可能愿意接受几个外部 FDE 进来，帮助它把关键项目跑起来。但它不太可能把所有 AI 改造都交给外部供应商的人来做。

原因有三个。

第一，企业自己的流程太多。

一个大型公司里， AI 可以改造的地方不是一个项目，而是一串项目：客服、销售、财务、法务、研发、供应链、人力、采购、数据分析、内部知识管理。每个项目都需要理解业务细节。靠几名外部 FDE ，不可能覆盖所有长尾场景。

第二，企业会担心供应商绑定。

FDE 通常来自某个模型公司或平台公司。它当然会很专业，但它的目标也很明确：帮助客户更深入地使用自家产品。

这不一定是坏事。企业确实需要专业支持。

但在今天这个时间点，没人敢保证一年后最适合自己的模型、工具链和 agent 框架是哪一家。今天 Claude 在某类任务上更强，明天 Gemini 、 OpenAI 、开源模型或某个垂直模型可能更适合。企业如果把流程做得过度绑定，就会失去选择权。

第三， AI 改造最终会变成企业内部能力。

一开始，外部 FDE 可以帮公司从 0 到 1 。但当 AI 变成日常基础设施，公司一定会希望自己的员工能维护、评估、迭代这些系统。

就像云计算刚起来时，企业会请云厂商和咨询公司做迁移。但十几年后，大多数公司都需要自己的云工程、 DevOps 、安全、数据平台团队。

AI 也会走类似的路。外部 FDE 负责点火。内部 AI 工程师负责让火持续烧下去。

图 2 ：对企业来说，未来可切换、可迁移、可替换的能力，比一时集成速度更值钱。

AI 工程师到底在做什么

现在很多人听到“AI 工程师”，容易以为这只是“会写提示词的程序员”。

这个理解太窄了。

真正的 AI 工程师，做的是把 AI 组件变成可用软件。

这里的组件包括：LLM prompt 。工具调用。RAG 和知识库。Agent 框架。评估集。日志和观测。权限控制。成本控制。模型路由。人机协作流程。

以及越来越重要的 AI 编码代理，比如 Claude Code 、 Codex 、 OpenCode 这类工具。

过去的软件工程，核心问题是“怎么把业务逻辑写成稳定系统”。

现在的 AI 工程，多了一层新问题：怎么把一个概率系统，放进一个需要确定性的业务环境里。

模型会犯错。模型会幻觉。模型今天和明天可能表现不一样。同一个任务，换一个提示词、换一个上下文、换一个模型版本，结果都可能改变。

所以 AI 工程师不只是“调 prompt”。他要做的是：把不稳定的智能能力，装进可监控、可评估、可回滚、可解释的工程系统。

这也是为什么我认为 AI 工程师的岗位数量会远大于 FDE 。

FDE 更像一种交付形态：靠近客户，帮助落地。

AI 工程师则是一种基础能力：每家公司都需要。

未来不只是模型公司需要 AI 工程师。金融公司、制造公司、教育公司、医疗公司、游戏公司、媒体公司、电商公司，都需要懂 AI 组件、懂软件工程、懂业务约束的人。

这不是一个“AI 替代程序员”的简单故事。

更像是：软件工程的边界正在扩大。

新职业会从通才开始，再慢慢分化

一个职业刚出现时，通常都是通才先上。

早期互联网公司里，很多工程师什么都干：前端、后端、数据库、部署、运维、脚本、客服工具，哪里需要补哪里。

后来系统复杂了，角色才慢慢分化：前端工程师、后端工程师、移动工程师、数据工程师、 DevOps 、安全工程师、 SRE 。

AI 工程师也会这样。

今天，一个优秀的 AI 工程通才可能要同时会这些事：

他要知道不同模型适合什么任务。他要会设计 prompt 和工具调用链。他要能搭评估集，判断“看起来不错”的 demo 到底能不能上线。他要懂一点数据工程，因为很多 AI 应用死在数据质量上。他要懂一点产品，因为 AI 功能经常不是越聪明越好，而是越可控越好。他还要会用 AI 编码工具，把自己的开发效率拉高。但随着项目越来越多，专业化一定会出现。

未来可能会有专门做评估的 Evals Engineer ，负责设计测试集、自动化回归、红队用例和质量门槛。这里的难点不是写几条测试，而是让系统在模型升级、 prompt 调整、工具链变化后，还能知道自己有没有退步。

会有 LLMOps Engineer ，负责模型部署、路由、观测、成本和稳定性。会有 AI Data Engineer ，专门处理训练、检索、权限、标注和反馈数据。会有 Agent Harness Engineer ，负责把工具、环境、权限、日志、重试和人类审核编排在一起。也会有 AI FDE ，专门把这些能力带到客户现场。

名字可能会变，但方向大概率不会变。因为只要 AI 真正进入业务，企业就会不断遇到同一类问题：怎么让它更可靠、更便宜、更安全、更贴合流程。这些问题，慢慢都会变成岗位。

图 3 ： AI 工程师会先以通才形态创造价值，再逐步分化成更细的专业岗位。

对个人来说，机会在哪里

如果你是工程师，现在要不要立刻去转 FDE ？

不一定。

FDE 适合一类很特殊的人：既能写代码，又能和客户长时间沟通；既能理解系统，又能理解组织；既能往前冲，也能在客户提出不现实需求时礼貌拒绝。

这不是纯技术岗位，也不是纯售前岗位。它夹在产品、工程、咨询和交付中间。

如果你喜欢现场、喜欢复杂组织、喜欢把模糊需求变成可运行系统， FDE 是很好的方向。

但如果你更想在公司内部长期建设系统， AI 工程师可能是更宽的入口。

你需要补的，不只是某一个模型 API 。

坑在这里：只会接 API ，最多解决“能不能调用”；会做评估、观测和回滚，才是在解决“能不能长期用”。

而是几种底层能力。

第一，学会把 AI 当成软件组件，而不是魔法。

模型只是组件。提示词、工具、数据、评估、日志、权限、成本，合在一起才是产品。

第二，学会评估。

AI 应用最危险的地方，是 demo 很惊艳，上线很脆弱。没有评估，就没有工程化。

第三，学会使用 AI 编码代理。

未来的 AI 工程师，不只是开发 AI 应用的人，也会是最早被 AI 改造开发方式的人。不会用这些工具，效率会被拉开。

第四，保留跨模型、跨框架的判断力。

不要把自己的能力绑定在某一个供应商按钮上。真正值钱的，是你能判断什么场景该用什么模型，什么任务该让 agent 做，什么环节必须保留人工审核。

说到底，这不是一个岗位新闻

FDE 的走红，说明 AI 的竞争正在从“模型参数”进入“真实部署”。

这是一件好事。

因为只有当企业愿意为落地岗位付钱， AI 才不只是实验室能力，而是新的生产系统。

但如果把目光只放在 FDE 上，反而会看小这次变化。

更大的变化是： AI 正在创造一整套新的工程分工。

FDE 是其中最靠近客户的一支。

AI 工程师，则会成为更多公司内部都需要的基础岗位。

所以，与其问“FDE 会不会火”，不如问一个更实际的问题：

当 AI 从聊天框进入业务流程，你能不能把它做成一个可靠、可评估、可维护、可迁移的系统？

能做到这一点的人，未来十年都不会缺机会。