夜雨聆风关注「AI前哨局」，看懂 AI 热点背后的产品、岗位与真实机会。
一家公司想做一个“智能补货 Agent”。
演示版可能一天就能做出来：输入门店库存，AI 给出补货建议，界面漂亮，回答也像模像样。
但老板真正追问的是：
它敢不敢直接下单？数据错了怎么办？店长能不能驳回？多补了十万元的货，谁负责？
这时大家才会发现，最难的部分根本不是调用模型。
真正耗时间的是接库存系统、统一商品编码、划分权限、设置审批、记录操作日志、处理失败重试，再让几十位店长愿意每天使用。
Demo 与生产之间这段又脏、又碎、又不能出错的路，正在催生一个迅速升温的岗位：FDE，Forward Deployed Engineer，前向部署工程师。
LinkedIn 今年发布的劳动力市场报告显示，2023 年至 2025 年，FDE 类岗位增长了 42 倍，同期 AI Engineer 增长约 13 倍。
这组数字最值得关注的，不是“又出现了一个高薪缩写”。
而是它暴露了 AI 行业新的瓶颈：
模型越来越强，企业却更缺能把模型塞进真实业务，并对结果负责的人。
FDE 到底是什么：对 AI 上线结果负责的人
FDE 不是坐在办公室里等需求文档的普通程序员，也不是做完一场演示就离开的售前。
他通常直接进入客户团队，从一个模糊的业务目标开始，完成需求梳理、系统设计、代码开发、数据连接、权限配置、上线测试和使用推广。
用一句话概括：
普通工程师对功能负责，FDE 更接近对“这套 AI 有没有在真实工作中产生结果”负责。
OpenAI 的 FDE 招聘说明写得很直接：这个岗位要负责从需求发现、技术范围界定、系统设计，一直到生产上线；成功指标不是 Demo 获得多少掌声，而是生产采用率、工作流影响和能够反向改变产品路线的反馈。
所以，FDE 的工作边界天然很宽。
上午，他可能在仓库里问主管“缺货到底怎么定义”；下午，他要写 Python 接口连接 ERP；晚上，他还得查看模型为什么把促销商品判断成滞销品。
他既要能和业务人员说人话，也要能把问题写成生产代码。
一个补货 Agent，为什么能拖垮三支团队
回到开头那家连锁零售企业。
老板的要求只有一句：“用 AI 降低缺货率。”
如果按 Demo 思路做，团队只需把库存、销量和模型接起来，让 AI 输出一张建议表。
可一旦真的上线，问题会立刻变成一串细节：
01｜数据
总部商品编号和门店编号是否一致？退货算负销量还是单独统计？当天库存多久同步一次？
02｜权限
AI 只能建议，还是可以创建采购单？金额超过多少必须由店长确认？区域经理能否撤回？
03｜异常
模型把节日促销误判成长期增长怎么办？供应商缺货时是否自动换货？接口超时后会不会重复下单？
04｜结果
上线后看什么指标：缺货率、周转天数、报损率，还是店长每天节省的时间？
这才是 FDE 真正工作的地方。
第一周，他甚至可能几乎不写代码，而是跟着采购、仓库和门店走完整个流程，把每一个判断、权限和例外画出来。
接下来才是连接系统、搭工作流、设置人工复核、补齐日志和监控。最后还要跟踪门店有没有采用建议，以及业务指标是否真的改善。
如果店长仍然把 AI 建议导出到 Excel，再凭经验全部重做一遍，这个项目即使“成功上线”，也没有真正落地。
AI 越强，为什么反而越需要 FDE
乍看之下，模型能力变强，工程工作应该变少。
事实恰好相反。
聊天机器人答错一句，人可以忽略；Agent 如果拿着权限答错一次，可能会发错邮件、改错价格、重复付款，甚至碰到客户隐私。
模型从“回答问题”走向“执行动作”以后，身份、权限、评测、日志、人工复核和失败恢复都必须补上。
而这些问题无法靠升级模型自动消失。
更聪明的模型不会自动清理一家公司十年的脏数据，不会理解某张表里“已完成”其实代表“等待财务确认”，也不会替老板决定出错后的责任边界。
模型抬高了 AI 能做什么的上限，却没有降低企业系统必须完成的基础工程。
这也是为什么大厂突然重金押注部署。
2026 年 5 月，OpenAI 宣布成立专门的 Deployment Company，初始投资超过 40 亿美元，并通过收购 Tomoro 带入约 150 名 FDE 和部署专家。6 月，AWS 又宣布投入 10 亿美元，计划让数千名工程师直接进入客户团队，共同部署 Agent 系统。
钱开始从“谁的模型参数更多”，流向“谁能让 AI 在客户公司里稳定工作”。
这不是技术退步，而是 AI 开始交作业了。
别被新职位骗了：有些 FDE 只是驻场外包改了名
FDE 火了以后，最容易发生的事就是职位名称膨胀。
原来的实施顾问、售前工程师、驻场开发，都可能把名称改成 FDE。但名字相同，工作的含金量可能完全不同。
真正值得加入的 FDE 团队，至少应该满足三件事：
第一，能直接写入生产代码。
如果只能演示、写方案、提工单，所有关键开发都要等后方团队，这更像售前或项目协调。
第二，用采用率和业务结果验收。
如果项目只看是否按时交付、是否通过验收，却没人关心用户有没有持续使用，FDE 很可能只是更忙的外包。
第三，现场经验能够回到产品。
FDE 不是每到一家客户就从零堆定制代码。真正有价值的团队会把共性问题沉淀成组件、评测方法和产品能力。
面试时，不妨直接问：我是否拥有代码仓库权限？项目用什么指标衡量？客户现场发现的问题如何进入产品路线？上线后由谁负责运行？
这四个问题，比职位描述里的“前沿”“颠覆”和“高影响力”可靠得多。
普通人有没有机会转向 FDE
有，但它不是一条只学几周提示词就能上车的捷径。
FDE 的机会，恰恰来自“复合能力难以速成”。
软件工程师最接近这个岗位，但要补业务访谈、客户沟通、价值判断和上线推广；数据分析师要补 API、部署、权限、监控和故障恢复；产品经理、咨询顾问或行业运营，则要补一项能独立交付的硬技能，至少能把数据库、模型接口和一个可用界面连起来。
对普通人而言，最有效的准备不是先把简历标题改成 FDE，而是做出一个有真实用户的项目。
找一个具体问题，比如客服工单分类、销售线索整理、合同条款核对或门店补货建议。先做出工具，再找 3 到 5 个真实用户连续使用两周。
记录他们原来花多久、现在花多久，使用了多少次，在哪一步放弃，AI 出过哪些错，你又怎样修正。
这份记录比“熟悉 RAG、Agent、MCP”更有说服力。
因为企业招聘 FDE，真正想买的从来不是一串技术名词，而是一个人把混乱问题变成可运行系统的能力。
最后
过去两年，AI 行业最稀缺的是能把模型做得更强的人。
接下来，另一类人会越来越贵：他们未必训练模型，却能进入仓库、药房、工厂和办公室，把 AI 接上真实数据、真实权限和真实责任。
FDE 的走红说明，AI 的竞争已经悄悄换题。
以前比的是谁能做出更惊艳的 Demo。
现在比的是：谁能让那个 Demo 在周一早上九点稳定开工，并且周五还能算清它到底创造了多少价值。
模型能力会继续快速普及，现场问题却不会因此消失。
AI 越强，越需要有人去现场。
「AI前哨局」持续追踪 AI 产品、岗位与产业变化。觉得这篇文章有价值，欢迎转发给正在做 AI 项目，或准备转向 AI 岗位的朋友。