AI漫谈(1)| FDE:AI时代最稀缺的不是算力,是＂翻译官＂

微信读书给我推了本书

最近微信读书给我推了一本小书——《半小时讲透AI时代的新职业：FDE》，轻科技著。

但翻了几页发现还行，不是水文。这本书想回答三个问题： FDE到底是做什么的？为什么它会在AI时代迅速崛起？以及，即使你永远不会成为一名FDE，这个岗位背后的思维方式有哪些值得借鉴？

我大概花不到一个小时读完，想把书里我觉得有意思的东西聊聊，顺便说几句自己的看法。

FDE是什么

FDE全称 Forward Deployed Engineer，前沿部署工程师。书里用了一个挺直白的比喻：你买了一套智能家居，买是买了，但家里的实际情况不能直接适配——老电路不兼容、说明书看不懂、线不知道怎么接。产品和你家之间隔着一万个具体的、琐碎的、说明书上没写的障碍。如果这时候公司的工程师直接搬到你家，把问题一个个解决掉，还把通用的问题反馈给产品团队改进——这个人就是FDE。

正式定义是：被科技公司派往客户现场，在客户的实际环境中把技术产品改造、搭建、调试直至可以正常使用的一线技术人员。

三个关键词拆开看：前沿是客户的办公室、工厂、医院、银行——技术真正要发挥作用的地方，FDE不坐总部写代码，常年泡在客户那里；部署不只是安装程序，还包括理解业务、打通杂乱的数据、绕过老旧的系统、说服犹豫的员工，直到技术产生看得见的效果；工程师，FDE自己动手写代码，不是做PPT讲方案的人，是当场把方案做出来的人。

书里有一句话总结得准：FDE是"懂技术的人"和"有问题的人"之间的那座桥，而且这座桥是自己会施工的。

它还花了一节澄清FDE不是什么——不是现场维修工，不是高级销售，更不是外包程序员。其中有一点我印象深：FDE的价值在于帮助客户自己提出问题，很多时候客户最初想要的并不是最终要解决的问题。这个后面展开。

这个职位从哪来的

FDE不是AI时代的新发明。书里讲了一段历史，这是全书最有意思的部分。

源头公认是一家叫Palantir的美国公司。Palantir给情报部门、军队和政府机构提供数据分析软件。一般软件公司通过市场调研和用户数据来了解需求，但Palantir的客户是情报部门——数据不能对外透露，系统不能让人远程登录，连"我想解决什么问题"都不能公开说。

传统的"总部开发、打包交付、客服支持"在这种环境里完全行不通。于是Palantir直接把工程师派到客户现场，边理解问题边迭代方案。这批人就是最早的FDE。

Palantir的老板卡普有个比喻我一直记着。他说理想的FDE像法国餐厅里的资深服务员——不只是端盘子记账，而是在顾客身边走来走去，随时注意需求，对每道菜了如指掌。而且，当顾客想点一道不适合自己的菜时，会有底气说："先生，请允许我替你选择另一份。"

贴近、了解透彻、还敢指正客户——说白了就这三点。

书里举了个例子：客户说"给我做个聊天机器人"，普通乙方就做一个聊天机器人；优秀的FDE会先问"你想解决什么问题"，聊完可能发现客户真正想要的是自动处理报销单的系统，而不是聊天机器人。（在AI时代，感觉这种问题情况会比较多）

这段历史里还有个转折。Palantir这套"人肉密集"打法在很长时间里被硅谷主流看不起。硅谷信奉"做产品不做项目"——好软件公司写一份代码卖给一万个人，给每个客户单独定制被贬称为"咨询公司""人力外包"，不性感、没法规模化。但Palantir的人说，外界最看不懂的这套打法恰恰是公司最大的壁垒——竞争对手可以复制产品，但复制不出几百名工程师在客户现场泡出来的行业认知。

后来Palantir用业绩把质疑者噎了回去，当年嘲笑它的硅谷开始集体照抄作业。

Palantir内部有一种双轨文化值得单独提一下：工程师分两种，Deltas在前线客户现场冲锋，Devs在总部打磨核心产品。Deltas用胶带和急智在现场拼出可用方案，同时把"哪些功能被反复使用"带回总部；Devs根据这些信息把一次性定制转化成人人能用的标准功能。前线部队和兵工厂的关系。

这个双轨设计其实回答了一个关键问题：如果FDE只是在客户现场做定制，那不就是外包吗？区别就在于——FDE在现场的经验会回流到产品里，变成标准功能。它在定制和产品之间搭了一个通道。

为什么现在突然爆火

书里最刺眼的一个数字来自MIT。2025年8月，MIT NANDA项目发布报告《生成式AI鸿沟：2025企业AI现状》，研究团队分析了300个公开的企业AI项目，访谈了150位企业负责人，调研了350名员工，结论是：大约95%的企业生成式AI试点项目，没有产生可衡量的利润影响。 企业在生成式AI上投入了估计300亿到400亿美元，绝大多数打了水漂。

报告特别强调：问题不在模型本身。模型够强，演示够惊艳，但从"演示能跑"到"天天能用"之间隔着一道鸿沟——数据杂乱、系统陈旧、流程繁琐、员工抵触。报告管这叫"学习鸿沟"。

这个数字对卖AI模型的公司来说是致命的。客户投了几百万没效果，第二年不光不续费，还会到处说AI是泡沫。模型再强落不了地，商业故事就讲不下去。

然后戏剧性的一幕出现了：当年嘲笑Palantir是"咨询公司"的硅谷，开始集体转身。OpenAI从2024年起组建FDE团队，把工程师直接派到摩根士丹利、克利夫兰诊所这类大客户的办公室里。2026年上半年竞赛进一步升级——OpenAI斥巨资扩建部署服务体系，还收购了拥有约150名资深交付工程师的咨询公司Tomoro；Anthropic联手投资机构组建了专门的企业AI服务部门。2026年初的盘点显示，仅公开渠道就有39家AI公司同时在招200多个FDE职位，职位发布量年增速约800%。

国内大厂也跟进了。字节跳动、阿里云、腾讯云都发布了FDE岗位，主要工作是驻场协助制造、金融、零售等行业客户把大模型用到实际工作中去。

书里把爆火本质总结为一句话：AI的能力过剩了，而把能力转化为价值的人手严重不足。

这点我感觉很有道理。书里还拿电力打了个比方——电力发明之后，工厂生产率并没有立刻提升。经济史学家发现，从电动机诞生到工厂效率明显改善中间隔了好几年，卡住的不是发电机而是"改造"这个环节：重新设计厂房布局、改造传动系统、培训工人。AI现在就站在这个阶段，FDE担当的就是"电气化改造工程师"的角色。

书里还点破了一个比较微妙的商业逻辑。对AI公司而言，FDE团队表面是成本支出，实际是三赢：第一，把"卖软件授权"变成"卖确定的结果"，客单价和续费率都涨了；第二，在客户现场发现的共性需求会被固化成产品功能，相当于让最苛刻的客户免费做产品经理；第三，如果一个企业的主要流程由一家AI公司的FDE搭建起来，换供应商的成本就变得非常高。所以懂行的人会看FDE招聘规模来判断一家AI公司争夺企业市场的决心。

FDE不只是交付手段，它本身是一种锁客策略——这点书里点得很透。

FDE的一天长什么样

书里用"小林"这个虚构案例（基于公开从业者分享合成）还原了FDE的一天，挺生动的，我简述一下。

小林在AI公司工作，已经连续三个月驻扎在一个大保险公司。上午九点半，她没写代码，而是搬椅子坐在理赔员后面看人家怎么办案。理赔员要在三个系统之间不停切换，从车祸照片、修理单和保险合同里找关键信息，每件案子大约40分钟。小林发现理赔员大部分时间花在"从扫描件中找关键数据"上——这恰好是AI擅长的事。

上午十一点，她和理赔部主管开会。主管想要一个能自动审核所有案件的AI产品。但小林根据经验觉得目标太大了——全自动拒赔一旦出错就是投诉和诉讼。她说服主管把目标改成"AI预先阅读材料、提取信息、提出建议，人工做最后决定"，把40分钟里的20分钟工作交给AI。书里说这就是典型的"法国服务员时刻"：有勇气改变顾客点的菜。

下午她开始写代码，用公司的大模型接口搭了个原型：上传理赔资料包自动提取车牌号、修理费用、保单编号，标注不一致的地方。保险公司数据不能脱离内网，她在客户服务器上搭环境；对方核心系统用了十多年没有现成接口，她开发了一层转换层来"翻译"数据。

傍晚六点，三位理赔员试用原型，两个人觉得不错，但一个说抽取的维修费用经常出错——因为很多维修单是手写的。小林记录下来，知道这得反馈给总部的产品团队，内部测试模拟不了这种情况。

晚上她在公司系统发了两条信息：一条给客户的工作汇报，一条给总部的产品意见。而后者，书里说，远比前者值钱——全世界所有保险公司都有手写票据，解决了这家的问题就接近了整个行业的服务。

把小林这一天抽象出来，就是FDE工作的核心循环：观察现场 → 定义问题 → 快速搭建 → 试错迭代 → 反馈产品。

这个循环里最妙的是：FDE不只是在帮一个客户解决问题，更是公司伸向真实世界的传感器。产品经理坐在总部想象用户需求，FDE每天被真实需求拍在脸上。Palantir当年的Foundry平台、如今各家AI公司快速迭代的企业功能，很大程度上都是FDE从前线带回的"战场情报"堆出来的。

什么样的人能干这个

书里总结FDE需要的是"T型人才"：那一竖是至少一门扎实的技术深度，那一横是宽得出奇的杂学和软技能。

技术层面，FDE写代码的环境比总部工程师差很多——没有干净的开发环境、缺少完整资料、客户系统年代久远、数据残缺不全，而且要求当天出结果。需要的不是刷算法题的能力，是全方位的工程能力：前后端都能碰、数据库和云服务都会用、碰到陌生技术马上学。AI时代还要对大模型的"性格"有认识，知道哪里会出问题、哪里可以用RAG和工作流来控制它。

书里有个反直觉的观察，我想单独拎出来说。团队里最优秀的FDE，并不是技术测试分数最高的人。

技术顶尖但栽了跟头的例子一般是这样：一到客户现场就钻进机房，两周后憋出一个技术上无可挑剔的方案，但业务部门根本不配合——因为方案要求一线员工改变工作方式，而他整个过程没和任何一个一线员工沟通过。表现最好的那个人，入职第一周什么都没做，只是四处找人喝茶、问一些"愚蠢的问题"，把客户组织里"谁在幕后反对、哪个部门因为上一个失败项目受挫"摸得一清二楚。等他开始行动时，方案不一定最完美，但每一项都得到了认可和支持。

这个观察打破了"技术能力等同于职业价值"的默认公式。在越来越接近现实的地方，技术是入场门槛，成功靠的是对人的理解和组织的能力。所以FDE不会被"更强大的AI编程工具"替代——工具可以优化方案，但不知道哪个副总裁需要先被说服。

话说回来，书里自己也承认，FDE中纯执行的部分（配环境、写胶水代码、做演示）会被AI工具持续蚕食，未来的FDE会更像"带着一队AI干活的现场指挥官"。工具在变，但"有人得对结果负责"这一点短期内看不到被替代的迹象。

那么不同背景的人，应该怎么切入这条赛道呢？书里把起点分成了三种，路不一样长：

软件工程师走的是最短的路。你不缺技术，缺的是“面向客户”的经验和证据。
咨询顾问、售前或解决方案架构师，缺的是“自己动手”的硬证据。
学生或刚入行的新人，别急着瞄准 FDE 头衔本身。更现实的路线是先进相邻岗位的积累——AI应用开发、交付实施、技术支持等都是好的跳板，要么先有技术深度，要么先有客户经验。

钱和代价

书里的薪酬数据部分我简单列一下，但要先泼冷水：这些数据来自公开渠道，存在幸存者偏差，只能当行情参考。

美国市场，FDE年总收入中位数大约23-24万美元，常见区间20-48万。Palantir前沿部署软件工程师总包约17-41万美元，中位数约21.5万；OpenAI的FDE基本工资16-28万美元，中高级岗位总包可达35-55万。作为对照，美国普通软件工程师收入中位数约13-15万——同样的工程师愿意走到前线去，市场愿意多付一大截溢价。

国内方面，字节跳动豆包大模型相关FDE岗位月薪3.5-7万，最高年薪可达百万；阿里云月薪2-5万，每年16薪；主流云计算公司在杭州等地月薪一般3.5-5.5万，要求五年以上经验。两年前还没有这个职位，一年内就被纳入了大厂的标准职级体系和地方政府的人才培养计划。

但书里没只讲光鲜的一面，专门花一章讲代价。这部分是全书最诚实的地方。

生活方式的重塑——"驻场"两个字写在招聘启事里只占两格，落到生活里是每周的高铁飞机、酒店的床、错过的家庭晚餐。

夹心层的情绪劳动——客户觉得你是乙方派来的，总部觉得你替客户说话。项目顺利时功劳算在产品头上，卡壳时你是离炮火最近的人。理想的"法国服务员"优雅从容，现实里更多时刻像消防员兼调解员。

技术深度的焦虑——FDE的技术是"宽而实用"型的，长期驻场意味着远离总部最前沿的技术讨论。有人担心几年后回头看，同期做核心研发的同事在某个领域钻得很深，而自己会的是"一大堆解决具体问题的招数"。这个担心是否成立，取决于你能不能把杂乱的项目经验提炼成可迁移的判断力，而不是停留在"干过很多项目"。

成就感的延迟到账——总部工程师的成就感是即时的：代码合并了、功能上线了、指标涨了。FDE的成就感常常要延迟几个月才到账——前八周可能都在开会、清洗数据、协调权限，看起来"什么都没做出来"。真正的回报时刻是某天客户一线员工随口说一句"现在没这个系统干不了活了"，但你得熬到那一天。

比起薪酬数字，这几条代价更值得琢磨。如果一个职位只跟你讲钱不讲代价，那大概率是在画饼。这本书至少在这点上没有回避。

普通人能从这本书里学到什么

书最后有一章，讲即使不当FDE，这个职业的思维方式对普通人有什么启示。我挑几条自己有共鸣的说。

离问题近的人越来越值钱。 FDE高薪的本质不是代码写得好，是站的位置好——站在问题实际发生的地方。AI把"标准答案"的价格打到了地板上，但发现真问题、定义好问题的能力AI暂时替代不了，因为真问题藏在现场，藏在数据不会记录的抱怨和绕路里。书里还把这个道理延伸到了生活里：辅导孩子作业时，"现场"不是错题本，是观察孩子卡壳的那一瞬间；照顾老人时，"现场"不是体检报告上的指标，是留意他上下楼梯的姿势变了没有。答案可以外包给AI，对现场的觉察外包不了。

做"翻译"是最可行的复合路线。 FDE能力模型里最值钱的是翻译——在两个互相听不懂的世界之间搭桥。普通人不必成为两个领域的顶尖，只要在两个领域都到"能对话"的程度就够稀缺了。会计不需要成为程序员，但一个懂点AI工具的会计可以把整个部门的对账流程重做一遍；老师不需要会训练模型，但一个会用AI备课并且知道它哪里会出错的老师在同事中就是不可替代的。

带着真问题去学习。 FDE的学习方式是"just-in-time learning"——不是先学完再上场，是为了解决眼前的问题当天学当天用。书里说很多人焦虑于"AI时代该囤哪些技能"，收藏了几百篇教程、买了一堆课，学完就忘。正确做法是找一个真实生活中的问题，带着问题去学，缺什么补什么。知识只有挂在真实问题上才长得牢。

跟对"部署"而不只是跟对"发明"。 每一波技术浪潮里赚到大钱的，除了发明技术的人，还有一大批把技术安装到世界上的人：电气时代的电气工程师、互联网时代的建站公司、移动时代的App开发者。发明的窗口极窄、天才云集；部署的窗口宽得多、时间长得多，对普通人友好得多。AI的"部署时代"才刚开始，它需要的不只是工程师，还有懂AI的律师、医生、乡镇干部、小店老板。

写在后面

整体来说这本书值得读。它不长，一下午就能翻完，但信息密度不低——MIT的数据、Palantir的历史、FDE的工作日常、能力模型、薪酬和代价，一条线拉下来，你对这个职业就有了一个基本完整的认知。

挑毛病的话，书里有些地方偏乐观。比如它说FDE不会被AI替代，理由是"理解混乱的现场、赢得客户信任、判断哪个问题值得解决"这些能力难以自动化。短期成立，但书里自己也承认纯执行部分会被蚕食，未来FDE会变成"带着AI干活的现场指挥官"——那再往后呢？如果AI的"指挥"能力也在提升？书没有展开。不过作为一本半小时读完的科普小书，这个深度已经够用了，真要深挖可以去看它附录里列的参考资料。

倒是有句话我想多说一句——书里反复强调"AI能力过剩，把能力变成价值的人不足"。这个判断我同意，甚至觉得它还说轻了。它不只是FDE一个职位的问题，而是指向一个更大的转变：AI行业的重心正在从"造出更聪明的模型"转向"让模型在真实世界里干活"。后者才是绝大多数人能参与的部分。

让模型跑通一个demo，和让它在某个真实场景里被人天天用，中间隔着一条河。这条河，现在叫FDE的人站在里面蹚。

如果你也对"AI怎么真正落地"感兴趣，这本书可以翻一翻。它不会让你成为FDE，但能让你对这个方向有一个不靠想象的认知。

这是「AI漫谈」的第一期。想聊的是AI对人和行业的影响——新职业、行业趋势、读书心得、观察思考。觉得有点意思，或者你对FDE有自己的看法，评论区聊聊。下一篇见。