智胜｜FDE : 全球 AI 大厂正在争抢的，不是程序员，而是“前线造局者”

欢迎大家关注“凯哥讲故事系列”公众号

智胜 | THE INTELLIGENCE EDGE

FDE 变天了：全球 AI 大厂正在争抢的，不是程序员，而是“前线造局者”

从 Palantir、OpenAI、Anthropic、Google Cloud 到 Databricks、Scale AI、Harvey，看智能体时代全链路工程师的能力重构。

AI-Native FDEAgentic Workflow客户现场 × 工程交付 × 产品化沉淀

过去几年，企业数字化转型领域有一个岗位正在悄悄升温：FDE，Forward Deployed Engineer，前线部署工程师。

如果放在十年前，大多数人第一次听到这个岗位，可能会以为它只是“高级售前”或者“客户现场工程师”。但到了大模型和智能体时代，FDE 的含义已经发生了根本变化。

它不再只是一个“去客户现场解决问题的人”，而是 AI 公司把前沿技术真正打进企业生产系统里的核心兵种。

在 Palantir，它叫 Forward Deployed Software Engineer，是嵌入客户现场、用平台和工程能力解决最难问题的人；在 OpenAI，它是把前沿模型从研究突破变成客户生产系统的人；在 Anthropic，它要交付 MCP server、sub-agent、agent skills 等真正进入工作流的技术资产；在 Google Cloud，它被定义为 embedded builder，要把原型推向 production-grade agentic workflows；在 Databricks，它是帮助客户生产化第一类 AI 应用的专业服务尖兵；在 Scale AI，它要开发生产级 AI agents、多智能体系统、评测框架和 human-in-the-loop 机制；在 Harvey，它则进入法律等专业服务场景，把复杂行业工作流转化为可复制的 AI 产品能力。

AI 时代，真正稀缺的不是会调用模型的人，而是能进入客户现场，把复杂业务、数据系统、组织流程和智能体能力连接起来的人。

这类人，就是新一代 FDE。

图 1：全球 FDE 范式演进——从客户现场工程，到前沿模型与智能体生产部署。

一、FDE 的起点：Palantir 定义了“前线工程师”的原型

如果要理解 FDE，绕不开 Palantir。

Palantir 官方博客对 FDSE 的定义很清楚：它是嵌入客户现场的软件工程师，负责配置 Palantir 既有平台，解决客户最困难的问题。Palantir 还特别区分了传统软件工程师和 FDSE：传统软件工程师更像是“为很多客户开发一个通用能力”，而 FDSE 更像是“为一个客户组合很多能力”。

这句话非常关键。传统工程师的逻辑是产品中心主义：我做一个标准产品，卖给很多客户。FDE 的逻辑是客户现场主义：我进入一个客户的真实环境，把平台、数据、流程、应用、用户一起拉通，解决一个具体而复杂的问题。

Palantir 另一篇文章进一步解释，Forward Deployed Software Engineer 的使命是为客户实现技术驱动的价值创造，部署和定制 Palantir 平台，解决关键业务问题，并且以客户目标的影响作为衡量标准。它不是做一次性的咨询分析，而是和客户一起构建长期解决方案，让客户持续改善自己。

不是给客户写代码，而是把代码、数据、平台和业务结果连接起来。

Palantir 的岗位描述也非常直接：FDSE 要直接与客户合作，快速理解客户最大的问题，设计并实现用数据解决这些问题的方案；工作内容可能包括讨论架构、处理大规模数据、写定制 Web 应用、和客户高管沟通，甚至建立团队策略。Palantir 还把这个角色比作“startup CTO”，强调小团队、高自主性和高风险项目的端到端负责。

这也是为什么 FDE 和传统售前不一样。售前讲方案，FDE 做方案。顾问发现问题，FDE 把问题做成系统。交付工程师完成任务，FDE 对客户结果负责。

到了 GenAI 时代，Palantir 又把这个岗位升级为 Forward Deployed AI Engineer。其岗位说明写得更直白：FDE 要直接与客户合作，负责 GenAI 战略与实施，每天构建端到端工作流，把它们推向生产，解决最大规模的真实世界问题，并把一线经验反馈给 Palantir AIP 产品套件。Palantir 还明确强调，这个岗位要解决真实业务问题，而不是学术 benchmark。

FDE 不为 Demo 存在，FDE 为真实业务结果存在。

二、OpenAI：FDE 从“现场工程师”升级为“前沿模型生产部署负责人”

如果说 Palantir 定义了 FDE 的原型，那么 OpenAI 则重新定义了 AI 时代 FDE 的边界。

OpenAI 的 FDE 团队定位是：帮助客户把研究突破转化为生产系统，工作在客户交付和核心平台开发的交叉点。其岗位职责强调，FDE 要带领最战略客户完成复杂的前沿模型端到端生产部署，负责 discovery、technical scoping、system design、build 和 production rollout。

这意味着 OpenAI 眼里的 FDE，不是“模型 API 的实施顾问”，而是一个从问题发现到生产上线的全链路 owner。

更重要的是，OpenAI 对成功标准的描述非常值得关注：FDE 的成功不只是模型接通，也不是 Demo 成功，而是生产采纳、可衡量的工作流影响，以及能够通过评测反馈改变产品和模型路线图。

这里有三个关键词。

第一，production adoption。客户真的用起来，才算成功。

第二，measurable workflow impact。必须对客户工作流产生可衡量影响，不能只停留在“体验很好”。

第三，eval-driven feedback。一线评测结果要反哺产品和模型路线图。

OpenAI 还要求 FDE 从第一个原型到稳定生产负责技术交付，构建全栈系统，嵌入客户团队，理解客户需求并推动采纳；当进展或清晰度依赖代码时，FDE 还要直接写代码；同时要把工作模式沉淀为工具、playbook 或 building blocks，供其他团队复用。

AI 公司真正需要的 FDE，不是“会讲模型能力的人”，而是“能把模型能力变成客户生产力的人”。

从 OpenAI 的定义看，FDE 至少要跨越五个层次：能理解客户业务场景；能定义技术边界和系统设计；能亲自构建全栈系统；能推动生产上线和客户采纳；能用评测结果反哺产品和模型。

这也对国内企业培养 FDE 提出了更高要求。很多团队现在还停留在“会做一个 AI Demo”的阶段，但 OpenAI 这样的公司已经把标准提到“从 Demo 到生产，从生产到评测，从评测到产品演进”。这就是 FDE 的第二次进化。

三、Anthropic：智能体时代的 FDE，要会 MCP、子智能体、Agent Skills

Anthropic 的 FDE 岗位更能体现智能体时代的技术变化。

它的 Forward Deployed Engineer, Applied AI 岗位说明中，明确要求 FDE 在客户系统内构建基于 Claude 模型的生产应用，并交付 MCP servers、sub-agents 和 agent skills 等技术资产，而且这些资产会被用于生产工作流。

这说明一个重要趋势：FDE 的交付对象，正在从“应用系统”变成“智能体能力单元”。

过去做企业软件，我们交付的是页面、报表、流程、接口。现在做企业 AI，我们交付的是：能调用工具的 Agent；能连接数据源的 MCP server；能承担子任务的 sub-agent；能封装专业能力的 agent skill；能被纳入工作流的智能体组件。

Anthropic 对候选人的要求也很清晰：需要具备 LLM 生产经验，包括高级 prompt engineering、agent development、evaluation frameworks 和规模化部署能力；还要有 Python 等编程能力、能够在复杂组织中处理模糊性，并保持安全、有益 AI 系统的价值观。

这对于我们设计 FDE 培训非常关键。传统 FDE 培训只讲客户研究、原型开发、系统集成已经不够了。智能体时代的 FDE 必须懂四件新东西：Agent 架构、工具协议、评测框架和安全边界。

AI 时代的 FDE，不只是应用工程师，而是 Agentic Workflow Engineer。

四、Google Cloud：FDE 是 embedded builder，不是传统顾问

Google Cloud 对 FDE 的定义最接近今天企业 AI 落地的真实痛点。

Google Cloud 的 Generative AI FDE 岗位写道：FDE 是 embedded builder，连接前沿 AI 产品和客户生产级现实。不同于传统 advisory role，它要作为 innovator-builder，进入客户环境中 code、debug，并与客户共同交付定制化 agentic solutions。

这句话特别值得拆开看。第一，embedded builder。FDE 不是站在外面讲架构，而是嵌进去建设。第二，frontier AI products 与 production-grade reality 之间的桥。模型厂商有最强模型，客户有最复杂现实。FDE 就是中间那个翻译器和连接器。第三，code、debug、jointly ship。不是 advisory，不是 PPT，不是 workshop，而是一起写、一起调、一起上线。

Google Cloud 还明确指出，FDE 要处理 AI 无法进入企业级成熟度的阻碍，包括 integration complexity、data readiness 和 state-management issues。它还要求 FDE 把现场洞察转化为 Google Cloud 产品路线图的反馈。

这几乎说中了所有企业 Agent 落地的核心障碍。很多企业 AI 项目失败，并不是模型不够强，而是数据没有准备好、业务流程没有拆清、系统接口没有打通、权限边界没有定义、多轮任务状态管理混乱、评测和观测缺失、最终用户没有采纳。

Google Cloud 对岗位技能的要求也非常具体：FDE 要能实现多智能体系统，懂 ReAct、自我反思、层级委派等复杂 Agent 模式；理解 tokens/sec、cost-per-request 等 LLM 原生指标；能够实现包含 MCP、tool-calling 和 OAuth 认证的 agentic workflows；还能构建与企业 IT 基础设施交互的全栈应用，并通过访谈找到业务问题。

FDE 的核心战场，不是模型能力展示，而是生产阻塞点清除。

谁能把数据、接口、权限、状态、评测和用户采纳这些脏活累活做通，谁才是真正能落地 AI 的人。

五、Databricks

FDE 必须懂数据，因为 Agent 的底座不是 Prompt，而是 Data

Databricks 的 AI Engineer - FDE 岗位，把 FDE 放在数据智能平台的语境下理解。

Databricks 说，AI Forward Deployed Engineering 团队是一个高度专业化、面向客户的 AI 团队，帮助客户构建并生产化 first-of-its-kind AI applications，同时和工程、产品、开发者关系等团队协作，影响长期战略优先级。

它要求 FDE 开发前沿 GenAI 解决方案，拥有面向消费者和内部用户的 GenAI 应用生产上线能力，担任客户可信技术顾问，并与产品和工程团队协作影响产品路线图。

更关键的是它对技能的要求：候选人需要有 GenAI 应用经验，包括 RAG、多智能体系统、Text2SQL、fine-tuning 等；还要具备生产级 GenAI 应用部署、评测与优化能力，以及数据科学、机器学习、云平台和大规模分布式数据处理能力。

没有数据工程能力的 FDE，很难做出真正可用的企业 Agent。

因为企业智能体不是一个简单聊天窗口，它通常要处理企业知识库、历史文档、业务数据库、指标体系、权限数据、工单数据、CRM、ERP、MES、OA、日志与行为数据、外部公共数据、多模态文件与结构化表格。

一个不会数据摄取、不会数据清洗、不会 schema 理解、不会向量检索、不会 Text2SQL、不会评测 RAG 质量的 FDE，很容易把 Agent 做成一个“会说但不可靠”的壳。

Databricks 给国内 FDE 培训最大的提醒是：智能体训练营不能只教 Prompt 和 AI Coding，必须把数据工程、RAG、Text2SQL、评测和数据治理放进核心课程。未来的 FDE，一半是 Agent 工程师，一半是数据产品经理。

六、Scale AI

FDE 要把 Agent 做到可评测、可反馈、可持续改进

Scale AI 的 Forward Deployed AI Engineer 更强调“可靠 AI 系统”和“数据基础设施”的结合。

其岗位要求 FDE 开发面向客户用例的生产级 AI agents，覆盖客服、数据分析、内容生成、工作流自动化等场景；还要架构多智能体系统，在不同模型、工具和数据源之间编排；实现评测框架来衡量 Agent 表现，并围绕业务目标持续迭代；同时设计 human-in-the-loop 工作流和反馈机制。

这段描述几乎是 Agentic FDE 的标准答案。一个成熟的企业 Agent，不能只回答问题，它必须进入一个闭环：任务输入、Agent 执行、工具调用、人工确认、结果评测、反馈学习、持续优化。

Scale AI 还要求 FDE 做 prompt 策略、prompt library、A/B testing、RAG 和 fine-tuning pipeline；同时要成为战略企业客户的主要技术联系人，培训客户团队，并把客户需求转化为产品改进。

更值得注意的是，Scale AI 把 debug 范围定义为“从数据管道到模型输出的整个技术栈”，并要求快速原型帮助客户 unblock，同时识别可产品化的共性模式。

这意味着 FDE 的工作并不是“我做完一个客户项目就结束了”。真正优秀的 FDE 要完成三次转换：第一次，把客户问题转换成 Agent 原型；第二次，把 Agent 原型转换成生产级系统；第三次，把生产级系统转换成可复制产品资产。

七、Harvey

垂直行业 FDE 的关键，不是懂 AI，而是懂专业工作流

Harvey 是法律 AI 领域的代表，它的岗位虽然不完全都叫 FDE，但非常能说明垂直行业 AI 落地需要什么样的人。

Harvey 的 New Verticals 工程岗位要求工程师处理用户应用、后端服务、数据系统、文档和知识管道、agentic workflows 等端到端问题；根据问题不同，工作可能包括构建前端体验、设计 API、建数据模型、搭 ETL pipeline、改进检索和评测循环、编排长周期 Agent，或者交付平台能力。

更重要的是，它要求工程师直接与客户、产品、设计和工程合作，理解复杂法律工作流，并把它们转化为稳健、可扩展的软件。Harvey 明确说，目标不是交付定制解决方案，而是识别可重复模式，把它们转化为持久的产品和平台能力。

这就是垂直行业 FDE 的核心。在法律、证券、交通、能源、制造、政务这些领域，AI 落地失败的原因往往不是技术，而是“不懂业务”。

你不知道律师怎么审合同，不知道投顾怎么做适当性管理，不知道调度员怎么处理异常，不知道工程师怎么查设备故障，不知道政府部门怎么写申报材料，就很难设计出真正可用的 Agent。

Harvey 的 Legal Engineer 岗位进一步说明了“领域专家型 FDE”的价值。Legal Engineer 是来自顶级律所或企业法务团队的专业律师，他们通过客户发现、教育和演示，把 Harvey 的 AI 解决方案映射到律师日常工作流中，并作为客户之声，把反馈带给产品团队。

未来的 FDE 不只有技术型，还有领域专家型。行业知识不是 FDE 的附加能力，而是 FDE 的护城河。

图 2：Agentic FDE 九宫格能力模型。

八、全球大厂 FDE 要求背后的共同能力模型

综合这些公司公开岗位和官方材料，可以看到全球 FDE 正在形成一个共同能力模型。

第一，客户嵌入能力

FDE 必须能进入客户现场，与一线用户、业务负责人、技术团队和高管一起工作。Palantir 强调直接支持一个客户、围绕客户目标实现影响；OpenAI 强调嵌入客户团队、理解需求并推动采纳；Google Cloud 则直接把 FDE 定义为 embedded builder。

第二，问题发现能力

FDE 不是等需求，而是做 discovery 和 scoping。OpenAI 明确把 discovery 和 technical scoping 放在岗位职责最前面；Harvey 也强调通过客户发现理解具体法律工作流。

第三，全栈工程能力

全球大厂对 FDE 的共识是：必须能写代码。OpenAI 要求构建 full-stack systems，并在需要时直接贡献代码；Google Cloud 要求 code、debug、jointly ship；Harvey 要求前端、后端、API、数据模型和开发者工具端到端构建。

第四，Agent 工程能力

Anthropic 要求 MCP servers、sub-agents、agent skills；Google Cloud 要求多智能体、MCP、tool-calling、OAuth；Databricks 要求 RAG、多智能体、Text2SQL、fine-tuning；Scale AI 要求生产级 AI agents、多智能体系统和 human-in-the-loop。

第五，数据工程能力

Databricks 强调数据和 AI 平台能力，要求 FDE 具备数据科学、机器学习、云平台和分布式数据处理能力；Scale AI 要求 debug 从数据管道到模型输出的整个技术栈；Google Cloud 把 data readiness 明确列为企业 AI 生产化阻塞点。

第六，评测与观测能力

OpenAI 强调 eval-driven feedback；Anthropic 要求 evaluation frameworks；Google Cloud 要求 evaluation pipelines 和 observability frameworks；Scale AI 要求实现评测框架并围绕业务目标迭代。

第七，组织推动能力

FDE 必须能和客户、销售、产品、工程、安全、GTM 多方协同。OpenAI 要求与 Product、Research、Partnerships、GRC、Security、GTM 团队协作；Anthropic 要求建立长期客户关系并识别新的 AI 部署机会；Scale AI 要求培训客户团队并作为战略企业客户技术联系人。

第八，产品化沉淀能力

这可能是 FDE 和外包工程师最大的区别。OpenAI 要求把有效工作模式沉淀为 tools、playbooks 或 building blocks；Anthropic 要求识别并编码可重复部署模式；Google Cloud 要求把现场模式和摩擦点转化为可复用模块或正式产品需求；Harvey 要求把定制方案变成 durable product and platform capabilities。

图 3：真正优秀的 FDE 会把一次客户交付沉淀成可复制的行业资产。

九、对中国企业的启示：FDE 是智能体时代的“前线造局者”

如果把这些全球大厂的要求翻译成中国企业 AI 转型语境，FDE 应该被重新定义为：

FDE 是嵌入客户现场的 AI 原生全链路工程师，负责从客户研究、问题识别、技术范围界定、智能体方案设计、AI Coding 原型构建、数据与系统集成、评测与安全治理，到 POC 转化和产品化沉淀的端到端交付。

这个定义里有几个关键词。第一，嵌入客户现场。不进现场，就不懂真实问题。第二，AI 原生。不是传统软件项目经理加一点 AI，而是从模型、Agent、数据、工具调用、评测、安全出发重新设计解决方案。第三，全链路。从客户研究到 POC 转化，从原型到生产，从交付到产品化，都要懂。第四，结果导向。不是完成任务，而是推动客户采纳、验证业务价值、形成下一步项目机会。第五，产品化沉淀。每做一个客户，都要沉淀一个场景模板、Agent PRD、工具接口、评测集、Demo 脚本和 ROI 模型。

这类人非常像一支企业 AI 转型的特种兵。他们不一定坐在总部最漂亮的办公室里，而是经常在客户现场、会议室、数据机房、业务部门、一线流程中穿梭。

他们既要能听懂客户说的“我们效率太低”，也要能追问“哪个流程、多少频次、多少损失、谁来决策、数据在哪里”。他们既要会写代码，也要会判断这个功能有没有商业价值。他们既要会做 Agent，也要知道哪些动作不能自动执行，哪些必须 human-in-the-loop。他们既要能做 Demo，也要能设计 POC 验收指标。他们既要能说服客户一线用户，也要能给客户领导讲清楚这件事为什么值得立项。

这就是新一代 FDE 的画像。

十、FDE 培训体系

基于全球大厂公开要求，FDE 培训体系可以进一步升级为九大模块。

最终培养目标不是“会用 AI 写代码的人”，而是能把客户现场的一团乱麻，重构成一个可运行、可评测、可交付、可复制智能体的人。

FDE 不是岗位名称，而是一种新型生产关系

今天，AI 技术已经不缺模型，不缺 API，不缺 Demo。

真正缺的是谁能把这些能力带进企业真实场景，穿过组织墙、数据墙、流程墙、安全墙、预算墙和认知墙。

这件事，传统售前做不了。传统顾问做不深。普通工程师做不全。纯产品经理做不快。

所以 FDE 出现了。

FDE 是智能体时代的前线造局者。他站在客户现场，也站在产品前沿；他理解业务，也理解代码；他懂技术，也懂组织；他做原型，也推转化；他解决一个客户的问题，也沉淀一个行业的模式。

未来，企业 AI 转型真正的分水岭，不是谁买了最强模型，而是谁拥有一支真正能打仗的 FDE 队伍。

传统工程师交付功能，FDE 交付结果。 传统售前讲方案，FDE 做出方案。 传统顾问发现问题，FDE 把问题做成系统。 传统交付完成项目，FDE 把项目沉淀成产品能力。 AI 时代最稀缺的人，不是会调用模型的人，而是能把客户现场变成智能体战场的人。

智胜 | THE INTELLIGENCE EDGE

Strategy · Insights · Impact