硅谷今年最火的岗位 FDE，我们闷头干了三年

今年硅谷突然都在抢一个岗位，叫 FDE，Forward Deployed Engineer：公司派到客户现场的人，跟客户一起，把一个 AI demo 真正变成天天在用的系统。

这岗位我们闷头干了三年。

a16z 把 FDE 称作"tech 最火的岗位"。过去 12 个月，招聘量涨了 7 倍：

• 2025 年 4 月全行业 643 个职位，2026 年 4 月涨到 5,330 个

• YC 创业公司里就有 100 多家在招，三年前一家都没有。

薪水也在水涨船高：顶级 FDE 在 OpenAI、Anthropic 总包 30 万到 60 万美元，做到资深、纯做技术不带团队的，竟然能超过 100 万美元。

下面看这几家具体在做什么：

• OpenAI 2024 年底就组建了 FDE 团队，2026 年把它做成独立的 The Deployment Company，初始投资超 40 亿美元，又收购英国 Tomoro，拿到 150 个资深的 FDE

• Anthropic 组了个 Applied AI 团队，专门派工程师进大企业现场做 AI 落地

• Google Cloud、Databricks、Scale AI、Adobe，以及几乎所有 B 轮以后的 AI 公司，都在大规模招 FDE

可光招人、买团队还不够。真要把 AI 铺进一家家企业，巨头还是得拉上麦肯锡、德勤、贝恩这些咨询公司。

这事我们 2023 年就在干了，比硅谷早三年。打一开始就说好：客户的业务真做好了才给钱，交个 demo、一份 SOP、几段提示词或者给套软件，都不算数。

FDE 是什么，最早怎么来的

FDE 全称 Forward Deployed Engineer。Palantir 第 13 号员工 Shyam Sankar 在 2000 年代末提出，2010 年代初成型，他本人就是这个词的发明者。

它和我们熟悉的 to B 岗位都不一样：

Good ideas don't come from eating strawberries in Palo Alto. They come from the fields of Djibouti and the factory floors of Detroit.

好想法不是在 Palo Alto 吃草莓时冒出来的，它们出现在吉布提的田野上、底特律的工厂车间里。

但 Palantir 真正精妙的地方不在"把人派出去"，在背后那套分工。

下场的 FDE 其实是两种人搭班子：

• 一种叫 Echo，是懂行业的领域专家，负责钻进客户的生意、找出真正该解决的问题；

• 一种叫 Delta，是工程师，负责快速把东西搭出来。他们在前线搭的代码糙、全是临时补丁，后方还有一支产品团队，专门把现场趟出来的做法抽象成通用产品：先铺出一条"碎石路"，再修成能跑下接下来 5 到 10 个客户的"高速公路"。

Palantir 今天一半以上收入的 Foundry，就是这么从一个个客户现场长出来的。

到 2016 年，Palantir 内部 FDE 的人数比软件工程师还多。今天这家公司市值超过 3000 亿美元，毛利率 80%，是软件公司的水平，不是咨询公司（埃森哲只有 32%）。FDE 不是辅助岗位，是它能从"被人骂作咨询公司"长成真正产品公司的原因。

这是 FDE 的模式：让最顶尖的工程师下场。

Palantir 的 FDE 不少是物理、数学背景，技术底子比市面上大多数人都硬。这套打法能啃下最难的客户，可门槛也高得吓人：你得找到既是物理博士、又愿意常驻客户现场写生产代码的人，这种人又少又贵。所以十几年，没人学得来。

FDE 怎么突然就火了

Palantir 闷头干了十几年，外界一直当它是个特例，没人学。直到这两年，大批企业砸钱上 AI，钱花了，东西却跑不起来。

MIT NANDA 2025 年调了 300 个公开的 AI 项目，95% 的企业试点对利润几乎没有可衡量的影响。

问题并不出在模型，GPT、Claude 都很能打，但是落地现场那摊东西却面临很大的挑战：脏数据、没人写过文档的工作流、合规红线、一堆为 AI 之前的时代设计的老系统。

一个 FDE 的原话：

更麻烦的是，AI 系统和传统软件，出问题的方式不一样。传统软件的风险在上线前，设计、集成、测试，跑通了基本就一直跑，真出错也直接报错，好查好修。

AI 反过来，风险在上线后：它是个概率系统，测试时好好的，一碰到真实数据和真实用户就开始退化，还不报错，只是悄悄变得不靠谱，答非所问、前后矛盾，一点点把用户的信任磨掉。偏偏这时候交付的人都走了，内部团队转去做下一个功能，顾问按合同干完就撤。

系统最该有人盯的时候，没人了。FDE 补的就是这个位置：人在客户现场，问题一冒头就当场调、当场改。

再往根上说，Bob McGrew（Palantir 第二位工程师、后来的 OpenAI 首席研究官）的角度是：

Agent 还没有现成的样子。SaaS 你一上来就知道要做成什么样，照着做个更好的去抢市场就行；

Agent 不是，没人知道一个销售 Agent、客服 Agent 最后该长成什么样，只能钻进客户的真实业务里一点点试，而这种试只能在客户内部做。

结论是：谁想在 Agent 时代找到 PMF，FDE 大概是绕不开的路。

巨头自己建了，还得拉上咨询公司

巨头的办法，是把咨询公司大规模拉进来一起干：

• OpenAI 签了 BCG、McKinsey、Accenture、Capgemini、PwC 五家组成 Frontier Alliances，让它们帮自己把 AI 铺进企业；它砸 40 亿成立的 The Deployment Company，出资方里 Bain、McKinsey、Capgemini 三家就是咨询公司
• Anthropic 拉黑石、高盛、Hellman & Friedman 合资 15 亿美元搞了家企业 AI 服务公司，把工程师送进世界 500 强，用私募的钱再造一支 FDE 队伍；它的合作方 Deloitte 也直接挂出了"Anthropic Forward Deployed Engineer"的岗位招人
  
  

自己建了为什么还要找咨询公司？OpenAI 不缺钱、不缺工程师，连现成的 FDE 都买得到。它缺的是另一样：钻进一家企业、把生意摸透、最后对结果负责。这件事麦肯锡、德勤干了几十年，OpenAI 想从零练出来很慢，不如直接拉它们一起干。

Bob McGrew 给想做 FDE 的创业者提过一个醒：

“如果不是非做不可，别碰，很容易做着做着就变成纯做服务的外包公司。但如果你的市场离了 FDE 根本起不来，那它可能就是你唯一行得通的方式。”

这套"AI 公司＋咨询公司"的组合，在中国基本没有。

埃森哲、德勤、麦肯锡在中国都有团队，但规模、话语权比美国小一截；本土咨询公司里，也没谁跟大模型公司这么深度绑定。

我们没等这个组合出现。从 2023 年起，我们就让一个团队同时长出两套肌肉：懂客户的生意，懂 AI 工程。逼我们走这条路的是中国客户：业务真变好他们才续费，过程做得再漂亮也不买单。

一家 AI 公司怎么自己做 FDE

第一个该招的不是工程师

公开资料里反复出现一个事实：Palantir 最成功的几位 FDE，背景是物理和数学，不是 CS。有的来自硬件工程，加入前根本没写过软件。这一拨人里还有产品经理和设计师。Palantir CEO Alex Karp 是哲学博士。

我们自己 FDE 的负责人，是个学法语的 00 后女生。

说穿了并不意外。Palantir 的 FDE 团队里，写代码的是 Delta，真正稀缺的是钻业务的 Echo。Shyam 招 Echo 专挑"反叛者"：不只懂这行怎么干，还能看出现在这套为什么不够好。

FDE 真正的核心能力，是读懂客户的生意、把要交付的成果设计出来。写代码是后半段的事。能想清楚"客户的钱从哪儿来、卡在哪儿、AI 能从哪儿撬动它"的人，比只会写代码的人稀缺得多。

大部分公司做 AI 落地的第一反应，是招算法工程师。错了。第一个该招的，是能听懂客户怎么赚钱的人，就是 Palantir 那个 Echo。

这件事我们交过学费。

我们踩过的坑：PE 摸不透客户的生意

最早交付全靠 PE（Prompt 工程师）一个人跑。他能照着客户说的把 prompt、把流程搭出来，可客户那行的生意怎么转、那些话背后的业务逻辑是什么，他摸不透。客户说一套，他照着搭一套，结果总不是客户真正要的。客户不满意，我那一年半有一半时间在救火，救的都是同一类：交付出去的 Agent 又出问题了。

被客户问住、设计被质疑的时候，PE 没底气，只能搬一句"客户就想要这个"来挡，其实他自己也没真懂客户要什么。东西的质量也兜不住：测试全靠手感，改好一处又坏一处。

后来我们改了打法：进场不再让 PE 单挑，先拉一个这行的业务专家一起进去，把客户的生意、流程、门道吃透，再带着 PE 一块搭。业务专家管"该做成什么"，PE 把它落出来。配合一阵子，PE 自己也慢慢长出了懂业务的能力，能听懂客户话里的生意了。

想明白的就一条：第一个进客户现场的，得是真懂这行生意的人，不能让一个只会搭 prompt 的人单扛全部。

一个客户，很多能力，对真实成果负责

前年十月我读到 Palantir 的 FDE，第一反应是：我们要的就是这个名字。"按结果交付"的方向我们三年没改，但定义一直模糊。FDE 这个词把它定义清楚了：一个客户，很多能力，对客户身上的真实成果负责。

改名之后，我们改的是这件事本身怎么干。四件事：

进场，先摸客户怎么赚钱。 一个项目分三个阶段。第一阶段是诊断，懂这个行业的业务专家驻场三五天，把客户的 SOP、知识库、整条链路摸清楚：他怎么获客、怎么转化、钱卡在哪个环节。这些业务专家，有的就是从客户那个行业里挖来的老手：比如做在线教育时，我们跟一家头部在线教育公司的前 COO 深度绑定，他离职后跟我们一起，把这个行业的 AI 落地一遍遍打磨出来。不上来就装软件，先搞明白这门生意。这一步就是 Palantir 那个 Echo 在干的事。

搭，是几个人一起搭。 第二阶段，业务专家带着行业经验，和 FDE 一起把 Agent 搭起来、跑内测。这一步过去是 PE 一个人硬扛，现在不是了：懂业务的管业务，工程的活交给工程师，谁也别替谁硬撑。

质量，靠句子守护兜着。 PE 时代最做不好的就是测试调优，全靠人盯，改对了 A 又错了 B。我们把它做成了一个产品，叫句子守护：它自己从客户百万级的真实聊天记录里，挖出用户可能问的刁钻问题，一条条编成测试题（连正确答案该是什么都写好），拿去考被测的 Agent，自动跑、自动出报告：每条的通过率、答得快不快、花了多少钱、要不要转人工，全摆在报告里。这套东西和具体业务解耦，FDE 在现场踩的坑都沉淀进去，下一个客户进场，他手里的杠杆更大。

交付的是成果，不是一个搭好的流程。 怎么证明成果是真的？落地时我们和客户做 A/B：AI 组是销售加 AI 一起干，对照组是同样的销售、纯人工，两组的线索质量、团队水平都拉平，只差用不用 AI。然后整条链路一个环节一个环节地比：触达率、响应率、转化率、人效，每一步都有数据，全程留痕，不是只看最后一个大盘数字。两组一摆，AI 带来多少增量，清清楚楚。我们也按这个结果收费：客户的人效真涨了，我们才拿钱。

这四件事合起来，懂生意的人就不用一个人硬扛了：他站在最前面，背后有业务专家、有工程师、有句子守护这套工具接着。他不用自己写代码，系统替他兜着。

这套收费方式，2023 年我们就定下了。当时国内同行主流还是按人头、按工时、按项目里程碑收，按结果的我们是少数。我后来才知道，这正是 FDE 区别于 SaaS 的命根子：SaaS 按席位、按用量收钱，FDE 卖的是"你帮客户解决了一个问题"。这里头有个不对称：大客户既不信自己能成，也不信你能成，因为他见过太多烂尾项目。

所以早期由我们把风险全扛下来，做成了、客户业务真变好了，再付钱。三年下来这条路站住了：客户续约率高，单个客户的合同越做越大。拿一个在线教育的头部客户说，用上这套之后，AI 组的产出是对照组的三倍，一个销售一个月能盯的人从一千做到三千，整条链路从人海一对一变成了一套系统。

他付给我们的钱也跟着这个涨幅走：盯的人翻三倍，付的也翻三倍。我们赚的就是这中间的人效提升，按线索量收费，不按人头、不按工时。

三年 FDE，长出了 7 个产品基建

我们今天有 7 个产品基建，但不是一开始就规划好的。最早只有两个：句子秒回和句子秒懂，一个是人和 Agent 协作的工作台，一个是搭 Agent 的大脑。剩下的全是 FDE 在客户现场一个个撞出来的：撞知识库的墙，长出句子智库；撞测试的墙，长出句子守护；撞老系统接不进来的墙，长出句子 CLI。现场踩的坑，一个个变成了下一个 FDE 进场就能用的杠杆。

这 7 个产品基建分三层，从客户天天在用的那层往下说：

• 给终端用户用
  句子秒回（工位）是人和 Agent 协作的界面，一套界面复制到销售、律师、市场、HR；句子参谋（参谋）相当于一个随叫随到的数据分析师，用大白话问一句，就能挖用户洞察、拉转化分析、报异常预警。
• 搭 Agent
  句子智库（记忆）做的是知识工程，把客户几百万字、散乱、还互相打架的知识，炼成 AI 查得到、越用越准的资产，这是 FDE 进场第一件事，业务没理清上面全白搭；句子秒懂（大脑）让业务的人也能编排多个 Agent；句子守护（主管）管测试、灰度、质检，上线每一步把关。
• 数字化补齐
  AI 要在客户的系统里跑起来，先得把底层铺平。句子 CLI（手）对外打通各大平台，对内把客户的老系统封装成接口、接进上层；句子智造（地基）补齐客户缺的那块数字化能力。
  
  

FDE 贯穿这三层，用全套 7 个产品基建，把 AI 装进客户的真实业务。客户开通就拿到我们十年沉下来的行业能力，不用从零搭。这也是为什么我们敢按结果收费：不是赌运气，是手里有这套基建兜底。

从销售开始，往更多场景长

我们最早从销售切进去，这个场景离钱最近，AI 帮客户多转化、多签单，效果最容易用数字讲清楚。同一套 FDE 打法和产品基建跑通之后，往别处复制就快了：场景上，销售之外，律师、市场、HR 都在做；行业上，从在线教育起家，现在金融、医美、电商也铺开了。换个场景、换个行业，做法都一样：把人效做翻倍，把效果摆成数字。

三种 FDE，同一个角色，不同的活法

我们和 Palantir 解的是同一个问题：客户没法清楚地告诉你他要什么。Palantir 的客户是情报机构，机密说不出口；我们的客户是中国 to B，业务流复杂、KPI 多元、组织里利益盘根错节，需求文档同样写不清楚。两边的解法都是把人塞进去，靠观察、实验、当场动手搞懂客户真实的业务。

但三种模式的活法很不一样：

差别集中在两处。

一是成果能不能量化。Palantir 的成果常是"让一个原本不可能完成的任务被完成"，比如破获一起恐袭、合规出一份报告，难量化；我们的成果是转化率、人效、营收，可以 A/B 测。所以我们能做按结果收费，Palantir 大部分单子做不到。这一点我们比 Palantir 走得远。

二是对人的门槛。Palantir 的 FDE 哪怕是物理博士，平均水平也比中国市场上大部分人高一截；我们这边的 FDE，可以是个 00 后、一个长在 AI 里的"原住民"。

不是要求更低，是 Agent 时代的低代码工具链帮 FDE 兜了底：他天生把 AI 当手脚使，只要能想清楚客户怎么赚钱、把成果设计出来，剩下的交给工具。OpenAI、Anthropic 今年新做 FDE 也是这个思路：前面是熟悉业务的人，后面是平台和工具兜底。

下场三年，我改了几个想法

AI 没有让客户裁员，反而让客户去抢更多流量。

我们本来以为人效翻倍，客户就会把差的销售裁掉。结果客户不裁。他用同样多的人，把市场上所有好的线索全抢了过来。

市场上的流量就那么多，谁的人效高，谁就能多拿。

好销售和差销售用上 AI，提升的幅度其实差不多。真正拉开差距的不是销售本身的好坏，是他愿不愿意用 AI。这件事甚至改了我们招人的画像。以前嫌一个人想法太多、不够踏实，现在这种人反而是我要的：脑子里点子多，会使 AI，还拿得准 AI 交出来的东西到底行不行。

按结果收钱这条路，三年前我们也没底；三年下来跑通了，比按工时收费的同行稳，客户也认。硅谷今年集体做 FDE，说到底也是认了这件事：客户认的是结果，不是过程。

干 FDE，真正稀缺的是这种人：能扎进一门陌生生意、快速摸懂，又对结果较真。会写代码反而是最不缺的。这种人，离自己出去开公司，其实只差一步。

写在最后

Palantir 十几年前就把这条路走通了，靠的是最顶尖的工程师。硅谷今年才把它捧成最火的岗位，巨头一边自己建、一边拉咨询公司，创业公司则自己招人。我们 2023 年就上路了，没叫它 FDE，靠的是一个团队自己长出两套肌肉，三年踩坑沉淀成 7 个产品基建，从第一天就按结果收钱。

最早把 FDE 讲清楚的那几个人，Palantir 的 Shyam、Bob，反复说的也不是"工程师驻场"，是"卖成果，不卖软件"。这正是我们被国内客户逼着走的路。

说大一点，FDE 解的是 AI 这两年最拧巴的一个错配：技术早成熟了，企业也急着要，可大模型变不成业务生产力，中间缺的，就是把模型真正落进一门门生意里的人。

这个角色，中美都验证过是最优解：美国有 Palantir、有 OpenAI 的Deployment Company，中国是我们。

大模型不会自己变成客户的转化、人效、营收，得有人扎进去，一寸一寸把它落下来。这就是 FDE。

我们想做的，是在中国把这件事做到极致：让 AI 别停在 demo 里，真正变成一家家企业手里的生产力，给他们创造看得见的价值。