什么是 AI 领域的热门职位 FDE？普通人如何入局？

这两年，AI 圈最抢手的人，一批在训练模型，一批在做 AI 产品。

到了 2026 年，另一个岗位突然冲了出来：FDE。

它的全称是 Forward Deployed Engineer，中文叫“前向部署工程师”。说实话，听完这个名字，还是不知道它到底干嘛。

先看几个数字：

• LinkedIn 的报告显示，FDE 相关岗位从 2023 年到 2025 年增长了 42 倍；
• OpenAI 在 2026 年 5 月成立 Deployment Company，初始投入超过 40 亿美元，还通过收购直接带进约 150 名部署工程师和专家；
• AWS 随后投入 10 亿美元，准备把数千名工程师送进客户团队。

大厂突然开始抢这种人，说明风向已经变了。模型排行榜上的 0.1 分，客户未必有感觉；一套能接进旧系统、跑进工作流、最后省下真金白银的 AI，客户愿意持续付钱。

AI 行业已经从「比模型」，走到了「比落地」。

如果你最近在看 AI 转型，或者正在找下一份工作的方向，这篇文章会讲清楚三件事：FDE 是什么，每天具体干什么，以及没有代码背景的人怎么一步步转过去。

1. FDE 到底是什么

我更愿意这样解释：

FDE 是进入客户的真实业务，把 AI 从 Demo 一路做到生产环境的人。

假设客户说：“我们想做一个 AI 客服。”普通需求单到这里可能就开始写功能了，FDE 还得继续往下挖：

• 客服现在每天处理多少工单；
• 哪些问题可以让 AI 回；
• 哪些回复必须人工确认；
• 客户资料放在哪套系统；
• AI 回错了怎么撤回；
• 上线后看响应速度、解决率，还是人力成本。

问题聊清楚以后，才开始写代码。系统写完也没有结束，还要接数据、配权限、做评估、推上线、盯使用率，再把现场踩过的坑带回产品团队。

整套工作可以压缩成六步：

1找问题
2→ 拆流程
3→ 做方案
4→ 写系统
5→ 推上线
6→ 看结果

需求只是起点，结果才是交付。

所以 FDE 往往要同时扛住三件事：

会写代码的人很多，愿意进客户现场，把一团乱麻收拾到能上线的人少得多。这也是 FDE 难招、同时又越来越贵的原因。

2. FDE 一天到底在干什么

假设一家连锁零售公司找到 AI 厂商，说想做一个“智能补货 Agent”。这句话听起来挺清楚，FDE 一进场，问号马上全出来了：

• 哪些门店最容易缺货；
• 补货要看销量、天气、节假日，还是促销计划；
• Agent 只给建议，还是直接生成采购单；
• 金额超过多少要人工审批；
• 库存一天更新一次够不够；
• 推荐错了，谁来处理积压和损耗。

第一周，他可能一行代码都没写。先找门店负责人看现在怎么补货，找供应链确认规则，找 IT 看接口，再找安全部门谈权限。等流程摸清，才进入工程阶段：

• 接库存、销售和订单系统；
• 清洗历史数据；
• 写模型调用和 Agent 工作流；
• 做一个员工愿意打开的页面；
• 加登录、权限、日志和监控；
• 准备测试数据；
• 设置人工复核和失败兜底。

上线以后还得继续盯。门店到底用没用，建议采纳率有多少，缺货率有没有下降，员工为什么又偷偷回到 Excel，这些都算他的工作。

如果使用率太低，留下一句“用户不会用”就走，项目基本也就凉了。页面、流程、模型输出，哪个地方让人难受，就回去改哪个。

FDE 交付的是一段已经跑起来的业务流程。做出漂亮 Demo，只到半山腰。

3. 它和程序员、产品经理、售前有什么区别

这几个岗位经常一起工作，边界也会重叠。想把它们分清楚，最简单的方法是看每个人负责到哪里。

FDE 的边界更宽。上午跟客户开业务会，下午查数据库，晚上改接口，这几件事完全可能发生在同一天。

但有一点别误会：FDE 里的 E，依然是 Engineer。

OpenAI 现在的 FDE 招聘，明确要求候选人能写和审查生产级前后端代码。Palantir 的应届岗位，也要求熟练掌握至少一门编程语言。所以没有计算机专业背景可以转，完全绕开代码这条路走不通。

如果你更喜欢业务和客户，也不想长期写生产代码，可以先看 Deployment Strategist、AI 产品经理、行业解决方案顾问、客户成功或 AI 咨询。这些岗位同样在 AI 落地链路里，工程责任会轻一些。

4. FDE 为什么偏偏现在火了

原因很简单：AI 越来越强，落地的问题也越来越显眼。

Demo 一天能做，生产环境没这么客气

接一个模型 API，塞几份文档，再做个聊天页面，一天就能让老板眼前一亮。可一旦准备上线，数据脏、权限乱、老系统没接口、模型输出会飘、安全部门要审计、员工不想改习惯，这些问题会一起冒出来。

模型升级解决不了现场的混乱。公司需要有人钻进业务里，一件一件把它们处理掉。

Agent 已经开始真的“动手”

聊天机器人答错一句，用户可以不采纳。Agent 一旦能发邮件、改订单、提交审批，错误就会直接进入业务。

身份、权限、评估、日志、人工复核、异常恢复，一个都少不了。每家公司的系统又长得完全不同，这活很难靠一份通用说明书搞定。

AI 公司也需要客户用起来

签约只是进门。模型进入核心流程以后，调用量、续费和部门扩展才会慢慢发生。

FDE 离客户结果最近，也离 AI 公司的收入最近。OpenAI 和 AWS 愿意重金投入，商业原因就在这里。

AI 编程放大了通才的产出

以前做一套企业应用，要等产品、前端、后端、数据、运维一起排期。现在一个工程能力强的通才，借助 AI 编程，可以更快完成原型、集成、测试和修改。

两三个人进入客户团队，几周做出第一版，再按真实反馈快速迭代，这套账终于能算过来了。

上一阶段比谁的模型更强，这一阶段比谁能把模型塞进业务。FDE 就站在这个缺口里。

5. 普通人的机会在哪

看到这里，你可能会想：“这不还是给资深程序员准备的吗？”

资深工程师确实有优势，但 FDE 的能力来自好几个方向。普通人不用把自己清零重练，先看手里已经有什么，再补缺失的那一半。

软件工程师：离得最近

你已经会写生产代码，也知道系统为什么会崩。接下来重点补用户访谈、业务流程、需求范围、ROI 和采用率。

最直接的练法，是主动参加客户会议、售前支持，或者公司内部的 AI 落地项目。别一直等别人把需求拆成 Jira 任务再动手。

数据分析师：很适合转

数据分析师通常会 SQL、懂指标，也习惯跟业务部门沟通。短板常常出现在工程化：

• Notebook 怎么变成服务；
• 怎么接 API；
• 怎么做登录和权限；
• 怎么部署和监控；
• 出错以后怎么恢复。

把一份只能自己运行的分析，做成同事每天都能打开的工具，你已经往 FDE 走了一大步。

产品、咨询、行业运营：行业经验很值钱

做过制造，知道排产和良率；做过金融，知道审计和合规；做过零售，知道库存和门店执行。这些经验很难靠几节课补出来。

你要补的是编程、数据库、API 和部署，然后亲手做出一个能运行的系统。第一份过渡工作可以看：

• Deployment Strategist；
• AI 产品经理；
• AI 解决方案顾问；
• Solutions Engineer；
• 技术实施。

先进入 AI 落地现场，再慢慢增加工程责任。

售前、实施、解决方案架构师：可能已经做了一半

你熟悉客户，也知道企业里的权限、采购和旧系统有多麻烦。接下来要跨过代码这道坎，从做 Demo、配产品、画架构图，继续走到开发、测试、部署和维护。

这条路线通常比完全转行短。

完全零基础：先练一项硬能力

没有技术经验，也没有行业积累，直接冲 FDE 会很吃力。可以先从数据分析、AI 运营、技术支持、实施顾问、初级开发或行业解决方案助理切进去。

FDE 很少是职业第一站，更像几段经验最后汇到一起。

6. 给普通人的半年路线

看完岗位介绍，最容易做的一件事就是收藏课程。半年以后，收藏夹很满，简历还是空的。

半年时间可以做出一份能投递的 FDE 作品集。能不能拿到职位，还要看你的原有经验、工程水平和目标公司的要求。

第 1—2 个月：补工程底座

先学最常用的东西：

• Python 或 TypeScript；
• SQL 和数据库；
• HTTP、JSON 和 API；
• Git；
• 错误处理和测试；
• Docker 和基础部署。

这一阶段的验收标准只有一条：独立做出一个带数据库和 API 的小应用，部署后别人可以打开使用。

先把输入、处理、保存、报错和部署跑通。框架新不新，暂时没那么重要。

第 3—4 个月：做一个完整 AI 应用

在第一版应用上继续加入模型 API、RAG、Tool Calling、结构化输出、日志、Evals、失败重试和人工复核。

别再做“上传 PDF，然后聊天”。选一个具体任务：

• 帮销售整理线索并给出跟进建议；
• 帮客服查知识并起草回复；
• 帮财务检查报销材料；
• 帮运营整理数据并提醒异常；
• 帮制造团队查询设备故障和维修记录。

第二阶段重点看四个指标：

第 5—6 个月：找真实用户

找三到五个愿意试用的人，让他们连续用两周。记录原流程和新流程各要多久、一共用了多少次、哪些建议被采纳、哪些错误需要人工处理，以及用户为什么中途放弃。

真实用户会把隐藏问题全翻出来：数据很脏、权限不够、页面难用、流程天天变、模型成本太高。把这些问题解决一遍，你才有一份像 FDE 的项目。

最后整理成案例：

1业务背景
2→ 原来的流程
3→ 为什么选这个问题
4→ 系统架构
5→ 数据和权限
6→ 评估方法
7→ 使用结果
8→ 失败与调整
9→ 可以复用的部分

简历少堆几行框架名字，把三件事写清楚：谁用了、用了多久、指标怎么变。

7. 找工作时，别只搜 FDE

这个岗位的名字还没完全统一。除了 Forward Deployed Engineer，还可以搜索：

• Forward Deployed AI Engineer；
• Applied AI Engineer；
• AI Deployment Engineer；
• Solutions Engineer；
• AI Solutions Architect；
• Deployment Strategist；
• AI 应用交付工程师；
• AI 解决方案工程师；
• Agent 工程师。

看到职位以后，先查四件事：

1. 会不会直接接触客户和一线用户；
2. 要不要亲手写生产代码；
3. 是否负责从发现问题一路做到上线；
4. 上线后要不要追踪采用率和业务结果。

四项都覆盖，工作内容会更接近 FDE。

面试怎么准备

FDE 面试经常会给一个很模糊的问题，比如：“一家医院想用 AI 缩短患者等待时间，你会怎么做？”

先别急着选模型。你应该问清楚患者在哪个环节等待、谁在做排队和分流、现在平均等多久、数据放在哪里、哪些决定必须由医护人员完成，以及项目成功看什么指标。

问题问清楚，再谈系统、权限和上线范围。面试官想看的，是你能不能把模糊问题一点点变清楚，背十个模型名字帮不了你过这一关。

8. 小心“换了名字的驻场交付”

FDE 火了以后，同名不同岗会越来越多。有的岗位会让你写关键代码、推动采用，还能把现场经验带回产品；有的岗位每天驻场救火，代码进不了主仓库，考核只看人天和验收。

名字都叫 FDE，职业价值差很远。面试时可以直接问：

1. FDE 写的代码会进入哪个仓库？
2. 团队归产品、工程，还是项目交付部门？
3. 项目看采用率和业务指标，还是只看按期验收？
4. 现场问题怎么进入产品路线图？
5. 项目结束后，谁负责长期运行？
6. 过去三个项目沉淀了哪些可复用组件？
7. 出差、驻场和 on-call 各占多少时间？

判断标准很简单：

• 真 FDE：写生产代码、对结果负责、经验能回到产品；
• 换皮驻场：按人天计费、围着验收转、每个项目重新做。

如果一家公司让你背结果，却不给数据权限、技术决策权和产品支持，这份工作大概率会很累。职位名称很新，工作方式可能一点没变。

最后

FDE 的爆火，说明 AI 已经走到下一段了。模型还会继续变强，更大的缺口已经出现在模型和真实业务之间。

客户需要有人走进现场，把混乱的数据、旧系统、业务规则和真实用户接起来。这份工作门槛不低，要写代码、懂业务、面对客户，还要扛上线后的结果。

普通人的机会，藏在自己已经会的那半套能力里。会写代码就补业务和客户，懂行业就补工程和部署，做过数据、售前、实施，就把手里的能力继续往前推；完全零基础，先练出一项能被验证的硬能力。

如果你现在只做一件事：

找一个真实问题，做出一个能上线的工具，让三个人连续用两周。

跑完这条，你的作品已经开始像 FDE 了。职位名可以以后再拿。

资料链接

• LinkedIn：Building a Future of Work That Works
• OpenAI：OpenAI launches the OpenAI Deployment Company
• AWS：Introducing Forward Deployed Engineering for Partners
• OpenAI：Forward Deployed Engineer 职位说明
• Palantir：Forward Deployed Software Engineer, New Grad

**

关于作者

Punk｜中科大 MBA｜HerName 首席设计师｜Stanley 商学院执行院长｜

｜AI提示词｜3个月赚了8位数｜Learn in Public｜@AdrianPunk115