科技行业最热门的职位，年薪从 15 万美金到 100 万美金不等。
大多数人甚至说不清它到底是什么。
它就是「前部署工程师」（Forward Deployed Engineer）。那个决定 AI 该在企业内部哪个位置落地的人。
下面是 30 天成为这类人才的行动手册。
从转变开始
现在每家公司都能买到智能。几乎每天都有新的前沿模型发布。
和 50 家企业聊过，他们用的都是同一套工具：Claude Code、Codex、Cursor、GitHub Copilot。
同样的水龙头，同样的工具。
所以智能本身不再是护城河。如果人人都能买到，优势就转移到：你在哪里部署、怎么部署、为什么部署。
连接公司真实流程和模型之间的那座桥梁，就是这份工作的全部。
Palantir 最早证明了这一点
他们构建了一个本体论，然后把工程师派到企业、军队、政府现场。
这些工程师先学习工作流程，再搭建仪表盘和 Agent 来解决真正的痛点。
咨询业，被软件重新改造了。
为什么这个职位在爆发
95% 的生成式 AI 试点都以失败告终（MIT 数据）。
有位高管把 AI 权限开放给所有人，结果 3 个月烧掉了 1000 万美金的算力预算——原本计划用一年。关键指标丝毫没有变化。
买智能容易，放对地方难。
罕见的组合
商业侧：工作流程、成本、风险、采用率、内部政治。咨询顾问们擅长这个。
技术侧：模型、API、评估、护栏。工程师们擅长这个。
两者兼得，而非两者平均。这就是价值百万美金的招聘目标。
阶段 1：了解工作真正是如何进行的
文档上的流程几乎从来不是真实的流程。
「收到一封邮件」听起来很干净。现实是：40 多个发件人，格式各不相同，一半是例外情况，路由规则只存在于一个人的脑子里。
这就是为什么前部署工程师要亲临现场。
约 1 小时的会议，别人告诉你的是他们以为的工作。坐在他们旁边观察 8 小时，你看到的才是真正的工作：那些故障、变通方法、没人记录下来的例外情况。
麦肯锡跟矿工们坐在一起也是出于同样的原因。
阶段 2：判断力
智能该放在哪里，又该从哪里抽离？
早期 AI 时代是「什么东西都塞个模型」。结果就是 token 用满、出现幻觉。
在一个 10 步的工作流程里，可能只有 3 步需要 LLM。其余都是 if/then 和 API 调用。
阶段 3：构建并部署
按顺序来，三步：审计 → 评估 → 部署。
审计：画出每个工作流程和例外情况。评估：证明 Agent 的行为可靠，把高风险案例转给人工。部署：监控 KPI 和 SLA，让客户信任你。
每个阶段都为下一个阶段铺路。
审计是突破口。有家公司说他们的审计价值是收费的 10 倍。比麦肯锡还要犀利。「审计」这个词让人害怕，所以把它重新包装成「冲刺」，看他们积极投入。
部署原则：在已有的基础上构建。客户花了数百万美金和几年时间迁移到 NetSuite。你让他们拆掉重来，你就出局了。在现有系统上构建，集成 Salesforce、SAP、Gong、Workday。先做影子模式，再逐步自主运行，最后投入生产。
真正的阻力来自人
公司里的人担心被裁员。他们想升职。
在你能证明自己之前，你对他们来说就是风险。
所以降低风险：第一次审计免费做，证明可衡量的价值，之后再收费。你的第一批客户会教会你一切。
30 天计划
原则：在拥有头衔之前，先做这份工作。
第 1 周：构建一个能完成一个真实后台流程的 Agent。Agent 循环、工具、护栏、记忆、以及审计痕迹。如果客户看不到它做了什么，就永远不会信任它。
第 2 周：让它经得起考验。JSON 模式、验证、异常处理。一种正确的方式，千百种出错的方式。只构建正确的方式，你一文不值。解决异常情况，Agent 就价值连城。
第 3 周：用三个维度衡量它：收入提升、风险降低、成本节省。同时测试更便宜的模型。
第 4 周：为其辩护。既扮演工程师，也扮演 VP 来排练。然后向真实企业推销，让他们挑刺。
第 30 天
你不仅理解了前部署，还握有证明你能做到的证据。
学校里没人教这个。整套手册在 YouTube 和 X 上免费公开。
你从来不是靠读来学习的，而是靠做。
所以，在别人给你这个头衔之前，就去构建那个 Agent。
查看完整节目：
Apple: https://podcasts.apple.com/us/podcast/the-startup-ideas-podcast/id1593424985
Spotify: https://open.spotify.com/episode/5J0qYg2t5S9IWR0oJ7gWqm?si=5a8aea074a074a91
