OpenAI、Anthropic 都开始押注 FDE，FDE 才是 Agent 时代的 PMF 范式？
OpenAI、Anthropic 和 Google 在 2026 年不约而同地押注 FDE（前置部署工程师），成立专门的部署公司或大规模招聘。文章深入分析了 FDE 的起源、为何成为 Agent 时代的刚需，以及它是否真的是 PMF 范式。FDE 通过驻场解决 AI 落地难题，但也面临掩盖产品缺陷和利润率挑战的风险。
相关文档
派往前线的工程师：FDE 为什么是 AI 落地时代最重要的职业
本文探讨了 Forward Deployed Engineer (FDE) 在 AI 时代的核心价值。文章指出 FDE 不仅是工程师，更是将企业 Know-How 转化为 AI 可执行 Context 的翻译者，是连接模型智能与现实世界的最后一公里。通过与 Cresta Head of FDE Jove 的对话，文章分析了 FDE 与外包的本质区别，讨论了“本体论”在构建企业知识模型中的作用，以及 Skills（技能）如何成为下一代软件形态。
国产模型年底跑不到 3T 模型就可能出局
文章梳理了曾鸣对颠覆性技术演化的三段论：AI 先成为通用基础设施，再催生海量新应用，最终诞生原生级现象级应用。2025 年 Token 成为 AI 时代共识度量衡，标志基础设施成熟；Open Claw 爆火开启 Agent 第二阶段；Agentic OS 属第三阶段，还需三五年。作者认为大模型公司本质是 AI 云公司，未来两年核心机会是打造 Agent 入口级产品，OpenAI 和 Anthropic 未必成为 AI 原生应用大赢家。另附曾鸣的公司四层分类：机会、战略、远见、使命驱动，强调使命须发自内心，外部认可驱动易受估值波动冲击。
FDE 成立的三要素：技术复杂的产品、非技术的买家、可沉淀的平台，从 Palantir 到 Anthropic、ElevenLabs
文章基于 Anthropic FDE Kevin Bai 的演讲与 ElevenLabs CEO Mati Staniszewski 的访谈，系统阐述 Forward Deployed Engineer（前置部署工程师）模式：FDE 是派出工程师深入客户业务、基于自有平台构建定制方案、按结果交付的模式，区别于外包。其适用判据是'高复杂度产品 × 非技术买家'。AI 时代几乎所有平台都可被 Agent 深度定制，推动各公司进入该场景。组织上 FDE 应隶属产品团队，关键在于知识回流平台，否则退化为服务业；文章总结 FDE 为'平台杠杆 × 知识回流杠杆'的双向结构，并以 Deutsche Bank 语音 Agent 案例展示交付流程。
究竟是FDE还是技术外包？
文章基于 Palantir 前工程师、Kepler CEO Vinoo Ganesh 的观点，探讨当下火热的 FDE（Forward Deployed Engineer）岗位。作者指出 FDE 一词已被混用于销售工程师、带销售指标的销售和技术顾问三种工作，区分真 FDE 与咨询的关键在于：解决客户问题后，是否将一线信号沉淀为可复用的产品。文章通过 Phoenix 事故、Parquet 迁移等案例说明 FDE 的本质是收集客户组织中的'名词与动词'等信息，并强调汇报线（挂在产品而非销售下）、反馈循环与累积验证的行业理解才是真正的护城河。最后给出转岗者应问的三个问题：汇报给谁、修复能否回到主干、KPI 如何考核。
Anthropic 工程师讲了一堂 FDE 入门课
本文总结了 Anthropic Applied AI 团队工程师 Kevin Bai 的 FDE 101 分享。FDE（前线部署工程师）源于 Palantir，其核心是向客户交付“结果”而非软件或咨询：工程师深入客户业务，在可复用平台上组装定制方案。FDE 与外包开发的关键区别在于必须有可复用平台。判断是否需要 FDE 有两个标准：产品技术复杂且买家非技术、具备或愿意建设可复用平台。文章还指出 2026 年 AI 使软件高度可定制、Agent 化，客户更难自行摸索产品，FDE 正从 Palantir 独有玩法变为更多软件公司需要考虑的模式。适合做 FDE 的是技术上值得信任、能直接面对客户的工程师。
FDE 的前世今生：每一代基础设施，都会发一次「最后一公里」的财
文章回顾了 FDE（前线部署工程师）岗位的兴起，提出核心观点：每当新基础设施把某一环节成本打到趋近于零，相邻环节就会裂开一条责任真空的缝隙，率先站上去的人会从「打杂的」成长为值钱的岗位。作者以 ERP 实施顾问、SRE、互联网运营为历史样本，论证 FDE 正是 AI 把「做出来」变便宜后撕开的最后一公里。文章还分析了中国企业的「先干后认」路径及其在需求、计价、组织上的独特约束，并指出岗位动荡期与稳定期的不同价值规律。
那些被管理层请进公司，却不被一线员工接受的FDE们
文章调研了AI风口下的新职业FDE（前沿部署工程师）的真实生态。FDE起源于Palantir，如今OpenAI、Anthropic及国内大厂纷纷布局。作者访谈多位从业者后发现：FDE身份定位模糊，常被当作产品经理或外包；工作分为产品驱动型和项目驱动型两类；驻场时面临客户需求不清、一线员工防备抵触、内部利益博弈等困境；行业收费混乱，报价从2000元到19万元不等，交付标准缺失。作者将其类比为上世纪的系统分析员，认为FDE虽处混乱期，但正站在AI成为生产力的前夜。
FDE介绍和入门：一个被 AI 重新激活的老岗位
本文介绍了 Forward Deployed Engineer (FDE) 这一岗位在 AI 时代的复兴。FDE 起源于 Palantir，是指深入客户现场将产品从演示推向生产的工程师。随着 AI 从辅助工具转向具备写权限的 Agent，企业对责任边界、流程重构的需求激增，使得 FDE 再次成为热点。文章详细解析了 FDE 的工作内容、小队作战模式及其在产品反馈中的核心价值。
众人拾柴火焰高：实体企业上 Agent，用一流模型，选二流方案
这篇文章面向不懂技术的中小企业老板，从甲方视角探讨企业如何持续吃到 AI 模型升级的红利。作者提出'上下文'与'闭环'两个核心概念：代码世界因信息现成、对错反馈快而最先被 AI 攻克，实体企业则需要主动生产上下文和闭环。作者建议企业先建立品味，把关键业务信息用飞书多维表格记录，实现人和 Agent 共用；老板应亲自下场把 Agent 当联席 CEO；新公司可追求围绕 Agent 重构组织的一流解，老公司宜在存量架构上小步调整、从增量业务入手的二流解，最终把公司变成'模型越强，自己越受益'的组织。
多数公司不该照搬 FDE，但都得理解现场｜理解 FDE
文章通过企业软件交付案例，解析了 FDE（前线部署工程师）模式的核心逻辑。功能做出来、模型能回答后，交付现场仍剩三层工作：必须沉淀进核心产品的通用处理能力、用插件和配置承接的客户适配逻辑、以及必须由业务人员当面确认的业务含义与边界。作者指出，在 AI 落地中还需验证系统在真实场景是否按规则行动。完整的 FDE 模式需同时满足高客单价、共同探索心态与平台纪律三个条件，多数团队应理解现场深度，而非盲目照搬驻场模式。
从零开始理解提示缓存（Prompt Caching In Agents）【译】
本文翻译自 Earendil Engineering 的《Prompt Caching In Agents》，系统讲解编程 Agent 中提示缓存的原理与实践。文章介绍了 KV 缓存的工作机制（prefill 与 decode 阶段）、缓存的两种存放方式（会话亲和性与分布式缓存）、前缀匹配对缓存命中的决定性作用，以及显式缓存与自动缓存的区别。还解释了为何修改工具定义会破坏缓存、TTL 过期导致短请求昂贵、缓存未命中的计费代价，以及 Pi 为何保持旧记录稳定而不激进剪枝，帮助读者在上下文、缓存复用、延迟与成本之间取得平衡。
AI Is Improving AI Faster Than We Can Check
文章探讨了AI辅助构建下一代AI（递归自我改进，RSI）的现状与瓶颈。Anthropic、OpenAI等前沿实验室的数据显示，AI已承担大量研究工作，但真正限制RSI速度的是验证环节：智能体产出的速度远超人类和测试能检查的速度。作者分析了验证困难的五个原因：人是瓶颈、分数可被操纵、基准难以衡量最强模型、智能体不知何时停止、失败难以追溯。在可机器验证的任务上（如算法优化），AI收益巨大；但在开放性研究中，智能体缺乏判断力。人类剩余的优势在于选择哪些问题重要。
