FDE 路演后的思考：企业真正缺的不是模型
作者在深圳完成 FDE 路演后，结合现场反馈与自身经验，深入探讨了企业 AI 落地中的关键缺口。文章指出，企业真正缺乏的不是模型能力，而是能将模型、业务、数据和组织责任连接起来的人才。作者详细阐述了 FDE（Forward Deployed Engineer）的定位、所需能力、与科研系统的结合、以及人与 AI 协作的未来趋势，并为程序员转型 FDE 和企业正确使用 FDE 提供了具体建议。
相关文档
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。
构建你的 AI FDE 能力入门篇：关注企业的“隐性知识”的断层
文章探讨企业在 AI 落地中的真实场景：高容错、全自动闭环的高价值场景其实很少，AI 应服务于商业上下文而非替代决策。作者提出 AI 落地的三个微观切面：商业上下文组装器（压缩决策时间）、非结构化数据转换插头（结构化清洗入 CRM）、内部经验的平权分发（RAG 知识库）。针对传统企业“隐性知识”断层——经验锁在老员工脑中、缺乏数据沉淀——给出三种破局策略：过程拦截式沉淀、引入 FDE 人工提取上下文、让 AI 成为反向采访者。结论是 AI 应做 Copilot 而非 Autopilot。
能推动企业 AI 转型的，恰恰可能不是最懂技术的那个人
文章探讨传统企业 AI 转型的路径。作者认为外聘 FDE（前线部署工程师）并非银弹，因为核心业务判断藏在一线员工的经验中，外部团队难以获取。同时全员培训也不现实，员工缺乏动力。建议先从“离钱近”的岗位（如销售、获客人员）切入，让他们从 AI 带来的业务结果中直接获益，再由外部技术团队与内部业务骨干协作跑通第一个小场景，逐步将日常优化移交内部，最终培养出企业自己的 AI 业务骨干。
FDE 百问百答：从入行求职、独立接单到进场交付
作者司徒K基于十几年企业服务经验，整理了关于 FDE（前沿部署工程师）与企业 AI 落地的 100 个具体问题。文章系统解答了 FDE 的岗位职责、与开发/实施/咨询的区别、薪资水平、职业发展路径，以及独立接单时的客户获取、报价、分阶段收款、交付与售后等经营问题。作者指出 FDE 一词被过度泛化，把项目交付出来和把一门生意持续经营是两回事，提醒从业者警惕将自己困在非标交付中。文章还给出转行者的学习路径建议：围绕小项目实践、借助 AI 补足编程能力、从熟悉的行业切入，先做出可展示的作品再求职或接单。
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。
FDE 实战｜我给爸妈的物流公司做 AI 落地
作者以 FDE（前线部署工程师）身份，为父母经营的 4 人小物流公司做 AI 落地。文章完整记录了从商机发现、需求调研、方案设计到落地交付的全过程：梳理藏在家人脑中的隐性业务规则，识别手写车号、多系统操作等数据与技术难题，并按风险高低分三阶段推进——先做信息核对，再尝试报车，资金类操作保留人工审核。最终用腾讯 WorkBuddy 将小时级工作缩短到一分钟。复盘指出 AI 落地真正的难点在于：小公司数字化基础薄弱、隐性规则多、交付需手把手教学、信任建立难，以及成本收益难以平衡。技术终要为人服务。
掌控AI·FDE实战 01｜万字实操SOP：搭建本地自动内容交付流水线
文章提出企业AI落地的核心卡点不是提示词，而是大模型无法进入本地业务流。作者以FDE（前线部署工程师）视角，提出'数字员工管理思维'，总结本地交付四大支柱（工位、规则、原料、连接器），并以WorkBuddy为载体，手把手演示搭建公众号自动内容交付流水线的完整SOP：安装绑定本地文件夹、采访式制作账号定位卡、选题灵感细化与竞对爆款监控入库、技能挂载与MCP连接器配置、工业化成稿与质检、微信草稿箱定时推送，最终走向企业级FDE交付与商业变现闭环。
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。
国内FDE TOP账号的判断：大部分FDE是伪命题
作者作为国内头部FDE（前沿部署工程师）团队从业者，指出大部分FDE是伪命题。核心论据：80%企业的AI需求是降本增效，而提效的终局是裁员——省出的工时会被公司排满或以裁人降成本收场。作者以客户案例算账：只有大型集团级客户（人力成本200-300万/月）才能让FDE的ROI算得过来，此类公司全国不超1万家，而FDE团队已超10万家，僧多肉少。中小企业场景下乙方单价难覆盖价值，卖SaaS代理、token、培训等路径均受资质或预算限制，生意难以成立。结尾预告下一方向是用AI帮企业做增长。
几万块的单子烂尾后，我发现工程师做 FDE 根本是条死路
作者通过一个几万元 AI 项目烂尾的案例，指出工程师驻场做 FDE（前瞻部署工程师）本质上是条死路。文章分析工程师驻场失败的三大原因：组织权限的隐性防御（业务人员担心被替代而消极配合）、行业壁垒（行业术语和经验需多年沉淀，技术人员难以短期掌握）、数据安全限制。核心观点是学习成本倒挂：业务专家补工程能力只需几天培训，而技术人员补行业认知需要三五年。AI 时代真正的 FDE 应是业务专家利用成熟工具链自己练出来的，而非工程师转型。真正不可替代的壁垒属于懂得用新工具重构业务的老法师。
想转 FDE？一个干了 4 年多的人告诉你：这活从开会聊需求，到私有化部署，都得会
作者基于4年多车企AI落地经验，按项目全流程拆解FDE（Frontier Development Engineer）岗位的真实工作内容：售前阶段的客户预期管理、深入业务打磨几千个标签体系、模型开发（从BERT加规则演进到大模型抽取加检索链路，涉及微调、embedding、评测）、私有化部署的工程细节（驱动、CUDA、vLLM、压测、稳定性）、以及上线后的数据报告与可视化。作者强调模型只是最不用担心的部分，难的是模型前后的业务与工程，并介绍了AI coding如何让他一个人交付客户demo。
AI时代，最贵的人开始下现场
文章探讨AI行业新兴岗位Forward-Deployed Engineer（FDE，前线部署工程师）的崛起。LinkedIn数据显示该岗位标签自2023年以来增长约42倍，OpenAI、AWS、微软等巨头纷纷投入巨额资金组建部署团队。文章指出，模型能力已经进步，但企业的工作方式尚未跟上，演示效果与真实落地之间存在巨大落差。FDE的价值在于深入客户现场，理解真实业务流程，把模型接入旧系统、权限和合规要求中，并通过可测量的经营指标证明价值。文章还分析了FDE面临的规模化陷阱、反方意见，以及普通人如何用90天验证计划积累FDE能力。
