第一次进企业聊 AI，我才发现最难的根本不是 AI
作者以大三学生身份第一次走进企业现场，与企业管理者探讨 AI 落地问题。他发现企业需求分三层：愿望、业务任务、可执行的输入输出，多数讨论停留在愿望层。真正难点在于业务经验未结构化沉淀、知识库治理、以及先跑通最小可行案例（MVP）。文章提出 FDE（前置工程师）工作方式：在业务语言、工程语言和 AI 结构化语言之间翻译，强调 human in the loop、机密边界与人工审核，最后计划用不涉密的机械臂/AGV 案例验证完整链路。
相关文档
从0到1入门FDE系列（二）：如何寻找并拿下第一个客户
本文探讨了AI落地工程师（FDE）如何获取并推进第一个客户项目。作者指出，找客户不应从技术栈出发，而要去寻找正在付出代价的业务环节。在与客户初次沟通时，应聚焦真实的业务流程和样本，避免盲目承诺。通过把合作拆解成低成本诊断、利用AI进行沟通预演以及制定有条件的谈判策略，FDE能有效推动项目落地，最终实现从模糊兴趣到真实投入的转化。
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。
这套成交SOP，帮我签单了7位数：FDE成交复盘（含商单拆解）
作者复盘一个企业AI项目从初识到签约回款的全过程：客户源自广州一场讲座后的转介绍，经过两个月五次沟通最终成交15万元。文章详细拆解每次沟通的目标与方法：先判断需求真实性与决策链，再抛开AI从业务问题本身梳理流程，用高价完整方案验证预算边界，收敛为轻量可执行的切入方案，最后通过5:3:2分阶段付款确保项目健康启动。作者总结企业AI服务成交需要四种核心能力：需求判断、专业分析、价值呈现与推动决策，强调客户购买的是业务价值而非技术栈。
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。
大多数人不仅做不了FDE，甚至不知道怎么跟客户介绍自己
文章以一场企业AI线下交流会为切入点，指出FDE的真正含金量在于Echo角色而非Delta的技术能力。作者结合金属配件排产项目案例，阐述Echo如何从企业现状中提取不变量、将模糊需求转译为开发目标、并应对交付标准漂移等实际问题。最后揭示FDE模式的本质：它并非由Palantir或乙方定义，而是甲方'别走，继续干'的真实需求倒逼出的产物——在复杂B2B场景中，最稀缺的是能缝合技术与咨询的人。
