FDE前线部署工程师

• 一句话定义（Jove 原话）："FDE 是跟客户紧密合作、能让 AI 应用真正跑出来的工程师，且承担让产品变得更好的职责。" 它有两个动作——①把 AI 落地，②把一线学到的 lesson learned 直接反哺、改进产品。→ 详细
• 所以它"甚至有点像一个 forward deployed 的 CTO"：你既要把单子搞定、把 AI 应用落地、把客户锁住，又要像 CTO 一样天天想着怎么让产品更好、甚至"自我革命"。→ 详细
• 中文还没有统一译名（"前线/前端部署工程师"，甚至有人戏称"AI 落地官"），Jove 说这是"一个值得被不停定义的工种"。→ 详细

• 导火索是 5 月初 OpenAI 成立"部署公司（Deployment Company）"、收购一家叫 Tomorrow 的公司、一口气拿到 150 个 FDE；同期 Anthropic 与 Blackstone 等组合资企业，Google 也有类似动作。Jove 的第一反应："我知道会来，但没想到这么快、这么迅猛。" → 详细
• 它印证了一件事：模型公司开始承认"模型本身并不是一个产品"，产品要落地还需要大量工作，而这正是传统模型公司容易疏忽、甚至不屑去做的。没有贴身合作，"有钱想买模型的人，买了也不知道怎么用"。→ 详细

• 模型公司（OpenAI/Anthropic）的打法仍是"招最好的人去 train 最好的模型"。Anthropic 的模型"特别好但也特别贵"，人效高、能卖贵；但要向 360 行每一行落地、那需要大量的人，这块它不见得想自己做——所以才有收购、有靠资本让别的公司来做 FDE。→ 详细
• 模型扮演"指挥家"，但不该什么都自己做：企业每天在干什么、系统怎么流转、API 千奇百怪甚至在内网、数据不可能共享——这些模型本身控制不了，所以"应用这块会越来越重"。→ 详细

• Cresta 做的是 contact center（客服中心）的 AI。它的先天优势是积累早——2017 年就开始做，在 AI 浪潮之前就已经把大量"人对人"的客服对话语料（如 Marriott 这类大公司的）以合规方式存在系统里。→ 详细
• 有了历史数据，就能"抽象出客户常问哪些典型问题、客服该怎么有效解决"，避免靠猜；甚至能用客户自己的对话数据 train 一个小模型，再用这个小模型去跑更多 simulation（模拟测试）。→ 详细
• 这也点出应用层 vs 模型层的关键差异：OpenAI/Anthropic 有最强模型，却没有客户的数据、也不那么懂客户的具体需求——这正是纯模型公司的劣势。→ 详细

• 不是所有场景都先做。FDE 会先分析哪些 use case "量比较大、但又没那么复杂、不需要很多人工判断、SOP 比较清晰"——"有点像 80% 的 volume 来自那 20% 的 use case"。→ 详细
• 选定后，FDE 像"有经验的 AI 落地官"去判断资源到位没有，不到位就和客户共创，做出一版 AI 流程后再做大量测试、优化、监控——"做出来只是第一步，后续优化监控很花精力"。→ 详细

• 虽叫"forward deployed（前线部署）"，但 Jove 和同事没有一次在客户那边超过一个星期。FDE 不做 cold reach（陌生开发），来的都是已有强意向的客户，FDE 更像"专家"帮看怎么落地更合适。→ 详细
• 典型节奏：飞到客户办公室 kick-off、闭门开两三天会，把 high-level goal、KPI 定下来、把对应 API 验证，顺利的话现场做个小型 POC 让客户兴奋；之后"各回各家"，每周甚至每天开会远程开发，到 UAT（用户验收）阶段再聚。当面培养的 eye contact、私交和 trust，是"不 onsite 很难达到的"。→ 详细

• FDE 售前、售中、售后都参与：售前可能帮做功能较全的 demo；单子谈完后期待 2-4 个月上线，且一批批 use case 上；上线后监控满意度、通话时长、case 解决率等合同指标。→ 详细
• 达标后 FDE 就撤出（"项目多，继续放人改 prompt 不划算"），后续小修小补交给没那么 AI-expert 的人。极端时甚至"倒贴人进去"——"像送货上门，已经放门口让你试穿了，你再退掉也不愿意"，目的是在快节奏里"抢山头"。注意：他们从不按 FDE 工时收费，一旦决定做就全力做出来。→ 详细

• FDE 模式的"original creator"是 Palantir，十几年前为做军方业务而生：客户（军方）需求说不明、必须面对面"跑到同一个军营帐篷里看数据"才肯说细节，中间还涉及数据建模、临时做 API。→ 详细
• 于是 Palantir 招了两个团队：一个偏技术（Forward Deployed Software Engineer，对应 Delta），一个偏业务（PM/Business Owner，熟悉作战等领域，对应 Echo）。FDE 通常被认为是偏 technical 的工种。 → 详细

• 最理想是"一个人什么都会"（像 One Person Company，既是 CEO 又是 CTO），但这种人难招。所以 Cresta 近一年拆成两个角色：FDE = forward deployed 的 CTO（管技术实现、测试、把常用开发抽成 SDK/工具包/CLI）；FDPM = forward deployed 的 CEO（用 people skill / communication 跟客户耗在一起、培养信任，决定 AI agent 该说什么不说什么、测试集怎么建、为整个 agent 的行为和质量负责）。→ 详细
• 配比大约 1 个 FDPM 配 2-3 个 FDE，不管项目大小；一个 FDPM 可同时带几个项目。这样既避免对单人要求过高，也能按行业（医疗保险等）和技术域（payment、search）沉淀领域专家。→ 详细

• Jove 的目标是"打造全世界最好的 FDE team"，明确不招任何 junior——因为一个项目就一两个人跟客户的 CTO 共创，junior 很难建立信任、也没判断力（"总不能打开 AI 让它告诉你怎么做"）。→ 详细
• 三条硬要求：①是合格 engineer 且真会开发/测试 AI agent——"现在哪个 engineer 不是 AI engineer 早就 out 了"，但真正懂怎么开发和测试一个 agent 的人不多，这点他"很 care"，希望人 2-3 周就能进项目；②过硬的 customer-facing 经验——能跟对方 CTO/IT director 沟通、把复杂问题简化、有时还要 say no；③靠谱、有韧性——FDE 面对的是"很不完美的世界：API 根本就是纸糊的，SOP 跟没有一样，文档千奇百怪"，所以偏爱 founder / founding engineer / freelancer 这种经历过大风大浪的人。→ 详细

• 为什么 FDE 现在才起飞？因为 AI coding 改变了反哺产品的速度：10 年前 Palantir 的 FDE 就算发现产品 bug，"也只能写封信、开个 ticket，求别人改，可能半年后才好"；现在靠 Claude Code 等，FDE 知道哪里不对就能直接让 AI 改、自己找人 review，迭代极快。→ 详细
• 更关键是经验可以"蒸馏"成 skill：以前知识留在脑子里、要长时间 transfer；现在能写成一长篇 markdown + 一些 script + reference，做过两三个类似项目就沉淀成一个 skill。"我们现在 30 个 FDE，又来 20 个，新人把 skill 装上就能 access、都不用学"——雪球效应。→ 详细

• Jove 判断："无意不变的就变化"，但相对很多软件工程工作，FDE 被 AI 替代还很远。 短期（1-2 年）会有更多工具提效——如 Gong 录下并可对录音提问、Glean 搜最新聊天记录和代码——让一个人带的项目从平均 2-3 个变成 5-6 个。→ 详细
• 远期会分化：一端是做最难事的高端 FDE，另一端是大量"便宜的、远程的"FDE 服务中小客户（连诊所、个体户都想招）。只要客户的复杂性还在、AI 全自动总有 gap，就需要 FDE 来填；真到"FDE 99% 都能 AI 化"那天，"我们担心的就不是 FDE 本身了，而是整个世界已经不一样"。→ 详细

• 反直觉点：OpenAI/Anthropic 没找埃森哲（Accenture）这类咨询公司，而是直接找私募。逻辑是：找软件外包/咨询要慢慢谈 scope、定工期；但如果你的投资人直接对一把手说"用 FDE 模型，我的投资会做得更快"，推进就快很多、还简单粗暴。 VC/PE 对 AI 加速抱很大期待，愿意"给 CEO 一个指标：你就是要用 FDE 把行业 AI 化"（过程中也会多用模型 token）。→ 详细
• 传统软件外包/咨询公司因此有危机感：客户不见得非找外包，"AI 让客户自己学，还是找外包，还是找平台公司直接帮你做掉"——对它们是个很大的转折点。→ 详细

• （后半场 Oliver）公司名"Invisible（隐形）"来自一个理念："当技术做得足够好的时候，它是隐形的、你感受不到的。" 痛点是个人 AI 使用率和企业采用率之间有巨大落差。→ 详细
• 套壳产品（如法律的 Harvey、会议记录的 Granola）"只是在已有方式上做增强，没有改变你做事的方式"。Invisible 的不同打法：不是一个工具一个工具上，而是一个工作流一个工作流切入、为每家公司定制软件——把一个 10 步工作流拆开：5 步必须确定性（涉及数学/合规、不能出错）、3-4 步交给 AI、2 步人工审核。"这才是真正用 AI 改变业务的正确方式。" → 详细

• Oliver 认为 OpenAI 做部署公司"做得非常正确"：过去半年 CFO 和高管越来越多谈"压缩成本"，同时 MIT、斯坦福的报告显示真正把 AI 跑到规模化的企业寥寥无几——这个落差不可持续。→ 详细
• 所以模型厂必须推动企业侧真实采用、证明 ROI，"光卖一个聊天机器人做不到"。但他们原来的打法非常"横向"（做通用大模型），现在转去给企业搭定制化工作流，是"完全不同的市场动作、完全不同的销售方式"，能做成但需要时间。→ 详细

• ①信号价值：变化很直观——三年前 PE 还问"能不能来讲讲 AI 怎么工作"，两年前问"怎么在投资组合里推 AI"，今年变成"我要向 LP（养老金等出资人）募资，必须证明我站在 AI 最前沿、要有案例，否则 LP 不给钱"。跟最响的名字（OpenAI/Anthropic）合作就是极好的背书。→ 详细
• ②投资组合的价值创造（用对 AI 真能创造大价值）；③投资回报本身（合作结构诱人，让 GP 进入高回报赛道、拿到高增长资产敞口）。叠加今年"SaaS 已死"论调让 LP/GP 高度紧张，信号价值进一步放大。而AI 创造价值最大的地方，恰恰不是软件公司，而是工业、制造、商业服务、尤其是医疗这些传统行业。→ 详细

• PE 公司自己做的事——找项目、估值、投钱、管资产——"是非常人力密集、要用很贵的人的工作"，恰恰最适合 AI 改造。Oliver 给了三个具体案例：→ 详细
• 募资 AI 销售助理：一家大资管想让小资管帮卖 ~1000 款产品但不愿配销售经理，于是搭一个 7 步闭环——整合 1000 款产品的数据基建 → 输入层（对方录客户数据、权限隔离）→ 确定性计算最优产品组合（本质是数学）→ 生成会前销售话术 → 会中工具 → 会后按会议记录自动更新方案，让大资管能服务更大范围客户。→ 详细
• 尽调平台：做尽调通常要跑 10 条工作线、雇法律和各类顾问，协调压力大；平台让团队跟所有顾问交互、把问题推给顾问、自动扫描整个 data room、调取本基金在类似项目问过的问题、最后自动出文件（"我见过太多投资人周末加班做这些"）。第三个案例：基金运营里的 NAV（净资产值）计算、账户对账——每天收盘都要核对，完全可自动化（"我第一份工作就是做簿记，非常耗时"）。→ 详细

• PE 收购正进入"AI roll-up"时代：表面买公司，"实际买下的是它们的工作流，再把它们改造成 AI native 公司"。两类投资人——一类回避"AI 颠覆风险大"的领域，另一类主动拥抱、激进地用 AI 赋能技术含量不高的企业（AmEx GBT 那类 deal 是例子）。→ 详细
• 核心心法（Oliver 反复强调）：别只把 AI 当降本工具，它真正的价值常在"创收、开新收入"。 他常问客户一个问题："如果现在免费给你一万个受过大学教育的员工，你会做什么？" 案例：一家乳制品公司说"会给所有账户写报告"，于是 Invisible 帮它做数据整合+定制 AI 给所有奶牛生成健康报告，把人腾出来真正去维持奶牛健康——"这在过去并不可行"。→ 详细

• Oliver 判断：未来 3-5 年咨询会迎来一波增长——所有企业探 AI 都要重新思考商业模式（最简单的例子：律所从"按小时收费"转向"按结果收费"，整套激励结构都变了），这种转型"你是要找人来聊的"。→ 详细
• 但真正释放价值的，是"做完就走、却留下一套改造好的业务"的模式（AI 实验室和 Invisible 这类公司），而不是"只聊怎么转型"。当前市场不确定性高、大家观望，所以"先搞清楚哪些事值得先做"的具体咨询需求是真实的。→ 详细

• 坑一：什么都想 AI 化，走不通。 最关键的前置是好的数据平台——"AI 再聪明，没有足够的信息和知识，什么都做不了"。难点在数据散落（结构化 + 非结构化：Outlook 邮件、Gmail、LinkedIn、ERP、Salesforce）。Oliver 在麦肯锡时"每去一个新客户，就把 7 个不同数据集扔给一个分析师让他合并找洞察"——这道坎代价不小，因为企业以前根本没做过，甚至"自己都不清楚现有数据长什么样"（PE 收购来的公司尤其如此）。→ 详细
• 坑二：一个 10 步工作流，不是每步都该用 AI。 像账目对账这种财务流程"你不会想让 AI 来做，你要的是确定性的结果"，应该硬编码、用确定性的数学计算；AI 用来梳理整体流程逻辑、划定哪些步骤确定性。Invisible 为此有数据模块 Neuron（数据层/数据网格，不打乱原架构，整合结构化+非结构化并映射对象关系）、Atomic（梳理/自动化工作流）、Action（协调工作流中的不同 agent）等——"Neuron 是起点，因为数据整合往往是第一道门槛"。→ 详细

• 赛道已很拥挤：模型公司自己做部署、咨询公司转型、应用层公司扩 FDE 团队。Google 也宣布了 FDE team（很多人从 Google 过来、工程文化接近），但 Jove 指出 Google 有个软肋：它"很不高兴用别人家的东西"——语音不愿用 ElevenLabs、Cartesia、Deepgram 这些第三方，想推自家 Gemini，所以不如独立 AI 应用公司自由。→ 详细
• 独立公司的自由体现在："我们一个对话可能用 20 几个不同的模型，哪里最好、最经济就挑哪个，因为我们最后卖的是 outcome，不是卖 token。" 还要保证合规、一直在线，有时甚至自部署模型以防网络挂掉。这种选择自由度"对大厂其实是没有的"。→ 详细

本期没有固定的"闪电问答"，但 Jove 的收尾把"人在 AI 时代的价值"讲得很透，值得单列：

• "我们自己 90% 几的代码都是 AI 写的"，但人还得花时间调 prompt——"不能完全 trust AI 来调 prompt，AI 调 AI 容易进入过拟合"。→ 详细

• "人在里面扮演的角色，是 AI 的触手"：白天跟客户开会、吃饭、喝咖啡拿到 AI 拿不到的 context，晚上对着电脑一顿输出、变成 AI 的 context——"你不能指望一个人跟 AI 喝咖啡聊有的没的"。→ 详细

• AI 能出五六个 option、各列一堆 pros/cons，但"它不能帮你做决定，还是要人挑一个、并为这个决定负责（skin in the game）"。 → 详细

• "FDE 像一个创业营"：不是舒服的工作状态、很多活要做要学，但能锻炼技术、客户沟通、判断、说服等多维技能，对日后创业很有帮助。所以"不是所有职业都要转成 FDE"，但如果你技术有自信、open 学新东西、又不讨厌跟客户打交道（"今天跟餐馆、明天跟牙医，了解他们怎么运作"），这是个很不错的方式。→ 详细

• Jove：Cresta 的 FDE 负责人，正在招近百人的 AI agent FDE 团队（节目录制时来纽约 TechWeek 招人）。要求见「主题十」——资深、会开发/测试 AI agent、强 customer-facing、不招 junior。

• Oliver：Invisible Technologies 企业业务 VP，前麦肯锡 PE 咨询（Rewired 团队）。

• 节目：国内可在小宇宙、苹果播客、网易云音乐、喜马拉雅、QQ 音乐、蜻蜓 FM 收听；海外可在苹果播客、Spotify，或 YouTube 搜"硅谷101"；部分文字稿收录于硅谷101 微信公众号。