今年硅谷突然都在抢一个岗位，叫 FDE，Forward Deployed Engineer：公司派到客户现场的人，跟客户一起，把一个 AI demo 真正变成天天在用的系统。
这岗位我们闷头干了三年。
a16z 把 FDE 称作"tech 最火的岗位"。过去 12 个月，招聘量涨了 7 倍：
2025 年 4 月全行业 643 个职位，2026 年 4 月涨到 5,330 个
YC 创业公司里就有 100 多家在招，三年前一家都没有。
薪水也在水涨船高：顶级 FDE 在 OpenAI、Anthropic 总包 30 万到 60 万美元，做到资深、纯做技术不带团队的，竟然能超过 100 万美元。
下面看这几家具体在做什么：
OpenAI 2024 年底就组建了 FDE 团队，2026 年把它做成独立的 The Deployment Company，初始投资超 40 亿美元，又收购英国 Tomoro，拿到 150 个资深的 FDE
Anthropic 组了个 Applied AI 团队，专门派工程师进大企业现场做 AI 落地
Google Cloud、Databricks、Scale AI、Adobe，以及几乎所有 B 轮以后的 AI 公司，都在大规模招 FDE
可光招人、买团队还不够。真要把 AI 铺进一家家企业，巨头还是得拉上麦肯锡、德勤、贝恩这些咨询公司。
这事我们 2023 年就在干了，比硅谷早三年。打一开始就说好：客户的业务真做好了才给钱，交个 demo、一份 SOP、几段提示词或者给套软件，都不算数。
FDE 是什么，最早怎么来的
Good ideas don't come from eating strawberries in Palo Alto. They come from the fields of Djibouti and the factory floors of Detroit.
好想法不是在 Palo Alto 吃草莓时冒出来的，它们出现在吉布提的田野上、底特律的工厂车间里。
但 Palantir 真正精妙的地方不在"把人派出去"，在背后那套分工。
下场的 FDE 其实是两种人搭班子：
一种叫 Echo，是懂行业的领域专家，负责钻进客户的生意、找出真正该解决的问题；
一种叫 Delta，是工程师，负责快速把东西搭出来。他们在前线搭的代码糙、全是临时补丁，后方还有一支产品团队，专门把现场趟出来的做法抽象成通用产品：先铺出一条"碎石路"，再修成能跑下接下来 5 到 10 个客户的"高速公路"。
Palantir 今天一半以上收入的 Foundry，就是这么从一个个客户现场长出来的。
到 2016 年，Palantir 内部 FDE 的人数比软件工程师还多。今天这家公司市值超过 3000 亿美元，毛利率 80%，是软件公司的水平，不是咨询公司（埃森哲只有 32%）。FDE 不是辅助岗位，是它能从"被人骂作咨询公司"长成真正产品公司的原因。
这是 FDE 的模式：让最顶尖的工程师下场。
Palantir 的 FDE 不少是物理、数学背景，技术底子比市面上大多数人都硬。这套打法能啃下最难的客户，可门槛也高得吓人：你得找到既是物理博士、又愿意常驻客户现场写生产代码的人，这种人又少又贵。所以十几年，没人学得来。
FDE 怎么突然就火了
Palantir 闷头干了十几年，外界一直当它是个特例，没人学。直到这两年，大批企业砸钱上 AI，钱花了，东西却跑不起来。
MIT NANDA 2025 年调了 300 个公开的 AI 项目，95% 的企业试点对利润几乎没有可衡量的影响。
问题并不出在模型，GPT、Claude 都很能打，但是落地现场那摊东西却面临很大的挑战：脏数据、没人写过文档的工作流、合规红线、一堆为 AI 之前的时代设计的老系统。
一个 FDE 的原话：
更麻烦的是，AI 系统和传统软件，出问题的方式不一样。传统软件的风险在上线前，设计、集成、测试，跑通了基本就一直跑，真出错也直接报错，好查好修。
AI 反过来，风险在上线后：它是个概率系统，测试时好好的，一碰到真实数据和真实用户就开始退化，还不报错，只是悄悄变得不靠谱，答非所问、前后矛盾，一点点把用户的信任磨掉。偏偏这时候交付的人都走了，内部团队转去做下一个功能，顾问按合同干完就撤。
系统最该有人盯的时候，没人了。FDE 补的就是这个位置：人在客户现场，问题一冒头就当场调、当场改。
再往根上说，Bob McGrew（Palantir 第二位工程师、后来的 OpenAI 首席研究官）的角度是：
Agent 还没有现成的样子。SaaS 你一上来就知道要做成什么样，照着做个更好的去抢市场就行；
Agent 不是，没人知道一个销售 Agent、客服 Agent 最后该长成什么样，只能钻进客户的真实业务里一点点试，而这种试只能在客户内部做。
结论是：谁想在 Agent 时代找到 PMF，FDE 大概是绕不开的路。
巨头自己建了，还得拉上咨询公司
巨头的办法，是把咨询公司大规模拉进来一起干：
OpenAI 签了 BCG、McKinsey、Accenture、Capgemini、PwC 五家组成 Frontier Alliances，让它们帮自己把 AI 铺进企业；它砸 40 亿成立的 The Deployment Company，出资方里 Bain、McKinsey、Capgemini 三家就是咨询公司 Anthropic 拉黑石、高盛、Hellman & Friedman 合资 15 亿美元搞了家企业 AI 服务公司，把工程师送进世界 500 强，用私募的钱再造一支 FDE 队伍；它的合作方 Deloitte 也直接挂出了"Anthropic Forward Deployed Engineer"的岗位招人
自己建了为什么还要找咨询公司？OpenAI 不缺钱、不缺工程师，连现成的 FDE 都买得到。它缺的是另一样：钻进一家企业、把生意摸透、最后对结果负责。这件事麦肯锡、德勤干了几十年，OpenAI 想从零练出来很慢，不如直接拉它们一起干。
Bob McGrew 给想做 FDE 的创业者提过一个醒：
“如果不是非做不可，别碰，很容易做着做着就变成纯做服务的外包公司。但如果你的市场离了 FDE 根本起不来，那它可能就是你唯一行得通的方式。”
这套"AI 公司＋咨询公司"的组合，在中国基本没有。
埃森哲、德勤、麦肯锡在中国都有团队，但规模、话语权比美国小一截；本土咨询公司里，也没谁跟大模型公司这么深度绑定。
我们没等这个组合出现。从 2023 年起，我们就让一个团队同时长出两套肌肉：懂客户的生意，懂 AI 工程。逼我们走这条路的是中国客户：业务真变好他们才续费，过程做得再漂亮也不买单。
一家 AI 公司怎么自己做 FDE
第一个该招的不是工程师
公开资料里反复出现一个事实：Palantir 最成功的几位 FDE，背景是物理和数学，不是 CS。有的来自硬件工程，加入前根本没写过软件。这一拨人里还有产品经理和设计师。Palantir CEO Alex Karp 是哲学博士。
我们自己 FDE 的负责人，是个学法语的 00 后女生。
说穿了并不意外。Palantir 的 FDE 团队里，写代码的是 Delta，真正稀缺的是钻业务的 Echo。Shyam 招 Echo 专挑"反叛者"：不只懂这行怎么干，还能看出现在这套为什么不够好。
FDE 真正的核心能力，是读懂客户的生意、把要交付的成果设计出来。写代码是后半段的事。能想清楚"客户的钱从哪儿来、卡在哪儿、AI 能从哪儿撬动它"的人，比只会写代码的人稀缺得多。
大部分公司做 AI 落地的第一反应，是招算法工程师。错了。第一个该招的，是能听懂客户怎么赚钱的人，就是 Palantir 那个 Echo。
这件事我们交过学费。
我们踩过的坑：PE 摸不透客户的生意
最早交付全靠 PE（Prompt 工程师）一个人跑。他能照着客户说的把 prompt、把流程搭出来，可客户那行的生意怎么转、那些话背后的业务逻辑是什么，他摸不透。客户说一套，他照着搭一套，结果总不是客户真正要的。客户不满意，我那一年半有一半时间在救火，救的都是同一类：交付出去的 Agent 又出问题了。
被客户问住、设计被质疑的时候，PE 没底气，只能搬一句"客户就想要这个"来挡，其实他自己也没真懂客户要什么。东西的质量也兜不住：测试全靠手感，改好一处又坏一处。
后来我们改了打法：进场不再让 PE 单挑，先拉一个这行的业务专家一起进去，把客户的生意、流程、门道吃透，再带着 PE 一块搭。业务专家管"该做成什么"，PE 把它落出来。配合一阵子，PE 自己也慢慢长出了懂业务的能力，能听懂客户话里的生意了。
想明白的就一条：第一个进客户现场的，得是真懂这行生意的人，不能让一个只会搭 prompt 的人单扛全部。
一个客户，很多能力，对真实成果负责
前年十月我读到 Palantir 的 FDE，第一反应是：我们要的就是这个名字。"按结果交付"的方向我们三年没改，但定义一直模糊。FDE 这个词把它定义清楚了：一个客户，很多能力，对客户身上的真实成果负责。
改名之后，我们改的是这件事本身怎么干。四件事：
进场，先摸客户怎么赚钱。 一个项目分三个阶段。第一阶段是诊断，懂这个行业的业务专家驻场三五天，把客户的 SOP、知识库、整条链路摸清楚：他怎么获客、怎么转化、钱卡在哪个环节。这些业务专家，有的就是从客户那个行业里挖来的老手：比如做在线教育时，我们跟一家头部在线教育公司的前 COO 深度绑定，他离职后跟我们一起，把这个行业的 AI 落地一遍遍打磨出来。不上来就装软件，先搞明白这门生意。这一步就是 Palantir 那个 Echo 在干的事。
搭，是几个人一起搭。 第二阶段，业务专家带着行业经验，和 FDE 一起把 Agent 搭起来、跑内测。这一步过去是 PE 一个人硬扛，现在不是了：懂业务的管业务，工程的活交给工程师，谁也别替谁硬撑。
质量，靠句子守护兜着。 PE 时代最做不好的就是测试调优，全靠人盯，改对了 A 又错了 B。我们把它做成了一个产品，叫句子守护：它自己从客户百万级的真实聊天记录里，挖出用户可能问的刁钻问题，一条条编成测试题（连正确答案该是什么都写好），拿去考被测的 Agent，自动跑、自动出报告：每条的通过率、答得快不快、花了多少钱、要不要转人工，全摆在报告里。这套东西和具体业务解耦，FDE 在现场踩的坑都沉淀进去，下一个客户进场，他手里的杠杆更大。
交付的是成果，不是一个搭好的流程。 怎么证明成果是真的？落地时我们和客户做 A/B：AI 组是销售加 AI 一起干，对照组是同样的销售、纯人工，两组的线索质量、团队水平都拉平，只差用不用 AI。然后整条链路一个环节一个环节地比：触达率、响应率、转化率、人效，每一步都有数据，全程留痕，不是只看最后一个大盘数字。两组一摆，AI 带来多少增量，清清楚楚。我们也按这个结果收费：客户的人效真涨了，我们才拿钱。
这四件事合起来，懂生意的人就不用一个人硬扛了：他站在最前面，背后有业务专家、有工程师、有句子守护这套工具接着。他不用自己写代码，系统替他兜着。
这套收费方式，2023 年我们就定下了。当时国内同行主流还是按人头、按工时、按项目里程碑收，按结果的我们是少数。我后来才知道，这正是 FDE 区别于 SaaS 的命根子：SaaS 按席位、按用量收钱，FDE 卖的是"你帮客户解决了一个问题"。这里头有个不对称：大客户既不信自己能成，也不信你能成，因为他见过太多烂尾项目。
所以早期由我们把风险全扛下来，做成了、客户业务真变好了，再付钱。三年下来这条路站住了：客户续约率高，单个客户的合同越做越大。拿一个在线教育的头部客户说，用上这套之后，AI 组的产出是对照组的三倍，一个销售一个月能盯的人从一千做到三千，整条链路从人海一对一变成了一套系统。
他付给我们的钱也跟着这个涨幅走：盯的人翻三倍，付的也翻三倍。我们赚的就是这中间的人效提升，按线索量收费，不按人头、不按工时。
三年 FDE，长出了 7 个产品基建
我们今天有 7 个产品基建，但不是一开始就规划好的。最早只有两个：句子秒回和句子秒懂，一个是人和 Agent 协作的工作台，一个是搭 Agent 的大脑。剩下的全是 FDE 在客户现场一个个撞出来的：撞知识库的墙，长出句子智库；撞测试的墙，长出句子守护；撞老系统接不进来的墙，长出句子 CLI。现场踩的坑，一个个变成了下一个 FDE 进场就能用的杠杆。
这 7 个产品基建分三层，从客户天天在用的那层往下说：
- 给终端用户用
句子秒回（工位）是人和 Agent 协作的界面，一套界面复制到销售、律师、市场、HR；句子参谋（参谋）相当于一个随叫随到的数据分析师，用大白话问一句，就能挖用户洞察、拉转化分析、报异常预警。 - 搭 Agent
句子智库（记忆）做的是知识工程，把客户几百万字、散乱、还互相打架的知识，炼成 AI 查得到、越用越准的资产，这是 FDE 进场第一件事，业务没理清上面全白搭；句子秒懂（大脑）让业务的人也能编排多个 Agent；句子守护（主管）管测试、灰度、质检，上线每一步把关。 - 数字化补齐
AI 要在客户的系统里跑起来，先得把底层铺平。句子 CLI（手）对外打通各大平台，对内把客户的老系统封装成接口、接进上层；句子智造（地基）补齐客户缺的那块数字化能力。
FDE 贯穿这三层，用全套 7 个产品基建，把 AI 装进客户的真实业务。客户开通就拿到我们十年沉下来的行业能力，不用从零搭。这也是为什么我们敢按结果收费：不是赌运气，是手里有这套基建兜底。
从销售开始，往更多场景长
我们最早从销售切进去，这个场景离钱最近，AI 帮客户多转化、多签单，效果最容易用数字讲清楚。同一套 FDE 打法和产品基建跑通之后，往别处复制就快了：场景上，销售之外，律师、市场、HR 都在做；行业上，从在线教育起家，现在金融、医美、电商也铺开了。换个场景、换个行业，做法都一样：把人效做翻倍，把效果摆成数字。
三种 FDE，同一个角色，不同的活法
我们和 Palantir 解的是同一个问题：客户没法清楚地告诉你他要什么。Palantir 的客户是情报机构，机密说不出口；我们的客户是中国 to B，业务流复杂、KPI 多元、组织里利益盘根错节，需求文档同样写不清楚。两边的解法都是把人塞进去，靠观察、实验、当场动手搞懂客户真实的业务。
但三种模式的活法很不一样：
差别集中在两处。
一是成果能不能量化。Palantir 的成果常是"让一个原本不可能完成的任务被完成"，比如破获一起恐袭、合规出一份报告，难量化；我们的成果是转化率、人效、营收，可以 A/B 测。所以我们能做按结果收费，Palantir 大部分单子做不到。这一点我们比 Palantir 走得远。
二是对人的门槛。Palantir 的 FDE 哪怕是物理博士，平均水平也比中国市场上大部分人高一截；我们这边的 FDE，可以是个 00 后、一个长在 AI 里的"原住民"。
不是要求更低，是 Agent 时代的低代码工具链帮 FDE 兜了底：他天生把 AI 当手脚使，只要能想清楚客户怎么赚钱、把成果设计出来，剩下的交给工具。OpenAI、Anthropic 今年新做 FDE 也是这个思路：前面是熟悉业务的人，后面是平台和工具兜底。
下场三年，我改了几个想法
AI 没有让客户裁员，反而让客户去抢更多流量。
我们本来以为人效翻倍，客户就会把差的销售裁掉。结果客户不裁。他用同样多的人，把市场上所有好的线索全抢了过来。
市场上的流量就那么多，谁的人效高，谁就能多拿。
好销售和差销售用上 AI，提升的幅度其实差不多。真正拉开差距的不是销售本身的好坏，是他愿不愿意用 AI。这件事甚至改了我们招人的画像。以前嫌一个人想法太多、不够踏实，现在这种人反而是我要的：脑子里点子多，会使 AI，还拿得准 AI 交出来的东西到底行不行。
按结果收钱这条路，三年前我们也没底；三年下来跑通了，比按工时收费的同行稳，客户也认。硅谷今年集体做 FDE，说到底也是认了这件事：客户认的是结果，不是过程。
干 FDE，真正稀缺的是这种人：能扎进一门陌生生意、快速摸懂，又对结果较真。会写代码反而是最不缺的。这种人，离自己出去开公司，其实只差一步。
写在最后
Palantir 十几年前就把这条路走通了，靠的是最顶尖的工程师。硅谷今年才把它捧成最火的岗位，巨头一边自己建、一边拉咨询公司，创业公司则自己招人。我们 2023 年就上路了，没叫它 FDE，靠的是一个团队自己长出两套肌肉，三年踩坑沉淀成 7 个产品基建，从第一天就按结果收钱。
最早把 FDE 讲清楚的那几个人，Palantir 的 Shyam、Bob，反复说的也不是"工程师驻场"，是"卖成果，不卖软件"。这正是我们被国内客户逼着走的路。
说大一点，FDE 解的是 AI 这两年最拧巴的一个错配：技术早成熟了，企业也急着要，可大模型变不成业务生产力，中间缺的，就是把模型真正落进一门门生意里的人。
这个角色，中美都验证过是最优解：美国有 Palantir、有 OpenAI 的Deployment Company，中国是我们。
大模型不会自己变成客户的转化、人效、营收，得有人扎进去，一寸一寸把它落下来。这就是 FDE。
我们想做的，是在中国把这件事做到极致：让 AI 别停在 demo 里，真正变成一家家企业手里的生产力，给他们创造看得见的价值。
