2026 年 6 月 30 日，AWS 宣布投入 10 亿美元组建 FDE 组织，把工程师以 45 天冲刺的方式嵌入客户团队。两天后，微软成立 Frontier Company，投入 25 亿美元、6000 名工程师做同一件事。再往前推几周，OpenAI 花 2.95 亿美元收购 Tomoro 成立独立部署公司，Google Cloud 把嵌入式 FDE 团队挂进产品组织，Anthropic 联合 PE 让被投企业大规模部署 AI Agent。五家公司都在押注同一类岗位：派人到客户现场，把 AI 从 demo 变成生产系统。AI 透镜是腾讯研究院发起的 AI 时代行业观察系列，关注技术、组织与商业现场的真实变化。行业圆桌是其中面向一线从业者的讨论形态：不只做趋势解读，而是把正在发生的岗位、打法和组织实验摊开聊。我们请到了两位一线实践者——Cresta AI Agent FDE 负责人钟钱杰和 Ventus AI 联合创始人陆骁鹏，与腾讯研究院高级研究员余一、资深专家王鹏一起，围绕七个问题展开讨论：FDE 到底是什么，它和外包、实施有什么本质区别；从 demo 到生产的复杂度被严重低估了多少；「蒸馏」为什么决定了这套模式能不能当生意做；Palantir 十年前的 FDE 和今天是不是同一物种；什么样的企业和老板才推得动 AI；中国能不能跑通；以及工程师还值不值得走这条路。这场讨论的最后一个问题留了半个答案：中国到底能不能跑通 FDE？今晚（7 月 8 日 20:00）AI 透镜行业圆桌第二场，句子互动李佳芮、BISHENG覃睿、CodeWisdom茹炳晟、腾讯研究院余一和王鹏，将围绕在中国做FDE ，来拆解AI最火岗位的本土真相。欢迎在腾讯研究院视频号收看直播。钟钱杰（Jove）Cresta AI Agent FDE 负责人。在北美、澳洲和欧洲领导 30+ 名资深 FDE，为航空、金融、医疗等头部企业落地生产级 AI Agent。2026 年在 Propel 26 大会获 FDE Team of the Year。此前在 IBM、EMC、Splunk 有超过 20 年工程经验，曾创业四年做实时数据分析。复旦大学毕业，现旅居温哥华。
陆骁鹏（Vincent）Ventus AI Co-founder & CTO。2024 年创办 Ventus AI，获 a16z 投资，聚焦北美医疗行业 AI 落地，服务 300+ 家诊所及医疗机构。CMU 毕业，曾回国工作两年，对中美两地 FDE 生态有一线对比视角。余 一 腾讯研究院高级研究员，AI 透镜系列主理人，5000小时AI First实验者，腾讯研究院AI原生联合负责人。研究和实践AI原生创新及组织战略、超级个体及AI数字分身等课题。多年创新孵化和投资经历，曾负责多个腾讯创新加速器项目，在腾讯之前是知名美元基金副总裁。
【透镜速览】关于FDE七问的一线解答FDE 到底是什么？为什么五家巨头押注的竟是三种打法？同一个季度，五家巨头砸钱押注同一类岗位，但核心张力不在于谁投得多，而在于 FDE 天然随公司阶段和商业模式变形。钟钱杰在 500 人的 Cresta 加了一个词 Product：团队花三分之一时间改产品代码，上午在客户现场看到问题，下午提 PR，明天上线。陆骁鹏在 10 人的 Ventus AI 里，FDE 从售前跟到售后、背商业指标，恨不得一个人当十个人使。而模型公司做 FDE，钟钱杰的判断很直接：本质是想多卖 token，模型恰恰是最容易被替代的一层。定义的分裂本身就是信号：FDE 是一个按需长出来的角色，试图拿一个标准定义去套，注定对不上。FDE 和外包、实施、解决方案架构师，分野到底在哪？国内工程师听到 FDE，第一反应是对标驻场工程师、外包、解决方案架构师。钟钱杰的切割很硬：任何你能教会客户的，就不是 FDE——SAP 实施可以教会客户，AI Agent 的幻觉和延迟偏偏教不会。陆骁鹏在 10 人的 Ventus 更诚实：早期 FDE 就是解决方案加实施，从售前跟到售后，一个人当十个人使。分歧不在名字，在公司阶段：Cresta 有专门 SA 对接 Five9、NICE 那些老系统，FDE 专注 AI Agent；Ventus 还在把所有活揉在一个角色里。没有产品可改的 FDE，堆人头卖时间，跟外包没区别。从 demo 到生产，为什么说不是「最后一公里」？一个语音 AI Agent 背后可能同时跑 20 个模型，从 ASR、打断判断、噪音隔离到 RAG、Tool Call、多模型并发 Guard Rail，再加上 PCI 或 HIPAA 合规审计动辄半年一年。钟钱杰给了一个很具体的比例：花一周把端到端走通，然后花一个月写几千几万个测试。这些测试不是传统的 unit test，你要用历史通话训练小模型去模拟急躁的客户、牙齿掉了吐字不清的患者。这种复杂度解释了一个核心事实：不是客户没有工程师，是 AI Agent 的复杂度超出了传统工程团队的经验边界。如果 FDE 做完一个项目、下一个又从零开始，那跟外包堆人头没有区别，甚至不如外包。陆骁鹏给了一个精确的切割：散落在每个人脑子里的经验不叫沉淀，汇聚成具象化的知识库或 Skill 才叫沉淀。钟钱杰的团队已经走到下一步：把内部蒸馏的成果集（Markdown、CLI、script）封装成 agentic 工具，客户说想做什么，后面自动调用最佳实践去尝试。一个 FDE 做过五六个保险 Agent 后，对行业词汇和流程驾轻就熟，换一个完全新的厂商跳进去，技术可能还行，但客户很容易觉得你是外人。有了大模型和 Skill，经验蒸馏复用才成为可能，FDE 才从一个人力服务变成了一个商业模式。蒸馏可复用，是FDE从人力服务变成商业模式的分水岭Palantir 做了十几年的 FDE，和今天还是同一物种吗？名字一样，物种已经变了。十年前 Palantir 的 FDE 难沉淀、难改产品，许多出来的人抱怨对 Foundry 没有话语权——「你自己不会用，看文档去」。今天 AI coding 把炮声变成了 PR：听得见痛点的人，可以大刀阔斧改仓库。另一层变化在供需：上一波靠商务关系卖人头，签几年合同慢慢交付；这一波大客户内部推力指数级上升，产品却没到百分百，FDE 成了填缺口的人。但模型公司做 FDE 和 SaaS 公司做 FDE 动机仍不同——前者多烧 token，后者让产品更强。Cresta 还配了二十多人的 FDPM 团队，迷你 CTO 和迷你 CEO 分工。Palantir 值得尊敬，复制 Palantir 不等于复制成功。两位嘉宾从供需两侧印证了同一个判断：能推动 AI 的企业只有一个共同点，老板自己得 AI native。陆骁鹏在医疗行业服务过的老板里，有这种思维的最多 5%，策略六个字：先搞定标杆，向下推。钟钱杰从供给侧看到同步变化：去年还要费口舌鼓励大客户做 AI 化，今年大爆发，没人愿意做最后一批被淘汰的人。中间层的阻力来自利益互斥：你把每个人的能力蒸馏了，这个人就没有太多存在的必要了。没有 C-level 支持几乎推不动。这对 AI 落地公司意味着一个窗口：模型越来越强但没强到傻瓜式的时候，抢到的山头下来很难。高客单价是前提，但更底层是付费习惯和认知。国内老板常觉得「两三个人捯饬捯饬也能做出来」；客户甚至直接问：你给我两个人陪我玩，我为什么不能自己招两个人考核？钟钱杰在讨论里反复被引用的一句话是：最怕的幻觉是老板有幻觉。陆骁鹏认为商业环境慢慢会变好，但 FDE 解决的是怎么把标准方案真正用进企业。同一条讨论也落到人：钟钱杰给团队 AI native 打 9 分，面试却看你在 Claude Code 里哪些东西是反驳 AI 的；陆骁鹏打 1 分——每个人效率高 10 倍，整个企业可能只高一两倍。7000 份简历、二十几个 offer，录取率不到 0.3%。FDE 是走出密室的逃脱口，前提是你得比 AI 凶。余一：大家好，很难得我们 AI 透镜系列是在上午进行，一般我们都在下午和晚上，这可能是大家第一次在早上追更我们的直播，上午就开始学习和健脑时间。之所以选这个时间段，因为今天比较特殊，我们特地邀请到两位分别在加拿大和硅谷的朋友，现在的时间刚好是我们在上午、他们在晚上，所以选择了这个时间段。这一次的话题，为什么我们非得请到两位在一线的朋友跟我们一起做分享？因为如果大家关心最近的新闻，会发现 OpenAI 也好，Anthropic 也好，Google 也好，我们称之为「御三家」的大模型公司都有一些新的动作，不管是收购其他公司，还是组建新的公司，还是和其他公司一起并购成立新公司，都在提到一个词叫 FDE。中文名字的翻译我已经听过非常多种，有叫前线部署工程师的，后面我们也会跟两位嘉宾一起聊，他们觉得自己更认可哪个中文语境下的翻译。这一次的主题，我们也同样非常关心：说到底 AI 的部署，尤其是今年会感觉到整体加速的情况下，这个岗位在硅谷、在美国这些更先一步的公司，到底是怎么做的、怎么建的，大家的角色甚至团队的角色是怎么样的。所以我们邀请到了两位非常有发言权的嘉宾，一个是整个公司就是做 FDE 的，一个是一家独角兽公司的 FDE 负责人，目前团队有30人，据说要快速扩张到100人。另外跟我联合主持这次讨论的是腾讯研究院的资深专家王鹏老师。如果大家有关注王鹏老师的视频号，会发现我们俩在过去很长一段时间内经常提到这个新岗位和企业部署的问题，我们在内部也通过内参的方式写了不少关于 FDE 的相关研究。所以这就是这场讨论大家可以期待的地方。有什么问题大家也可以在评论区留言，我们会实时看大家关于这个方向的新问题。我们之前已经收集了一些相关问题，所以今天正式的 AI 透镜圆桌就正式开始。进入正式讨论环节，就请两位嘉宾和王鹏老师依次介绍一下自己。钟钱杰：大家好，主持人好。虽然说是晚上，但你看这是真实背景，不是虚拟桌面。现在刚刚日落，温哥华还是挺舒服的。我现在算是旅居温哥华，在北美过来大概九年时间，就职于 Cresta。像主持人说的，我们是一家独角兽公司，总部在湾区，专注于用 AI Agent 来重塑客户体验。当然不光是呼叫中心，现在也有很多中小型公司就算没有呼叫中心，也希望用 AI 来帮他回答问题、处理业务。我在 Cresta 的 AI Agent FDE 担任 Head，现在团队应该快不止30个人了。我们在加拿大、美国、欧洲、澳大利亚都有 FDE 已经入职，另外还有十几个人已经签了 offer 还没入职。我们为航空、金融、医疗等很多头部企业（比如 Alaska Airlines、万豪这些公司）落地生产级的 AI Agent。正好比较巧，上周我在硅谷出差，拿了一个奖可以炫耀一下：FDE Team of the Year，由行业比较权威的一个会议 Propel 26 颁发。所以也很荣幸我们团队能够获得快速生长并获得行业认可。我自己的背景是03年初复旦毕业，之前在 IBM、EMC、Splunk 有超过20年工作经验，一直做工程、中层总监，做一些大型系统、拿一些专利。加入 Cresta 之前，我有四年时间是自己创业，做实时数据分析。我觉得这也是一个很有趣的点，回头可以讨论一下 FDE 和创业之间的关系。更多时间留给其他嘉宾。陆骁鹏：Hello大家好，首先非常感谢组织这次活动。我叫 Vincent，是 Ventus AI 的 Co-founder 和 CTO。我们公司从2024年年中开始做起，当时开始做的时候，我和我的合伙人就决定要做北美的垂直领域。为什么选择这个赛道？主要原因是我们觉得硅谷的技术很先进，大家也都非常 excited 想做最新的技术，但真正能把技术运用到垂直领域里，让各行各业的专家把专业知识和 AI 结合在一起从而发挥更大优势，这是我和合伙人想一起做的切入点。我们公司是24年年中那一轮被 a16z 投了。现在我们 focus 在北美的医疗行业，在医疗行业里做一些 AI 真正的应用，我们叫 AI teammates。在这个过程中，因为医疗行业有它的特殊性，所以必须用到一些 FDE，这一会儿可以展开说。对于我个人，我是21年从 CMU 毕业，当时纯做 AI research 的背景，但觉得创业更有意思也更 challenging，所以从21年开始就一直在创业、在折腾。中间很有意思的是我还回国工作了两年，当时在国内也了解到了国内版本的 FDE 大概是什么样的情况。所以这一次自己又回到湾区来创业，也对比了两边 FDE 相关的同与不同。余一：OK 我们最开始先做一个定义，或者说这个角色的界定。FDE 刚才王鹏老师也说了，这个角色对于很多国内的人而言是一个新东西，但在全球范围内 Palantir 已经做了十多年了。不过这个职位变得这么火爆，应该也跟这一轮 AI 有关。大家刚才提到关于翻译的问题，我已经看到好几种版本：前向部署工程师、前线部署工程师……不变的可能就是「工程师」和「部署」这一块。所以我想听一下钟钱杰和陆骁鹏，你们是怎么定义这个角色的？目前整个市场上关于 FDE，是不是 FDE 本身里面还有不同类型的岗位？我之前也看到说好像现在有三种类型的 FDE，请两位给我们介绍一下你们的认知，以及现在整个市场关于 FDE 这个职位和岗位的一些新情况、新变化。钟钱杰：我觉得只要不要叫「前端部署工程师」就好，因为「前端」这个词太容易跟前端开发搞在一块。顺着来说吧，因为是互动式讨论，我也不想一大段说5分钟10分钟。哪怕你是一个前端工程师或后端工程师，其实大家多少会有些迷茫，因为现在 AI 越来越强了。我觉得先下结论：FDE 确实是一个走出密室的逃脱口。尤其如果你对自己的工程能力很有信心，对自己解决问题的能力有信心，也对跟人接触并不发怵（当然如果你很乐意躲在房间里编代码那另当别论），但如果你本身技术能力比较强、也愿意用自己的技术让事情发生，FDE 是一个很好的出口。而且我觉得短期内，一两年、两三年都不会有一个所谓的 AI 版的 FDE，因为这里面有太多人的成分。长话短说，我的定义是 Forward Deployed Product Engineer（FDE）：不光是要把产品落地、把方案做出来，而且要能够把一线的经验带到产品里面去，让产品变得更好。当然这跟每个公司的做法不一样。我们公司的特点是本身还是个 SaaS，有非常复杂的功能集，可能有几千个 API、几万个功能。这些功能全部让客户买了单之后自己去学，可能学三个月、半年都不见得能用那么好。尤其是现在的复杂性不光是软件功能的复杂性，AI 的复杂性也非常大，你到底是 OpenAI 的 5.1 还是 5.2 还是 5.3，它们之间的细微差别；你的 prompt 到底是把对应表格写成 Markdown table 比较有效，还是写成几个 section 比较有效？有很多细节其实并不显然。就算客户有几百人、几千人的工程团队，他们不见得像我们团队这样是很强的 AI 专家。所以这个复杂性就在那里，不管是软件本身的复杂性，还是 AI 本身带来的复杂性，如果让客户自己去学或慢慢踩坑，时间太长了。我们现在经常是一个项目两个月、三个月就做完了，客户就可以有一个能替代呼叫中心的 AI 版本。打电话进来不用等半小时、一小时听音乐，直接进来就可以说我要干嘛、告诉订单号、问能不能改签、大概要多付多少钱，这些比较无聊的事情都可以让 AI 做掉。对于这种 AI 的落地，FDE 是一个非常好的模型。但至少对我来说，我的做法是：这些部署到前端的工程师拿了前端的信息（哪些东西用起来比较好用，哪些产品有问题或有缺陷）再把这些东西带到产品里面去，直接去改。这是很重要的地方。包括我自己和我的团队，可能花三分之一的时间在不停改产品本身。因为我们不光是听到炮火，炮弹就在我们身边炸了，我们很清楚哪些东西好不好。而且这些人招的时候都是按非常高的标准去招的，非常 full stack，甚至像一些迷你的 CTO 一样。所以一旦知道问题在哪里、怎么改进，利用现在的 AI 很容易就能同时改好几个 repo，同时把事情做起来，再人工测验一下就可以了。因为现在 AI 编程这么强，导致我们这些在一线处理真实落地的人，能够知道应该往哪里改，然后回过头来让 AI 生成 PR 自己去改，产品就会越来越强，其他 FDE 就可以做一些更高级、更难、更新的事情。这样一个迭代就可以让平台变得越来越强大。当然永远不会有一天是客户无脑拖拽就能做（这个世界在往前走），但我们永远是让平台变得更强大，客户那边的质量变得很高。我们不是不管，也不是卖人头，也不是做咨询，我们有一个很强的产品思维。所以我觉得这是比较有效的做法。当然，包括上周我在旧金山开那个会，会上本身都是一堆做 professional service、卖客户服务的人。他们很有意愿说能不能通过 FDE 这个模型按小时、按人头算钱来创造 revenue。我自己是不认同的，因为我自己是不背指标的，我们 FDE 本身不直接向客户收费。我们就是产品的一部分，相当于你买一辆车，司机是帮你配好的；你买个咖啡机，有一个人帮你把咖啡做好。所以我们是产品的一部分，而且带有很强的属性是让产品变得更强。不知道陆骁鹏这边怎么看？陆骁鹏：在我的理解里，FDE 匹配上国内的两个岗位就是解决方案加上实施，至少在我们公司里是这样的。为什么这么说呢？我觉得要定义 FDE 这个岗位，首先还得从为什么有这个岗位说起。为什么在这一波 AI 浪潮里 FDE 这么火？本质原因我觉得是因为软件开发以及需求收敛的速度，跟不上用户想要的产品功能迭代速度。所以才导致在 SaaS 主产品 cover 不了的内容里，因为客户是 enterprise、是 KA 大客户，他需要这些功能，就需要有 FDE 这个角色来 bridge the gap，把用户需求和产品主功能之间的桥梁构建出来。往回看国内的企业服务，公司有一个中台系统，怎么去给客户交付呢？客户的数据散落在各个地方，有各种不同的定制化需求，就需要解决方案。方案出来之后谁去交付？如果能收纳到平台里让产品去做，就变成了研发需求；如果做不了，就是实施驻场开发去做。所以这就是我理解的 FDE，先出一个解决方案，然后部署实施。至少在我们做美国 healthcare 场景里，目前大概是这么一个角色定义。王鹏：听下来，国内的工程师一定会有一个疑问。其实钟钱杰刚才明确说了这个东西是要做在产品团队的，而 Vincent 说的对应国内的解决方案架构师算是售前岗位，外包、定制开发算是售中甚至售后的岗位。我觉得这是有分歧的，你们两位怎么看？钟钱杰：对，而且这个分歧你看最近大概两个礼拜之前出了好多事，OpenAI 成立一个公司，好像花了10个亿，又买了公司。Anthropic 也是跟一堆公司投，而且它还不跟埃森哲玩，它跟一些大的 PE 去玩，而且那个模式也很神奇：它跟机构合作，让机构动员旗下投的公司来用 FDE，这样应用层的 token 就会烧得很厉害。所以 OpenAI 和 Anthropic 在搞这个事情。Google 最近好像也是上周 announce 有一个 FDE team，而且 Google 的 FDE team 从属于产品团队。我觉得我们的理念跟 Google 比较接近，因为我们是一个非常复杂的 SaaS，不管你打分是80分还是95分，总归有一些空间是客户很难自己动手的、可以改进的。我们是通过 FDE 把事情做成，且不停找到产品可以改进的地方，让产品变得越来越完善。所以 Google 的做法是 FDE 既要落地也要改产品，我们也是这样做的。OpenAI 的做法更多是想多卖一些 token，又不想让那些年薪几百万的工程师去做这个事情，觉得整个故事讲得不好，所以愿意分出一些公司，招的稍微便宜一点，整个故事好看一点，自己只 focus 做模型。但反过来说，我觉得模型反而是最容易被替代的。坦白说对我来说，Cresta 的护城河不在模型。我们一个会话里面可能会用到二十几个模型，我们要确保今天用 OpenAI、明天用 Anthropic 都能切换。我们的护城河更多在于整个栈要非常低延时、Tool Call 非常准确、RAG 做得非常好。对我们这些 AI 应用非常重的公司来讲，需要通过 FDE 把复杂的东西藏起来，且让内部复杂的东西变得更加精妙。对模型公司来讲，它不 care 应用怎么样，只要有新的用例把 token 多烧一点就可以，所以它没有意愿让 FDE 反过去把产品做得更好。跟公司的大小也有关系。我们公司现在五六百人，相对扁平，迭代比较快，没有很多 PM 和流程的条条框框，所以允许有这个机制：FDE 今天上午看到一个问题，下午就把它改了，CTO 批了，明天就上线了。但你不能期望每个公司都这样一个节奏。上上周在会上的一个共识就是：每家公司的 FDE 都不太一样，而且这是正常的，因为大家都不一样。
余一：如果没有补充的话，我就补充一下王鹏老师的问题。确实一谈到 FDE，我们自己也好外界也好，都有非常多困扰。这个角色在 AI 领域是一个新角色，但之前 SaaS 里面，包括中国企业非常擅长做的驻场工程师、外包工程师，包括解决方案架构师、客户成功工程师，好像都跟 FDE 有一些交叠。两位觉得 FDE 最独特的地方是什么？钟钱杰：我的一个暴论就是：任何你能够教会客户的，就不是 FDE。余一：就是说不能教会客户的才是 FDE？OK，区别就在这里是吗？钟钱杰：对。如果你能教会客户，那这个东西本身的复杂性是有限的。比方说你之前是 SAP 实施，有人认为 FDE 不就是十年前20年前那些穿西装的 SAP 实施嘛。但 SAP 是有机会教会客户或帮他做的，所以那是传统意义上的实施工程师或咨询。到 FDE，尤其是 AI Agent 的 FDE，是因为 AI 本身看起来很容易、但其实很难。你甚至有500个、1000个工程师又怎么样？还是不知道怎么做出一个好的 AI Agent。我这边有太多例子：人家公司先觉得自己很强，甚至内部有政治斗争杀出一条血路，最终做了一个 Agent，后来发现还是不够好，问个问题还要等三秒五秒，很容易有幻觉，哪怕要消灭到最后的百分之几的幻觉，这些东西都很难。所以这东西属于要么教不会，或者结合一个具体平台像 Cresta 很难指望客户学会。这个时候用 FDE 的方式就特别有效，因为把复杂性藏起来了，有很多 magical 的地方客户不用去知道。所以那些做 data engineering 的 FDE、做 security的FDE、或者没有任何产品积累的 FDE，对我来说都不算真正的 FDE。余一：所以产品是最重要的，一定要有东西落到产品上面。OK，陆骁鹏，因为你在中国和美国都工作过，对这个岗位都很熟悉，我特别想听听你分别站在两方一线的视角。陆骁鹏：我觉得这可能还是要从公司的阶段来看，因为任何一个岗位都是服务于商业上的成功。听下来我觉得 Cresta 应该算老大哥，可能是我们的下一个阶段，要向你们学习。我们公司在走向 A 轮的阶段，SIZE 大概10个人左右。这时候我们对 FDE 的定义，或者说招人时什么样的人符合需求？首先他要能跟客户沟通，类似于半个客户成功。为什么？因为现在客户需求很多，需要有这么一个角色从始至终（从售前可能后几个月就开始，一直到售中、售后）整体跟下来。所以 FDE 得有这么一条线的角色。其次他得知道用户的场景，然后真的能把事给他做出来。就像我刚说的，得 bridge 这个 gap，公司内部产品做了80%，剩下20%是客户自己的需求，比如数据怎么接进来、怎么导出去、怎么跟客户系统打通，这就需要 FDE 来做。所以在早期公司里，FDE 的定义比较模糊，恨不得把一个人当十个人使。这时候首先得具备客户成功的角色，每周和客户做 weekly meetup，了解新需求、timeline 能不能 meet 上。这是最重要的一件事。其次根据 timeline 拆分出 milestone 并 deliver 出来。具备这两条线，可以称之为一个合格的 FDE。王鹏：听下来有一个感觉：随着产品形态的进化（从比较纯粹的基模，到有一定复杂性但比较薄的 harness（比如上下文），到比较深化的行业 SaaS）在这个进化过程中 FDE 的角色其实在分化。一开始可能相对通用，既要告诉用户如何用 AI native 的方式经营，又要告诉他怎么开发；到后面如果你的 SaaS 专业化已经比较高了，就变成了产品部署或用户具体问题的解决。这可能确实跟产品形态进化有关。我在腾讯内部调研时也是这个感觉，我们自己内部不同团队的 FDE，性质完全不一样。钟钱杰：对。而且像我们现在公司这个状态，我觉得对我和团队来说是比较幸运的，我们更多专注在 AI Agent 本身。公司也有 SE 更多是搞定一些 demo，也有 SA 更多是搞定那些呼叫系统的整合，比方说 Five9、NICE 这些，市场上大概10到15个非常复杂的系统，可能20年前30年前就出来了，对接非常 technical 但不是 AI 的。我们有专门的 Solution Architect 搞定这些电话系统的对接，知道数据怎么传来传去，对话历史怎么写到工单或放到 Snowflake。这些 data engineering 的东西是由别的团队来做的。这样我觉得是一个奢侈和幸运，我的团队就可以花更多时间做 AI Agent 本身。当然我们最终 FDE 是为端到端负责的，从技术角度来讲像一个迷你的 CTO，我们也能跟客户聊，也可以了解业务情形。但我们更多以技术方式影响整个单子、整个进程，做一些改变。因为公司大小不是特别小也不是特别大，有专门的人用不同职责去搞定 fancy 的 demo 或者大型系统对接。这样我们这批人就更多去对抗一些难题：怎么消灭幻觉、怎么让延迟更低、怎么提供更流畅的沟通体验。这些偏 AI 的东西往往比较难跟上，可能每隔三周、五周就要把最佳实践改一波，我们就可以花很多精力在那块。所以更多是幸运吧，确实不同公司不同形态不同市场，FDE 的做法会不一样。
余一：刚好你提到这个。你前面也提到现在同时要处理两个复杂度：一个是软件上的复杂度希望客户能用好，一个是模型本身。你觉得模型本身或 Agent 的复杂度甚至比软件更高。我想问两位，从 demo 到一个 Agent 或相关产品真正被企业大规模部署，这里面的复杂度和难度主要集中在哪些方向？钟钱杰：对我们来说，我们以做客户体验为主，从呼叫中心起家，现在也做非呼叫中心的业务。比如一个语音对话，从最初电话接进来（要判断什么语言、做 ASR、判断什么时候应该打断、什么时候让对方去想、是不是有噪音要做声音隔离、是不是有特殊词汇要做处理）然后让模型去思考，中间可能涉及 retrieval、embedding，可能有 Tool Call、MCP，可能还要做 memory 管理、context 和 session 的东西，最终生成文本再做 TTS 转成语音。甚至整个过程中，你还不能只让一个模型在那边想在那边说话。我们会有 Guard Rail，很多并发的模型，甚至用不同厂商去判断主模型在不在说正确的话，比如涉及政治、敏感话题就要刹车。这样你可能用到20个模型都有可能，有些偏语音，有些偏会话，有些偏思考，甚至多模态做图片判断。所以模型的选择是一个很重的活。如果要做一些特殊场景，比方说我们要做 PCI（关于信用卡相关的事情）有可能陆骁鹏那边还能做到 HIPAA 跟医疗相关的。行业规范非常严格，过这个规范可能要花半年一年时间做大量审计、给很多材料。针对 AI 一级的开发也会涉及：哪些信息可以存，数据要怎么过，有些东西要过滤，存多久。甚至某些场景你只能用特定环境上的模型，不能用公开模型，因为对 PCI 或 HIPAA 支持不好。所以有很多选择，也让 debug 变得非常难。这个事情看起来很容易，好像网上发个教程就能做出一个本地可以跑的模型。但对企业来讲，中间的合规、提高沟通顺畅度，这些都很难。而且作为 FDE 来讲，假设你花一周把端到端走通了，可能要花一个月写几千几万个测试。这些测试不是传统的 unit test、SIT test，而是要判断怎么尽量模拟场景的通常说话方式，甚至如果能拿到过去一两年的通话历史，你可以做一个小模型去模拟那些通话，比如这些通话是比较急躁的还是比较 nice 的。包括比如做牙医的 case，可能患者牙齿都已经掉了，说话吐字不清，你怎么处理这些事情，有非常现实、残酷且复杂的一面。FDE 必须扎进去跟客户一起共创才能出来。这也是为什么我觉得 OpenAI、Anthropic 这些大模型厂商光有 token、光有算力也不够，必须很清楚知道怎样才能让应用落地，让用户愿意长期使用。回到你的问题，我觉得中间有太多需要花额外工程和沟通的地方。测试是很大一块，然后模型的选择，怎么有一个不是特别贵的方案又能比较好地遵循你想做的事情，避免幻觉，跟得上客户的迭代节奏。比方说我们在谈的一些客户可能每隔两三周就有新的资料包，这些信息要能有效跟上，包括多语言。有非常复杂的事情，看起来很容易但其实很难，这也是为什么企业级 AI 还有很大市场、很长的路要走。陆骁鹏：对于我们公司来说有点不太一样，因为我们还在比较早期的阶段。FDE这个岗位就像我刚说的，是多个岗位揉在一起的角色。一方面是客户成功，FDE 得跟客户整体生命周期。怎么做一个 pilot 或 demo 能让客户签单？更多是怎么多快好省揉一个东西出来让客户 impress 到，这时更多是客户成功的角色。在售中阶段，难点更多在于和客户系统的对接。这在传统行业里都存在，但特别是目前我们做的医疗行业。我们在做医疗里一些 specialty care，比如牙医、皮肤科，他们用的系统更加落后。这可能就是之前钟钱杰说的他们单独有一个团队在做的事，和比较老旧的系统做对接。但对于我们来说都是 FDE 一个角色去做的，所以会非常 challenging。老旧系统第一个是技术层面得去和他们的 IT 对接，第二个是这种系统本身的使用和产品学习都非常花时间。这是第二个难点。总体还有一个，在商业目标框架下。FDE 在我们公司里也得背负一些商业指标，比如对于这个客户今年要交付多少价值，帮你节省两百万还是帮你多赚两百万。这时 FDE 要考虑怎么定时间线、怎么定 milestone、怎么 hit 目标。当然这第三点肯定要和公司 CEO、CTO 一起商量出来的。总体来说，相比于 Cresta 比较 late stage 的公司，在种子轮到 Series A 甚至到 Series B 阶段的公司，FDE 都是比较综合的角色，要考虑各方面以及整体怎么把控客户的项目进度和项目预期。王鹏：因为我在跟国内大厂交流时，大家把 FDE 放在哪个环节还有一个考虑：有没有 Palantir 叫「本体论」的沉淀。如果放在产品，可能有助于经验沉淀；但有些东西比如 data 这些，不仅没什么太可沉淀的，可能还是一个很重的包袱，宁愿交给外包。你们有没有考虑，沉淀可复用知识这个方面，是不是跟 FDE 放在哪个环节有关系？
钟钱杰：沉淀肯定是很重要的事情。不知道陆骁鹏这边是不是也会遇到一些，比如牙科有什么 Epic 系统之类。坦白说我觉得客户那边越成熟，对我们这些企业级 AI 来讲其实越好，因为相当于，比如我遇到一些客户他的 IVR 电话系统接的是 mainframe，非常古老的技术，现在要开始做智能化语音，需要花时间去做 API、理他的 SOP 之类。这时候对他来说拥抱 AI 是很重要的事情。他原先对拥抱云计算、拥抱手机可能都半信半疑，但现在不拥抱 AI，很难向投资人、客户、甚至员工解释。所以大家都需要拥抱 AI，但他需要一个很强的合作伙伴去把 SOP 理好、数据理好、AI 做出来。我们作为外力其实很有效，这甚至比请麦肯锡出些 slide 更有效，我们最终把东西做出来了，把留在大家脑海里的想法变成 AI 可以自动化的东西。对客户来说就是很明显的降本增效，或者让商务变得更灵活。如果我们针对特定场景（比如牙医、旅游、保险）有一些沉淀的话，做下个项目就会变得很容易。所以我们会自己开发一些 SDK、做一些模板。假设有一个 FDE 已经做了五六个保险相关的 Agent，他再做下一个就会得心应手，对行业词汇、流程，哪怕非技术的东西来说都游刃有余，跟对方沟通时也比较容易达成共识。你让一个完全新的厂商跳进去，技术还可以，但对产品和词汇完全没概念，大家就很容易觉得你是外人，很难达成共识。所以沉淀不管是宏大叙事还是小的点都是好事，就怕大家高高在上，ICP 太宏大、非常不聚焦，最后什么都做不成。陆骁鹏：我理解沉淀的本质就是在蒸馏人类知识。散落在每个人脑子里的就不是沉淀，但如果汇聚成了企业内部一个具象化的知识（不管是知识库还是一个 skill）那就叫做一种沉淀。在我们用 FDE 给客户落地的过程中，其实我们在帮客户沉淀他们的知识，把散落在各个地方的 tribal knowledge（每个人脑海里的经验）沉淀成了 automation、自动化的一部分。所以 FDE 本身干的事就是在帮企业做沉淀。另一块沉淀是说怎么从 FDE 帮企业沉淀的过程中，蒸馏出我们自己的一套 SOP。这也是在这个阶段我们非常重视的事，怎么把每一个 FDE 了解的知识蒸馏出来，让别的 FDE 更快能学到。因为如果这样做，生意本身才能慢慢 scalable、可快速增长，否则就是一个堆人头的生意，可能还不如外包，外包是先付钱算工时的，FDE 还是签年合同按月付的，那这个商业模式肯定不行。所以本质上还是一层一层做沉淀。最后积累的是客户资源以及公司决策层对行业的理解，能清楚知道在这个行业里什么是好生意、什么不是好生意。比如哪些系统对接不管怎么优化都要花那么多时间，对比另外一个系统我沉淀出一套 SOP，很明确知道在这个规模的公司里找哪几个部门的人、拿到什么信息，就能把对接速度降低到两周以内。有这些商业认知后，对于公司未来在行业里做拓展能沉淀出很多有用的信息。钟钱杰：「蒸馏」这个词蛮有趣的。你甚至觉得 FDE 就是一个蒸馏师，我们帮客户蒸馏，其实我们也在不停蒸馏自己。当然我也知道国内可能还有一些很火的、大家在说反蒸馏之类的。余一：我们上一期的主题就是把那个几个作者请过来聊了一些原著。钟钱杰：对，很有趣。我觉得至少我们现在这个状态比较没有后顾之忧，我们整天在想怎么能把自己给蒸馏掉。所以 FDE 团队内部维护了一个非常夸张的蒸馏后的成果集，基本上如果你要对接某个系统、优化语音，做了大量的蒸馏工作，出了很多 skill。这些 skill 可能是个 Markdown，也可能是个 CLI，也可能是个 script。现在我们在做的事情就是把这些蒸馏的东西以一个新的方式让客户可以去用。因为企业软件往往非常复杂，可能有几千几万个功能、很多参数要调，客户没时间查文档自己去试。但他其实知道想解决什么问题。所以我们现在有一个新机制（在硅谷越做越多）就是提供一个非常 agentic 的方式，让客户把想做的事情说出来，后面跟一个 agentic workflow 去结合这些 skill、best practice、CLI、甚至 sample code，就可以去试。「你想做这个事情，好，我帮你搞定了；搞不定，我再试下一个方案。」这样一个形态不是 IDE 也不是表单，是一个非常智能化的工具。这也是我们 FDE team 在 Cresta 花很多时间做的事情，把自己蒸馏好，以某个形式分发给做 demo 的同事、合作伙伴、甚至客户。当然这涉及到一些敏感的东西、IP、精华，所以不是完全公开的，更多是变成一个增值包，如果你是我们的客户，你愿意自己折腾又不想去学，请使用这个工具，你就可以利用我们蒸馏出来的 skill 把事情做成。对客户来讲也很喜闻乐见，他也想拥有一些控制权，但又不想去学，那这些蒸馏出来的东西就很好。当然你说我现在有二十几个人、三十几个人，大家都去蒸馏自己，会不会饭碗不保？但如果公司能不停往前增长，你会涉及到不同行业（比如哪天进入核电了，进入新行业了）总归有新事情去做。我们是想把现在做的相对比较多的保险、酒店这些事情做得越傻瓜越好，让 AI 或客户去做。当然有些事情不需要放成 skill，如果是确定性的东西比如加一个缓存、加个参数，这种直接写成 recipe、写成 CLI 就好了。但还有很多 AI 可能需要烧一些 GPU、token 才能尝试完成的事情，我们就把它蒸馏成 skill，对我们自己、对客户、对合作伙伴都是很有用的。王鹏：是，我甚至觉得可蒸馏复用、可以降低边际成本，这是 FDE 这个模式成立的一个前提。这也是为什么它区别于以往的定制开发，或者说在这个时点下我们开始关注到这个商业模式，因为有了大模型、有了 skill，在一个行业里把经验蒸馏复用成为一个可能，降低了重复做这件事的成本，变成了一个生意而不是一个人头。
五、Palantir 的 FDE 和今天的 FDE 已经是两个物种余一：关于 FDE 这个话题，我可能用这个问题最终收一个尾，然后我们进入更有意思、更具体的讨论。我很好奇：钟钱杰和陆骁鹏，AI 这个领域的 FDE 和 Palantir 的原生模式到底是不是已经有了非常大的变化？另外去年下半年开始，AI coding 和 AI Agent 大规模的能力推进和流行，对 FDE 本身的工作职能是不是也有一些相关变化？钟钱杰：一块是因为 AI coding、AI 这么强，导致 FDE 这些听得到炮声、甚至炮弹就在身边炸开的人，可以带着痛点痒点大刀阔斧地去改产品。这在以前是不可能的，你可能改一两个仓库就了不起了，你不能什么都懂。但现在 AI 就是随便改，不管 TypeScript 还是 Swift 还是数据库，只要你知道想改成什么，AI 能让你有机会改。所以这种偏产品的 FDE 会变得更可行。包括像王老师讲的，现在这些机制能让蒸馏变得可行。十年前 Palantir 做这些是很难的。坦白说我面过好多 Palantir 想出来的人，很多人其实并不 AI，可能做的是 data engineering 或者 IoT 的东西。因为 Palantir 背景强悍，能接到很多生意，有些脏活累活、有些并不 sexy 并不 AI，但因为有渠道在就做了。所以 Palantir 一方面是十年前更多需要有人贴身服务把事情做好，当时也没有很好的机会做 skill、很难做沉淀，也很难一个人知道痛点之后回去把东西改掉。甚至我面下来很多 Palantir 想出来的 FDE，一大痛点就是他们 FDE 的话语权比较弱，没有机会对 Foundry 指手画脚。他们觉得有不好用的地方，Foundry 的人说「你自己不会用，自己看文档去」。Foundry 那些人很有优越感，不觉得自己有问题，所以没有形成一个很好的循环。Palantir 还是一家很神奇的公司。Palantir 里面有些模型像王老师讲的，有 Delta 跟 Echo。我们 Cresta 对这块是买账的：我这边有一个30人的 FDE team，我的 peer 是一个差不多20到25人的 FDPM team，Forward Deployed Product Manager。相当于我们是一堆迷你的 CTO，另一波人是迷你的 CEO，他们工作能力很强，察言观色、而且要 own 这些 behavior，很多时候 test case 是他们来写的。他们不需要真的碰 code、不需要知道怎么做 context engineering、做 MCP 整合之类。但他们对 basic logic、人际关系，包括中间遇到的费用、dependency、风险都比较敏感。所以我们是一个很好的互补，不用说 FDE 需要一直跟客户开会，有些会根本跟技术无关，客户自己都没讲清楚在吵，这时候对 FDE 来讲时间用得不是很值得。对应的 FDPM team 就可以在里面引导讨论、达成共识，他们更多以人的方式在影响，我们更多以技术方式在影响。Palantir 当然是很值得尊敬的，但不是说你复制了 Palantir 的 FDE 就能像 Palantir 那么成功。陆骁鹏：我觉得 Palantir 这套模式的本质是首先有商务关系，不是说公司只有商务关系，我只是觉得 FDE 存在的一个条件是首先得有商务关系，客户本身得足够大、值得派一个或多个 FDE，才会有下面所有的讨论。如果是小客户一年就给你50K，那就不存在 FDE 的机会。在上个时代和这个时代的不同，我觉得更多在于：AI 出来之前非常依赖商务关系，商务关系有了之后卖人头好卖，签个几年合同把几个人派给你，最终交付怎么样都是几年之后的事了。它是一个比较慢的、时间周期比较长的模式。这一波存在一个供需关系的根本变化：很多大公司内部有非常强的推力想把 AI 推出来，需求层面已经是指数级上升了。大家都想去抢大公司，但大家都没有百分百好的产品。那怎么办？OK 我给你一个人或一群人。本质还是从商务关系层面出发，老板签下单，是不是能交付？肯定说能交付，不可能说签了不能交付，但产品又没到那，那就铺 FDE。哪一个点是改变了呢？我觉得改变的点更多像之前钟钱杰说的：从 FDE 收集到的用户需求，如何蒸馏出可复用的知识，或者如何更快迭代产品，这一层是有改变的。因为现在 coding agent 这么强，FDE 本身可以把知识蒸馏到企业内部，让产品越来越好，这个飞轮本身就已经形成了。这是目前这一波 FDE 和上一波 FDE 很大的一个区别。
余一：我第二部分想用一个很具体的问题来问两位。因为你们自己本身都是 FDE，一个是创始人 FDE，一个是 FDE 负责人。请两位描述一下一个 FDE 典型的一周是一个怎样的状态？钟钱杰：首先需要重申的是：我们公司的做法是驻场这个事情只是一个插曲。我这边好像没有谁在一个客户那边待超过四天。我们会有一些需要 forward deploy 到客户那边，跟他开会见人，但通常是项目初期见一下，隔两三个月快要 UAT 验收了去一次，后面可能还会有一次，中间就是每天或每周线上会。去了干嘛呢？往往是讨论宏观方向：想做什么、哪些 KPI 怎么衡量、有哪些 API 可以用、哪些知识库和 SOP、拿测试账号、这些细节，加上把人都熟悉一下。因为后续难免有摩擦，API 不 work、文档过时、谁要休假，大家早期喝喝咖啡吃吃饭喝喝酒，对后期磨合是很有用的，不用绕弯子也不用有忌讳。跟客户开会（不管是真人互动还是线上）肯定是 FDE 很重要的一块。我这边平均来讲出差可能在20%到30%左右，而且这些出差可能一半对内一半对外。因为 FDE 跟产品绑得很死，有大量时间要跟内部团队沟通，有哪些问题、有哪些改进空间、有没有新做法，哪怕去拜见各个大佬、大家达成共识、喝酒吃饭也很有用，因为后续很多东西要共创。包括他们也帮忙做面试。所以出差可能占掉20%。然后有很多会议跟客户讨论进展，API 是不是好了、测试集怎么样。有些时间是开发类的，写 prompt、写 Tool Call、写 test case、一些 Guard Rail 防御性的东西。但更多时间要做测试集，AI 领域的测试集非常花时间，不好好测就是凭运气，哪怕3%、5%的幻觉率也会搞得很惨，可能重大品牌损失，所以必须把幻觉率降得很低。我们自己工程方面也会有10%到30%的时间改产品本身，包括把常见功能做成 SDK 去复用，或做到平台里，甚至做成 CLI。我们 CLI 已经做了好几版，早期比较挫，现在比较 agentic，比如自动提示有哪些命令行和参数，跑完一个命令行之后提示下一个该跑什么。这样如果用 Claude Code 或别的去接管，CLI 就可以串起来。所以 FDE 花很多时间把开发体验和平台做得更好用。我们尽量把大量商务沟通留给兄弟姐妹团队 FDPM。所以我们比较 lucky 的地方是不至于像 Vincent 那边早期什么都要做。但我们有一点余地可以各司其职。当然到最后也会有大家需要拍板的时候，相互推来推去或者需要快速决定，因为现在 AI 市场大家都希望早点锁定大客户、制造粘性。如果行动慢了、犹豫了、推出东西比较慢了，可能就会失去商机。所以我们大概时间分配就是这样：确实有些时间在路上，大量时间在办公室或家里做开发，很多跟 AI 相关的测试，还有些平台级的改变。陆骁鹏：我们这边差不多，只是我们每个人没有兄弟姐妹的团队，每个人自己就是一个团队。所以我们可能客户对接的时间花得更多，得从了解需求开始，然后和客户多个部门对接，先对接业务部门，再对接 IT，对接完回来开发，开发完给对面上线，还得跟老板汇报，就是整一条线都得跟。但其他的跟 Jove 他们差不多。余一：你们只让 FDE 驻场最长4天是吗？这是不是外界对 FDE 的一个误解？觉得他可能直接要在用户公司里帮他把各种东西都做出来。一般而言 FDE 对客户的支持、服务和交付，形态是什么样的？钟钱杰：这个还是每家公司都不一样。我听说 OpenAI 因为钱多，可以招很多 FDE，号称成立新公司之前自己也有一两百号 FDE。他招 FDE 经常是集团作战：五六个人专门伺候一个客户，这个客户想用 OpenAI 什么东西就各种服务。那就不一样了，一个人或四五个人服务同一个客户一服务就半年甚至一年半，我觉得那跟真的驻场没什么差别。但我们这边不一样。我这边往往一个项目是两个人，这样相互有些照应，可以做 code review、谁要休假也不至于尴尬。同时一个人可能同时在忙两三四个 AI Agent。所以我们不太会一个人在一个公司待超过一周，因为他就算在那边也要忙别的客户的事，当然要沟通好，不能跟一个客户说「我要去跟另一个客户开会」。对客户来讲，我们不希望他买的是我们的时间，他买的是 outcome（成效）。只要我们能把事情很好地做出来，他不需要 micro management 我们 FDE 的时间。不同公司做法不一样。我们最终交付的是一个非常大一统的客户体验，不管是一个号码还是一个聊天窗口，最终做出来是给客户的客户去用的。比如像 Alaska Airlines，最终做出来不是给阿拉斯加的员工用，是给阿拉斯加的客户用。做一个好的语音模型、好的对话机器人其实蛮难的。做完之后直接上线，跑在我们自己的 SaaS 里面。每家公司产品形态不太一样，我们是这样做的。陆骁鹏：对于我们来说更极端一些，我们的 FDE 基本完全不驻场。原因是这样的：我们很清楚给客户提供什么。因为现在是到 A 轮的阶段，我们很确定给这个大小的客户提供这些服务，他就能付多少钱，因为帮他省了多少钱或帮他赚了多少钱。如果很清楚这一点，好像没什么需要驻场的。我觉得需要驻场有两种情况，一好一坏。好的情况是：一个很大的单子、enterprise 客户，我要给他安全感，给这么多人头去服务，很好的工程师三五个人驻场半年帮做这些事。前提是我知道要 deliver 什么，因为数据合规或数据对接的问题，很明确有一个目的需要这么多人做这么一件事，所以驻场。不好的情况是：我也不知道给你做什么，但你是大客户，我先给你一两个人完了再说。我觉得这很不好，我也不知道卖什么，但先把坑占了，半年后再谈具体合同。现在很多公司这样做，但我觉得不健康，也产生不了很多价值。公司决策层都考虑不明白能给行业公司提供什么价值，但把压力转移到了 FDE 头上，这不是正确的决策。王鹏：如果有长期驻场存在，是不是有一个可能就是未来客户会自己招这样的角色？或者一些低价值的东西索性是一个外包公司长期在那给客户提供情绪价值就完了？陆骁鹏：这个就是我们服务客户过程中（客户和我们闲聊）他们也跟我们说最近很多公司说要给两个人陪他们玩。我们的客户他们自己确实会想「那我为什么不自己找两个人？我还能考核他，为什么需要你给我两个人？」大家确实会这么想。所以这种商业模式长期是不成立的，或者说它本身的 margin 就很薄。余一：我第一次知道 FDE 这个角色，其实是当时 Scale AI 企业那块的负责人去分享，说他会有什么特种部队，一个三个人的小队直接进入客户现场帮他们做产品、做交付，尤其做数据治理。这让我刚才听钟钱杰和陆骁鹏，觉得算是你们纠正了我对 FDE 的一些看法，好像确实因为大厂也好或者模型公司也好，钱多还是说对用户的挖掘还在初期阶段，所以好像是直接派人驻场的模式。
王鹏：显然高客单价是一个很重要的前提，这也是国内厂商困惑的原因。国内 SaaS 本来利就很薄。你们觉得高客单价这件事在国内有没有可能以不同方式实现？因为短期内国内的客单价也不可能提高，这会不会成为一个很大的限制？陆骁鹏：首先刚刚 Scale 那个，我觉得还有一点：Scale 本身的公司文化就是喜欢搞这种事，大家一起项目攻坚。他们有时候攻坚就会包一个酒店、包几个房间进去攻坚两周，他们就爱干这种事。所以我觉得是企业文化决定的。回到王鹏老师的问题，我觉得是有可能的，找到有钱的呗，做 to G 就好了。但做 to G 也不一定能赚到钱。所以我觉得很困难，如果没有高客单价这个事非常难做，可能存在的情况是我也知道是痛点、也做出来了，但就是没有钱。所以还是商业环境决定的。钟钱杰：我们确实面向的也是比较大型的企业（财富100强）所以客单价会高一些。之前谈的比较多的 PLG 现在其实大家不太一样了。包括大家说 SaaS 是不是死了，因为如果你能 Vibe Coding 出来一个东西，然后剩下那20%你没办法在 SaaS 里体现出来，大家越来越对那剩下20%非常揪心，觉得「你既然做不了那20%我就自己做好了」。所以之前追求 PLG 追求共性的 SaaS，在现在这个时代大家越来越挑剔，会面临很大挑战。我们自己是一个比较复杂的平台，很难大家花几周 Vibe Coding 就出来。包括我们也希望产生粘性，做完 AI Agent 之后已经上线了、客户都很喜欢，而且我们的低延迟、准确率在那里，你要迁移出来很难。不是说换个模型从 OpenAI 换成 Gemini 就行，要换一个复杂系统，背后很多 AI 优化对客户来讲是黑盒。所以对他来说如果能帮他省多少人工、提供多少客户情绪价值，成本每月每年花多少钱，ROI 对了他就不会想下来。在中国客单价的问题，或者大家对云这个事情没那么上心、想自己私有部署，或者竞价导致利润空间薄，FDE 就会显得比较尴尬。我们也有准入门槛，低于一定金额就不考虑 FDE 了，或者推出一些相对低端版的 PLG 或自助型产品。但对于大一点的企业，他还是希望用 FDE 早点上线。最终哪怕是 FDE 把整理好的 skill 或工具交给他们，他们有能力后续做维护，但也不想花半年自己学，竞争环境下会比较吃亏。王鹏：Vincent 之前也有在中国做类似业务的经验，对中国的 FDE 厂商有没有什么建议？在客单价没那么高的情况下，有没有可能也能以某种方式做成？陆骁鹏：首先我觉得会慢慢变高的，环境会慢慢变好。还有一个就是大家对于企业软件的付费习惯，这种消费习惯需要培养，就像看电视剧是腾讯视频、爱奇艺培养了十年培养出来的。对软件也一样。现在国内做企业服务大家很多时候陷入一个困境：老板的思维是「我两三个人捯饬捯饬也能捯饬出来」。但 FDE 本质上是解决最后一公里的问题：标准的 SaaS或开源方案很容易拿到，但如何真正用到企业里、用得很好？在美国这里大家比较有习惯，会找 vendor 和服务提供商去做。这也是为什么像 Cresta 价值很高，不只是提供平台，而是把平台真正部署到企业里让它产生价值。对于我们来说也一样。单这一点在国内可能还是在于每一个企业本身利润太薄，能省的地方就省。所以还是大的商业环境，一步一步变好的话这个模式后期慢慢会成立的。钟钱杰：而且有个开玩笑的说法：最怕的幻觉是老板有幻觉，觉得「这东西用 AI 搞搞就好了」。
余一：刚好说到幻觉这个问题。我们都在说 FDE 是帮企业从 AI demo 走向真实业务的最后一公里。我想问两位，这个最后一公里能真正走好的，除了你们提供的服务，从企业自身而言，你们观察到能真的走好最后一公里的企业有哪些共同特征？你们为了让他们走好，除了自己做的事情，一般会帮企业做些什么或希望企业自己做些什么？陆骁鹏：在 AI 时代，如果企业自己想把最后一公里走好，首先这个企业老板自己得 AI native。我们发现只有这个点是最重要的，其他都不重要。如果老板自己很确定 AI 就是下一个让他生意指数性起飞的机会，那所有难点都不是难点，所有资源都可以搞定。对于老板来说，所有雇的人都是投入、都是生产要素的一部分。怎么调节这些生产要素、怎么让过程加速，还是在于老板想不想让这个过程加速。具体的 change management 其实是很大的问题：我们发现同时推两个规模差不多的客户，一个是老板说「别人都推我也想推」，另一个是「我就是想推，我很确信 AI 现在一定要开始推，我就是要投入多少多少」，两边做 change management 时的难度完全不一样。如果有 CEO 层面的支持，推起来会非常非常快。陆骁鹏：因为对于中层员工来说，其实他们和 AI 有时候是互斥的关系，你每个人把自己能力蒸馏了，那这个人本身就没有太多存在的价值和必要了。这件事很有挑战性。如果没有 C-level 领导的支持，确实会比较难推。王鹏：追问一个问题。你说 AI native，但这个事很不好说。我经常见到一个问题：恰恰是老板也没想明白。我们常见的定制开发逻辑是「我还是原来怎么做这件事，你用你的工具帮我把原来的东西加强」，这是一个「+AI」的方式。还有一种方式是「我们告诉他一个行业其他公司是怎么在我们帮助下用 AI native 的方式做这件事」，就是你需要去说服他，你需要比他还懂这个行业。这两种情况你们觉得哪个更多，或者怎么权衡？陆骁鹏：在我们服务的医疗行业里，95%的人都是第一种情况，我有这个组织架构，所有买的软件都为这个组织架构服务，AI 永远是一个 pilot，看哪个环节可以省些人，所以往里加工具。第二种更加 AI native。怎么定义 AI native 呢？我觉得是在任何一件事情上永远不要假设自己比 AI 更懂，不管是组织架构层面还是任何小的执行层面，永远不要假设你比 AI 更懂。反而是先问 AI「你站在什么角度怎么看这件事」，然后再去和 AI 不断 iterate。这是一种 AI native 的思维逻辑和出发点。但有这种思维逻辑的老板非常少，在我们行业里可能最多5%。但这些人反而是本身生意就做得比较好的，确实是行业里领衔的。陆骁鹏：说服不了，只能筛选。只能用他们能听得懂的话卖给他们。钟钱杰：半开玩笑，现在有个词叫「AI 家政」，不是说买个机器人在家做家务，是一个企业找一拨人像 FDE 一样进来把屋子收拾一下，该倒的倒掉、该扔的扔掉。说到 AI native 这个事，我们非常聚焦在做客户体验的 AI Agent，不是调研型的、coding 的、视频生成的 Agent。所以对 stakeholder 来讲很明确：原先一千个人能不能变成20%的人，这20%更多服务高净值客户或处理棘手的事情，一些简单的比如信用卡挂失补卡、换地址这些无聊的事情 AI 就可以做。因为聚焦，我们花很多时间确保对语音模型比较熟悉、Tool Call 和 API call 做得比较好。针对 API call 我们也模糊会有一个概念：哪些公司是 AI ready（假设用了很多 Salesforce 或 ServiceNow，它的 API 比较规范、公网可以访问、比较安全、文档知识库比较健全）这些客户服务起来比较舒服。另外一些客户家里已经乱成一团糟，API 可能五年前找了一个印度外包公司做的，那公司已经不存在了，API 同样参数发过去位置都不一样，非常像纸糊一样。有时候没有外人进来帮做梳理，大家就各种原因摆烂了。所以有时候 FDE 或者 AI 公司作为外力，能把公司比较脏乱差的东西理好。当然也需要老板级的支持。我们往往不适合只跟呼叫中心的老板聊，因为这已经上升到客户体验甚至品牌认同度的层面。经常我们去聊的是如果不是 CEO，就是一些 Customer Experience 或 Digital Experience 的 team，这些人往往 report 给 CEO，手头掌管很多 budget，对品牌形象年轻化、提高粘性、upsell 多卖东西都有很多意愿。甚至有些人新官上任三把火要让公司全面 AI 化，不 AI化就掉队，千挑万选挑到 Cresta 作为重要玩家之一来实现 AI 化。这样推动力度就很不一样。因为就像 Vincent 讲的，有时候我们多少会动到一些人的蛋糕，有些人原先日子很舒服，每天做些简单事情五点就下班去骑车了。这些重复性工作会被 AI 替代。如果跟他去讲「你每天做什么、怎么讲最有效」，他可能会给你一些烟雾弹，因为他不想被蒸馏掉。所以你需要找到一个好的 stakeholder 帮你推这个事情。当然 CEO 最好，如果能找到高管，而且不是以省钱方式讲，而是说能增加客户粘性、在竞争对手中脱颖而出，这样推动力会比较强。中间总归会有人受伤、有人抵触。所谓最后一公里有时不是纯技术或知识库的问题，需要有一些契机。我们是一些比普通 engineer 更懂 AI、更容易填最后一公里的人。比如我们对医疗比较熟悉、对话术也比较熟悉，做的可能比客户公司里的人还多。可能你在医疗行业已经做过10个了，相比客户公司里做医疗的人视野比较窄、不清楚现在有哪些更好方案，他能够更愿意相信我们的建议。最后一公里的填完其实也可以说是个艺术，但肯定要扎根进去。这也是为什么现在大模型厂商哪怕是 Databricks 这种有大量 platform 的东西，也很想做 FDE，这样能看到最现实的困难和摩擦，不管自己还是一起共创把 gap 填好了，客户能有好的商业价值就愿意不停用你的东西，不会轻易换来换去，对大家都有好处。王鹏：我想到一个理想模式。刚才说的可能5%的客户是 AI native，有没有可能在这类客户上探出一个好模式，然后把它给95%的人看，他们就比较好接受。在一个行业的深耕里面，大家觉得这是一个有效的飞轮或闭环模式吗？陆骁鹏：对，这就是现在我们在走的模式。对于传统企业来说，95%的老板决策路径是什么？他的主线比如在运营连锁诊所（我怎么有更好的医生、把病人满意度提升、怎么扩张买更多诊所）这是主线。对于 AI 这块他没有任何认知。什么时候促成他签一个 AI 的单子？大部分时候就是别人都用了所以我用。他很难对比三四家不同的 AI 公司，反而是「行业里我的老大哥用了，所以我也必须跟上」，95%的人都这么想的。所以我们目前的策略就是先找那5%的人（现在我们服务的基本上就是那5%）服务好之后作为标杆，再横向推或向下推，会更好推。因为大部分人决策路径并不是「我非常懂 AI 要试三四家」，反而是「别人都用了我不用就落后了所以得用」。在这个行业就是这样。钟钱杰：我们这边观察到，去年我们更多要费很多口舌去鼓励大客户把一些 use case AI 化。有些人被说动了试了一试，或者当时模型 instruction following 还不太好、经常犯错、语音模型说着说着跑掉。中间还是有很多摩擦。但今年真的是大爆发。就像陆骁鹏讲的，很多人愿意从众，不想做第一个吃螃蟹的人，但没人愿意成为最后一批被淘汰的人。你看周围都在搞、有好的例子，你不搞压力就很大。在北美客户体验领域其实非常糟糕，经常约个医生电话里等一两小时，上门安装很麻烦，银行也是大问题。所以我们花很多时间做一些大的 logo，如果你经常用的5家银行中有两家在用非常现代化的 AI Agent，另外三家就会很急，就会去找我们或别的厂商。这时推动就比较容易，大家眼见为实，不是视频里天花乱坠的东西，非常有压迫感。对我们这些 AI 落地的企业级公司来讲，这是个计算器问题，趁现在需求旺盛、模型越来越强但没有强到傻瓜式的时候，应该多做 use case、多抢山头。一旦抢了山头，下来是很难的。
王鹏：对，但我想一个问题：大厂的 KA 行业线和常规服务线其实是分开的，有一些竞争关系。你们其实是做完 KA 然后复制到行业，但我们的 KA 就是 KA、行业就是行业，常规服务其实复制是有 gap 的，在大厂。你们有没有什么建议？钟钱杰：不好意思我不太明白，所谓大厂跟行业的区别是什么？在中国语境里面。王鹏：比如说中国大厂，我们的行业线服务 KA，还有一个生态的广泛行业客户团队。他们之间有一定竞争关系，看谁先 name 这个客户就归谁。KA 可能更高端服务行业头部，那些服务行业中常规客户的团队，在调研中他们觉得有这样一个问题：KA 做完了发了很高成本，但因为是两个团队，经验很难传递到常规客户团队。钟钱杰：这个是不是因为有人力的成分？不是技术可以解决的。陆骁鹏：只是需要组织变革。可能腾讯内部得先 AI native 一下是吧？感觉这好像是企业组织内部的关系问题。钟钱杰：像我们也在尝试。对销售来讲还是会有大客户的一波人以及 enterprise 中间那一波，甚至要分东部西部，对销售来讲有很强的地域倾向性，因为到最后是 scaling problem，要打多少电话、拜访多少人。但对我们做具体技术的（尤其我这边 FDE）我现在还没到需要分东区西区那样搞。我这边刻意是要培养一些专家：偏支付的专家、偏数据库的专家、偏保险偏航空的专家。这些人你很难讲一定在东部或西部。在我们这种500人、600人、1000人以下的团队，做这些还相对比较容易。但公司大了大家都要各起山头、很容易踩到各自的脚，必须有一些精细划分，就会有些地方变扭。
余一：本来直播时间到了，但我还有一些问题想再请教两位，不知道可不可以再多要15到20分钟时间。刚才直播那边也跟我说现在数据非常好，建议多聊一些。余一：其实我还想问一些更具体的问题。我看你发了一个 FDE 的岗位收到了4000多份申请。我们之前也扒过硅谷 FDE 的 JD。我想问两位，对于 FDE 招人，你们现在重点找什么样的特质、怎么做筛选和验证的？钟钱杰：简单讲就是要招这种迷你的 CTO，而且是比较实干型的，能写代码、能跟客户掰、非常靠谱。我觉得「靠谱」这个词我非常认同，如果你这个人是靠谱的，你不会的会去学，遇到阻碍会去突破。这是为什么我非常喜欢招自己创过业的人，如果某些人之前在所谓的 founding engineer 或者早期创业公司待过、甚至是创始人，然后又比较能干、有比较好的产品 sense、而且比较靠谱，那就可以让事情发生。因为我这边经常是一两个人做一个项目，对接的都是对方的技术老大，要接很多 API、做出一个非常好的 AI Agent 其实很难。所以技术能力、客户沟通能力、这种 drive（能把事情端到端、遇神杀神遇鬼杀鬼）需要很强的能力和主动性。你肯定不能说等一个 PM 给你发 ticket 才去做，主动性要很强。另一方面大家都很急，要抢山头，我要从10个人变100个人，所以不能等一个普通后端工程师培养成 AI Agent FDE。我面的人要求你做过 AI Agent 的东西，比如用过 LangChain、AutoGen 之类，自己做过一些 AI Agent 且做过测试。不是说你自称 AI engineer 就够，大家都是 AI engineer，你一定要做过 AI Agent，才能让我把简历放下去看。我们已经收到7000份简历了，到现在也就招了二十几个人，比例很吓人。当然中间很多噪音，这年头做份简历太容易了，完全可以用 AI 针对 JD 做出一份漂亮简历，甚至做假的 LinkedIn、主页、GitHub。很多人想做 AI 但其实没有机会自己做过、只是用过，这些人对我来说也比较尴尬。所以7000人到最后发出二十几个 offer 是一个非常大的漏斗，招聘工作量很大。但很多事情只能通过招聘才能解决，你一个人做七八个项目也不现实。必须全世界捞好的人，这也是为什么在美国有优势，能网罗全世界的人。我们有华人也有印度人也有各地方的人，只要能力在那里、有这种 founder mode 创始人心态，不管现在做 IC 还是 manager 或以后自己出去创业，他会对这个工作环境认可：给很多自主权、能做对的决定、成长也很快。招聘还是靠运气。这也是为什么我花很多时间去外面拿奖、造一些品牌效应，让一些比较犹豫或天资很好的人有开放心态能试一试 FDE 这个职位。王鹏：好多公司现在说从高中生里招 FDE，你们觉得这是不是未来的趋势？没必要接受大学教育做这些事。钟钱杰：我是不敢。我知道 Palantir 号称从高中直接捞人，我觉得他们真的是关系好强，高中生都能搞定。陆骁鹏：我们现在有两个人，一个是刚高中毕业准备去哈佛读本科，另一个在 NYU 读了两年然后在我们这里做。但我觉得还是有一些问题。如果做 engineer我觉得完全可以，做一个 software engineer 完全可以。但如果说在目前我们公司做 FDE 这个岗位，差点意思。主要原因是我们比较早期，需要承担一部分客户沟通的角色。另外就是项目管理、项目进度把控这个事，没有自己踩过几次坑很难有项目管理的意识。这个也是很困难的一件事。王鹏：因为我在做教育方面研究。有些高中现在已经有项目制学习方式，在高中就具备沟通能力又有一定开发能力。我觉得并没有说你一定要接受本科教育。还有一些朋友拿到美国本科 offer 说「我拿到这个东西就可以拿去找工作了，不需要把毕业证也拿到」。是不是未来一个趋势？陆骁鹏：我觉得教育是需要被全面重构的。目前这种教育完全没有办法应对这一波 AI 浪潮。我们学的是什么？根据书本知识看大脑能记住多少，这件事本身已经没有意义了，因为我们记得再多也没有 AI 多，它反而是和 AI native 方向背道而驰的。如果教育体系重构之后，多学些项目管理，更年轻时就接触到项目如何规划、如何了解用户需求、如何用 AI 工具做这一套事情，完全有可能。但现在做这件事更像在淘金：来1000个高中生淘出那一个下一个 founder。这是很困难的事。我也反思一下，这也可能是为什么我们招人很难，我们想招创过业的或非常想创业的、又懂技术又能沟通的人，在湾区这样的人确实太少了。教育系统跟不上。
余一：刚好你们提到这个，基本上就是你们也好、我看到 JD 描述也好，都是创业预备役。然后我看薪酬好像比较中位数在20到30万美金区间，也不算特别高薪的岗位。所以我很好奇，你们观察到愿意以这种六边形战士的能力加入这个岗位的人，愿意加入并留下来的激励是什么？钟钱杰：一块是大家都很现实要养家糊口，工资不能太低。慢慢有个趋势对我们是利好，FDE 好像要比别的后台工程师稍微多一点点，因为确实很辛苦很难。另一方面，包括陆骁鹏跟我都在创业公司。虽然我们最近 ARR 也到一个亿了，但还在早期，大家路还很长、还有很多盼头。除了死工资之外多少拿点公司股票，万一怎么样了说不定就怎么样了。对我们这些付出巨大努力甚至有很多牺牲的人来讲，大家还是有盼头的，一方面能做非常令人激动、很有挑战的 AI 事情，能接触到很多非常好的公司，回报也是非常有想象空间的。而且坦白说我有些 case 是内部换组，原先做 full stack、说「再过三年我想创业」，看到公司在招 FDE 就想过去让自己更 ready 做创业。这也 OK，我不指望一个人在这边做十年。能在这三四年很好地成长、给我们做很多事情、自己变成 senior，到时候想变 manager 或出去再说。很有能力又能接受挑战的人，FDE 是一个很理想的工作。陆骁鹏：对于聪明人来说，FDE 好像是一个很有性价比的岗位。当所有技术都平权之后，剩下的是什么？剩下的是流量和资源。能接触到客户资源的人才是有最多话语权的人。对所有工程师来说，当 Codex、Claude Code 这么强的时候，怎么为自己职业发展考虑？如果更有 ambition、后续要创业的话，哪一块能力需要加强？我觉得反而是怎么和客户沟通、把具体问题解决掉、并且能算出来解决了这个问题能产生多少价值，这是很稀缺的、越来越稀缺的资源。因为除此之外的所有技术能力，AI 都在快速追平。钟钱杰：甚至有时候 FDE 可能比 PM 还有价值，因为传统 PM 可能对技术没那么熟。当然这边多少会误伤到一些 PM 的兄弟姐妹。但 FDE 因为冲在一线整天跟客户掰，发现有新的业务模态我们公司能做、客户愿意多花钱，或者原先引以为傲的功能根本不 work，FDE 对这种痛点非常敏感。因为你在前线就可以非常大声音在内部做改变，甚至不用通知别人直接改掉了，不用先找 PM、找人做安排。而且最终 engineering-wise 是在线的，很容易 make 一些很具体的 change。所以会有很多机会让传统 engineer 转型 FDE。当然最终还是会有高精尖人才做数据库、做非常底层的东西。但 FDE 会是一个好选择。包括跟客户开会，会议一结束大家喝咖啡吃饭聊有的没的，你可能会激发出来一些（「原来他找我们之前已经找过谁了、自己做过为什么失败、哪里不满意」）很多信息。这也是为什么我觉得 Vincent 那边可以尝试一下 on site，on site 会给你带来很多惊喜。我甚至有时候会故意让一个新入职的 FDE，哪怕他不参与这个项目也去旁观一下，能感受一下 on site 带来的信息量。这些信息你回头就直接打字或口述留给你的 AI Agent，我们 FDE 是能接触到现实世界然后把它反馈给 AI 的。这个事情 AI 自己做不了，所以我们就很有价值。
十二、AI native 打分：9 分 vs 1 分王鹏：你们觉得 FDE 是一个 AI 还不够 AGI 的阶段性岗位，还是说未来会越来越多，甚至有种说法说未来教育、人才需求可能都会往 FDE 方向走，怎么用好 AI 的能力模型，你们怎么理解？钟钱杰：我不知道会不会是终极形态，但我觉得会是一个主干，很长一段时间。一个公司有好的销售，销售也很难被替代掉，简单的发冷邮件打电话可以 AI 化，但很好的销售很难被 AI 化。FDE 属于非常接地气的有工程能力的人，利用很好的 AI，这部分也很难被 AI 化。你有一些决策权，差不多这样就成了。你不见得需要那么多 engineer 做底层组件库研发或 CI/CD，你只要把想说的东西做出来，Codex、Claude Code 都能帮你做很好。纯 engineer 门槛会越来越高，你要成为大牛才有特定价值。中间那些 CRUD 工程师会很尴尬，要么变得很强成为技术大牛，要么更加贴近业务能够做成 FDE。陆骁鹏：我觉得 FDE 会越来越往客户成功的方向偏。因为对技术的要求越来越低了，那如何 out-compete 别的公司、如何提供更好的价值？就在于提供情绪价值、更好的服务、更好的理解需求。未来 FDE 我觉得还是会更往客户成功的方向偏。余一：最后一个问题收一下尾，比较通用性的。因为我们最近也在做关于 AI native 组织的调研研究（「AI 跃迁者调研」）已经聊了挺多国内企业。其中一个固定问题我也想拿来问两位：如果以 AI native 为标准，你的团队跟 AI 的密切程度，1到10分打多少分？为什么给到这个分数？钟钱杰：FDE 团队我们应该能达到9吧。我们几乎是公司用 AI 最激进的一些人。你看我现在管30个人直线管，还没有 manager。这么多 one-on-one、这么多项目安排、每个人请假，我的 AI 就是我的助手、我的 EA 或 junior manager。我们的 FDE 也都大量用 AI，具体一天刷多少 token 就不说了。我们几乎是公司用 AI 最激进的人，经常给销售甚至其他工程师做培训，「最近用 AI 有什么新玩法」。因为不用 AI 就会死得很惨，你想每个人已经那么忙了，不用 AI 写代码、做调研、甚至看 flag，人肉做是来不及的。而且有时候你还要去 impress 对方的 CPO、CTO，怎么做很多调研说对的话，这些都需要用各种 AI 的方式。哪怕做 slide 也是用 AI。很多时候我们现在一个方式是：把想做的事情说出来，不要告诉 AI 怎么做，AI 可能比你更懂该怎么做。这是大家一个心态问题。当然我们不会盲目遵循 AI 建议，AI 更多是收集信息或做简单工作，最终还是要有人在里面。但人肯定也要比 AI 更凶，你要有价值。这也是为什么有时候我面试人要看：Claude Code 的代码用得很好，但过程中哪些东西是你要反驳 AI 的、证明你能比它强？这样你才有价值，否则我招一个初中生整天用 AI 就好了。人一定要比 AI 凶。但我对我们 FDE team 还是比较有信心的。陆骁鹏：对对。因为我觉得永远不要觉得自己用 AI 已经够多了，或者说自己比 AI 更懂。所以我打一分吧，还有很多进步空间。想想这个问题：有哪些事是只有人做 AI 不能做的？AI 比人好的地方在于它只要有电就可以一直烧 token，这是一个能源问题。对于人来说是脑容量问题。我觉得现在差的是企业内部可观测层这一层。如果我问每一个企业里的 CEO、CTO「你底下的员工哪些事可以 AI 化、哪些不能」，没有人能回答出来。首先没有这个可观测层，所以没办法回答企业或人到底有多 AI native。本质上还是一个不断循环进化的关系。最后的衡量标准反而在于每个员工的可替代性，如果一个人能定义一个输入一个输出，像一个 API 一样，那就是最可替代的。那如果一个人在某段「输入→输出」之间 AI 做不了所以需要人来做，那时候他就是100% AI native。这是非常极端的思维方式。但我想表达的是：虽然每个人都在用很多 AI，但在整个组织架构中因为组织本身的复杂性，人为创造了很多噪音，虽然大家都觉得自己用了 AI、每个人效率高了10倍，但整个企业效率可能只高了一两倍。本质上还是可观测性太差了，不知道哪些事必须人做。还有很长的路要走。余一：一般我还会追问一下：因为是十分制，两位心目中能打十分的 AI native 组织或团队是什么样子？陆骁鹏：我觉得没有这样的组织。如果有的话，一定是掌握智能的公司才会最先有这样的组织形式。余一：所以 Anthropic 跟 OpenAI 更有可能成为这样的组织。陆骁鹏：对，地缘关系下每一个区域内的最 native 的公司。钟钱杰：我也很好奇十分的公司是怎样的。我觉得有人的地方就有江湖，所以我也不觉得 OpenAI 就是一个理想国。还是会有很多人的成分（包括我做项目划分就很难完全 AI 化）人毕竟掌握很多额外信息，甚至有直觉、有美感。所以我们不见得需要追求纯粹的 AI native，更多是一个共生的地方。怎么把无聊的事、难的事交给 AI 做，但人还是要有人味。包括我花很多时间做 one-on-one talk，作为员工你不高兴跟 AI 去聊，你还是想通过一个人去聊、说一些抱怨、甚至证明自己值得升职之类。除非最后管理层的 manager 都是 AI 了，但只要有人在里面判断谁更有前途、谁更有影响力、谁能挑大单子，这些还是人在做决定，那我们就没必要追求纯粹的 native。
立即咨询 JOTO
JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。 联系 JOTO 获取 AI 落地咨询
