FDE（前线部署工程师）是当前最热门、最神秘的AI岗位之一，大厂纷纷开出高薪招聘。本文深入解析FDE的工作内容、发展现状及未来趋势，揭示AI时代FDE的核心价值：不仅懂技术，更要懂业务、懂人性，成为连接AI与企业的桥梁。无论你是小白还是程序员，了解FDE都能助你在AI浪潮中抢占先机！
FDE，全网最火热、最神秘的AI岗位之一。
火热在于，不少大厂开出了月薪高达三五万的招聘，小红书FDE遍地走，到处都是求职经验贴。
据招聘数据网站FDE Pulse统计，海外公开薪资的FDE岗位，基本年薪中位数约20万美元，折合人民币约134万元。
（都是钱啊这都是钱）
神秘在于，我访谈了6个FDE从业者，最后发现，他们做的事情好像都不太一样……
FDE的全称是Forward Deployed Engineer，中文名叫前线*（前沿）*部署工程师。
顾名思义，就是驻扎到客户现场的工程师：一边部署软件，一边解决客户的实际问题。
现在，这个词已经从硅谷火到了国内。
海外，Anthropic宣布投资1亿美元，在2027年底前培训1万名FDE工程师，OpenAI也带着40亿美元投资成立了专做部署的公司；AWS则拿出10亿美元组建FDE部门，把数千名工程师派到客户身边。
国内也在跟进，不少大厂都挂出了FDE岗位。Kimi宣布联合多家IT服务商共建FDE队伍，腾讯云则推出号称行业首个的FDE工程师认证，同时招募FDE合作伙伴。
与此同时，也出现了不少独立开发者，凭一己之力接单，给企业做AI改造。
但说起来，派工程师去客户现场这件事，互联网时代早就有。
部署工程师、实施顾问、解决方案工程师、售后工程师…干的都是类似的活，甚至一度被看作“脏活累活”。
那为什么到了AI时代，它突然成了香饽饽？这个老岗位，到底变了什么？
FDE，究竟是个啥？
经典FDE模式里，经常出现两个不同角色：Echo和Delta。
Echo负责理解业务、沟通需求和设计方案；Delta负责写代码、接数据，把方案真正做出来。两者在前线互相配合，共同满足客户需求。
在后方，还有一群Dev（普通工程师），负责开发标准平台。
可以这样概括Delta和Dev的区别：Dev做的是“一个能力，服务很多客户”，Delta做的是“一个客户，解决很多问题”。
值得一提的是，国内FDE的部分岗位招聘，也开始标注Echo或Delta方向。这个情况起码在两个月以前是没有的。
前线的工作，很大程度上围绕Ontology（本体）展开。
简单理解，Ontology就是一张可以被软件和AI调用的“业务地图”：企业里有哪些员工、部门和订单，它们如何关联，各自允许执行哪些操作。
FDE要做的，就是把散落在不同系统、流程和员工经验里的信息，整理进这张地图，再在上面开发应用、解决问题。
当这套模式漂洋过海来到中国，它长出了各种变体。
到了AI时代，驻场的重心也变了：企业自己都说不清AI能用在哪，FDE得先帮客户想清楚做什么。
李开复带队的零一万物，就是一个典型。
零一万物现在全面转向企业AI，走的路径是：先找到企业的一号位，再派前线部署工程师进场，梳理企业的Ontology，最后沉淀成产品和平台。早期一个项目，要派5名FDE驻场，再配5人的后端团队。
在李开复看来，他们的产品虽然已经实现产品化，也采用订阅制，“但它并不是一个即插即用的产品”。建立一家公司的Ontology需要一至三个月，“公司的数据库、角色和流程都要做好，客户才能拿到充分的结果”。
在不少公司里，也有人在做类似的事。比如Layla和Sonic。
Layla在一家SaaS公司做FDE，title至今还是产品经理。
△AI生成
2025年三四月起，她开始真正进到客户的项目里。客户都是万人以上的上市公司，涉及连锁门店和制造业，一驻场就是一两个月。
刚开始做的时候，还没人把这叫作FDE。后来这套模式火了，她深入了解了一番，“才发现，诶，好像就是一回事”。
她的工作流程be like：
第一步，进场摸清业务，从采购、市场、财务、IT等一堆角色里理出客户真正想要什么；
第二步，再给出方案，搭一个demo快速验证；
第三步，验证通过后，交给公司原有的交付团队上线；
最后，把能复用的能力抽象出来，迭代回公司的产品里。
这基本就是一套经典的FDE工作流程，也是现在企业或独立FDE做开发的常规流程。
Layla认为，FDE的观察和经验，“最终还是要沉淀到标准产品里面去的”。
而另外一位企业FDE——Sonic，做的是审核类AI项目，比如财税审核、广告物料审核。
△AI生成
同样从2025年起，他们组就开始研究FDE。在他看来，FDE最关键的环节之一，就是梳理Ontology。
他举了个例子：如果企业想做一个组织管理方面的AI助手，就得先把企业有多少部门、部门之间什么关系梳理清楚；除了关系，还有属性，比如一个人的职级和薪资。
只有把这些抽象成Agent能理解的结构，它回答问题才会更准确，而不是瞎猜。
这一步往往相当费劲，因为FDE经常碰到上下游的历史数据拿不全、老系统没有开放接口等问题，项目就很难往下推进。
但Sonic认为，这一步绕不过去：“如果质量足够高会很有效，后续交付质量主要取决于前面的Ontology质量。”
为了做好这些，Layla和Sonic都得常驻客户现场。
在Sonic看来，驻场不只是为了了解需求，还要先拉齐业务方对AI的认知：什么能做、什么不能做，双方站在同一个语境里，才能谈后面的痛点和方案。
而来自硅谷公司Baseten的程天舒却告诉我，他们的FDE，基本不驻场。
△AI生成
Baseten是一家做AI推理云的公司，客户把模型部署在他们的平台上，他们让这些模型跑得更快、更稳、更省钱。
他们接触的客户几乎都是工程师，需求也很具体。比如原本调用OpenAI的API，现在想换成开源模型，应该选哪个模型？怎么部署？怎样达到预期的速度和成本？
FDE会和客户开会，了解技术需求，再搭一个prototype验证方案。问题可能涉及云基础设施、模型推理优化、训练或者产品体验，不同方向由不同专长的FDE负责。
对他们来说，这种沟通基本可以在线上完成。
原因在于，Baseten提供的是一套面向开发者的标准化产品，它只负责客户业务中的一段明确链路。定制化程度并不高，也不需要深入客户组织肌理去解决业务问题。
“我们的产品跟客户自己的业务逻辑耦合度不高。”程天舒说。
大厂之外，一群“游击队”在野蛮生长
在公司之外，还有一批“游击队”正在迅速壮大：他们不属于任何一家有产品的公司，自己找客户、自己接单，给企业做AI改造。
这本身也是AI带来的变化：过去定制一套系统，得一个团队做几个月；现在代码几乎不要钱，一个人也能接单交付。
这块市场现在非常野生。号称“全网第一FDE”的Lawted告诉我，他管这叫土FDE。
大厂FDE主要是去推广自家产品，而土FDE主要面向“土老板”，用OpenAI还是Gemini都行，也没有销售任务，“你要什么东西，我就给你什么东西”。
我接触到一个名叫Zaniel的FDE，聊完才发现，哥们路子太野了。。。
他是一名斯坦福在读博士，今年4月开始一个人接企业的AI项目。
银行、律所、煤化工、月子中心、家政中介、建筑企业……五个多月下来，已经做了几十个项目，交付全是他一个人。
而且有意思的是，做了这么多场景后，他的工作重点已经从“为客户开发AI系统和工具”，转变成了“教企业员工如何用AI”。
△AI生成
比如，他的第一个客户是一家银行，几个员工每天要从数据系统里导出一堆数，汇总成几张报表给领导看。
他一开始做了一个自动生成器，数据拖进去，一点就出报表。
但东西做出来，很快就没人用了。因为报表规则每天都在变，导出来的表格式也不完全一样，写死的程序“用几天就崩溃了”。
后来他发现，不需要一个新的软件，直接教员工把脱敏后的数据交给通用AI去汇总，再把高频流程整理成Skill，接上现有的数据系统。
这样一来，员工真的用起来了。
Zaniel告诉我，至少在白领工作里，大部分问题靠一个通用Agent，加上一堆Skill和对现有系统的连接就能解决，“不需要开发其他新软件”。
另一位独立接单的FDE，软萌孜神也描述了类似情况。
她曾为一家外贸公司做FDE，跟老板讨论如何提高员工的AI使用率——最后结论是，采购WorkBuddy就行。
△AI生成
而她负责培训员工如何使用WorkBuddy，以及为WorkBuddy打通集团内部现有的系统。
这些“游击队”式的土FDE，给企业改造改造着发现，很多时候并不需要做一个新产品或系统出来，他们的业务模式也开始偏向咨询服务。
Zaniel和企业的合作有两种模式，一种是项目制，另一种则是顾问制，而且第二种变得越来越多。
所谓顾问，说白了就是教员工怎么去用这些AI工具。每有新工具出来，就帮企业想清楚业务该怎么跟上；如果碰到不大的需求，他也会顺手做出来，包含在顾问服务里。
他把这种角色叫作企业外部的“CAIO”（首席AI官）。
而Lawted，也觉得自己的业务开始变得像一家咨询公司。
他运营着一个叫HA7CH的FDE社群，通过办线下交流会和黑客松，撮合想要AI改造的企业和独立接单的FDE签下订单。
△AI生成
流程是，企业报上需求，他从报名的人里挑一两个选手。选手进厂48小时，梳理工作流、做出demo，打动老板就当场签单，后续交付由选手负责。
办了几期后，Lawted越来越觉得FDE“非常像咨询”：企业往往只知道自己想用AI，却说不清问题在哪里，FDE得先进入现场完成诊断，再把方案做出来。
在他看来，咨询顾问甚至比程序员更适合转行做FDE，只需要补上vibe coding能力，“vibe coding其实不难”。
代码两天写完，真正的麻烦在人
看到这里，你大概也会发现，FDE的工作里，写代码和做开发的时间并不多，与人沟通反而占了大多数。
几位从业者都告诉我，他们沟通需求的时间占了七成以上，开发大约只占三成。
而与客户员工产生摩擦、打不开接口权限等困难，也往往发生在这个过程中。
在推动WorkBuddy接入企业内部系统的过程中，软萌孜神经常要找采购、IT、ERP产品经理和外部工程师反复沟通。有些系统没有现成接口，还得推动企业自己开发。
一个多月过去，仍有不少API没有开放。她说，第二天自己还要继续去找IT扯皮。
不过，她也不认为是员工故意阻挠。“没有人刻意给你使绊。”只是每个人都有自己的任务，AI改造在对方那里未必有那么高的优先级。
△AI生成
拿不到权限，有时只是流程问题。
但AI带来的阻力，还有更微妙的一层：过去部署一套软件，很少直接动到谁的位置；AI不一样，它可能改变一个团队原本的工作。
有家企业想开发一套覆盖几十个业务模块的AI系统。Zaniel估算，自己三四个月就能完成，但客户要求他以顾问身份与IT团队合作。
尽管签了保密协议，对方仍不愿开放代码库，却时常让他隔空排查问题。
Zaniel也建议，部分模块直接使用通用Agent即可，没必要全部自研。
领导回了一句：“你都用WorkBuddy了，那他们干啥呢？”
……听完我只能说，这太真实了。
不过，Zaniel也并不简单地把这归结为客户“不配合”。客户可能有保密要求、既有的供应商关系，也可能只是不同部门各有顾虑。
“对于企业，换一种工作方式的代价，常常比换一个工具大得多。”他说。
FDE，不就是外包吗？
另一个常常被谈论的问题是：FDE究竟是不是外包？
至少在Baseten，答案是否定的。
程天舒告诉我，他们的FDE和普通工程师一样，招聘标准、面试流程完全相同，同样拿固定薪资和股票，不靠提成。
FDE提供的服务也不单独收费。即使搭出了原型，只要客户最后没有使用Baseten的云平台，就不需要付钱。
对他们来说，FDE服务于自家产品：帮客户用起来，再把现场反馈带回去改进产品。
△AI生成
在企业里的Layla和Sonic也认为，把经验沉淀回产品、进行复用，是FDE和外包的重要区别。
Layla表示，过去大家区分外包，看的就是它“不会做自己的产品，不会沉淀自己的能力”。
“如果我们也不沉淀自己的能力，不做自己的产品，然后每个项目都要从0到1做，别人说外包，其实也没有办法反驳。”
Sonic很直接地告诉我，传统外包做不了FDE。“不信的话可以找外包试试。”
作为FDE，他们会把项目里能复用的模块，按场景沉淀到一个评测和迭代平台上，再搭建Skill Hub、Agent Hub，组里的FDE都在上面做评测和优化。
效果是，在一个垂直领域里，第一个场景从接入到上线大概要一个月；做完之后，后续的同类场景可能一两天就能接完。
“做得越久，速度越快。”做得快，意味着会开得更少、沟通成本更低，“业务会觉得整个过程很轻，钱花得值”。
听起来，只要能把经验沉淀下来、复用到下一家，FDE就和外包划清了界限。
本来到这里，我已经被前面几位嘉宾说服了，但Zaniel又刷新了我的认知。
大家通常想象的复用，是先做出一套半标准化软件，到了下一家客户，“把规则调一调，就可以直接部署”。
Zaniel并不否认Skill、代码和行业经验可以复用。但他质疑：这些积累，究竟能让下一次完整交付便宜多少？
过去做一套企业软件，开发可能要花90块，给每家客户适配只要10块。软件做一次、卖给很多家，前面那90块就能被一点点摊薄。这是传统软件公司的生意逻辑。
AI把这个公式改了。现在开发只要1块，适配还是10块。
△AI生成
比如给一个客户做了客户管理系统，下一个客户也要，那还不如直接重新做一套，“因为AI现在做一个软件出来太快了”。
当然，代码可以复用，Skill和行业知识也能积累。但每进入一家新企业，FDE仍然要重新理解需求、连接系统、处理权限，再推动不同部门接受新的工作方式。
这部分投入，并不会随着代码成本一起降低。
软件越来越容易复制，这门生意能不能复制，却是另一个问题。
FDE们，已经不想说自己是FDE了
访谈到最后，我几乎问了每个人同一个问题：
FDE会一直存在吗？
程天舒认为，FDE这个岗位的最终目的，“就是要把FDE给取消掉”。
需要FDE出手的地方，说明产品和客户需求之间还有差距；产品做得足够好，客户自己就能搞定，也就不再需要FDE了。
在他看来，FDE更适合产品还不成熟的早期公司。成熟的公司，其实不太需要这个职位，它更像是公司打磨产品过程中“一个过渡性职能”。
但他也承认，AI发展得太快，“你昨天做的产品，今天就跟不上了”。只要市场还在变，这个差距就会一直在，所以这个目标“可以逐渐靠近，但是永远无法抵达”。
Zaniel的看法则是：FDE要做的事，在AI之前就一直有人在做，以前叫管理咨询，也叫IT外包，只是这个词最近才火起来。
“至于这个词火不火，这就是一个互联网的传播学问题了。”
事实上，他和软萌孜神都不太在意自己是不是FDE。对外这么说，只是因为大家熟悉这个词。
“其实我不是特别喜欢别人说我是FDE，但是我又不得不这样。因为现在市场上，你就必须跟你的客户说AI FDE，大家才会去看。”软萌孜神说。
她更愿意说自己是一名创业者，目标是用AI改造外贸，“让中国供应链再次伟大”。
FDE三个字母，已经被塞入了太过丰富的含义。
软件开发、咨询服务、员工培训、系统对接、社群撮合……这些看似不同的工种，统统都可以跟FDE有关。
但不管哪种FDE，干的都是把AI真正用进客户业务里、并为此去搞定人的活。
如果一定要说，这个老岗位在AI时代到底变了什么，我认为有三点：
过去，驻场的人负责把做好的软件装上去；现在，得先帮客户想清楚AI该用在哪。
过去，定制一套系统要一个团队；现在，代码几乎不要钱，一个人也能接单。
过去，难的是技术；现在，难的是人。
岗位还是那个老岗位，只是到了AI时代，它得懂得更多、跑得更快，也扛得更多。
FDE之所以火，也正是因为技术变化来得太快：企业还没想清楚该怎么用，组织分工也来不及跟上，于是太多需要的能力，被一股脑押在了一个人身上。
就像那条很火的短视频结尾说的：
“企业买SaaS买到的是软件，请咨询买到的是建议，找外包买到的是功能。
而找FDE，他们想买到的是一个人——
一个懂管理、懂技术、懂人性、懂AI，最好还别要太多钱的人。”
大模型的知识又多又杂，到底怎么学？
做这行久了，被问最多的问题就一个：大模型的知识又多又杂，我到底先学啥？翻了一堆资料，看啥都像重点，结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍，零基础、应届生、转行的都适用。跟着走，至少方向不乱、不瞎忙，学完拿得出手。
第一阶段（10天）：初阶应用
这一阶段就一个目标：把大模型真正"玩明白"，不是只会聊天那种，而是能调教它、能用代码把大模型和业务接起来。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
这阶段正式进实战，目标很实在：做出两个能拿出手的东西——一个私有知识库，一个 agent 对话机器人。
为什么要做 RAG
搭建一个简单的 ChatPDF
检索的基础概念
什么是向量表示（Embeddings）
向量数据库与向量检索
基于向量检索的 RAG
搭建 RAG 系统的扩展知识
混合检索与 RAG-Fusion 简介
向量模型本地部署
…
走完这 30 天，Python 或 JavaScript 背景的基本能独立做一套 RAG 应用，简历上也敢写"大模型应用开发"了。
第三阶段（约20天）：动手微调
学到这，你已经开始 “造” 模型了 —— 通过微调，搞出垂直领域的专用小模型。
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗？
想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！
第四阶段（20天）：商业闭环，部署落地
技术学完，落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
想要入坑大模型的朋友，给大家准备了一份2026 年最新 AI 大模型全套学习资料：
1、大模型系统化学习路线
2、大模型学习视频教程
3、大模型学习书籍&电子文档
4、AI大模型最新行业报告
5、大模型项目实战&配套源码
6、2026大模型大厂面试真题
7、为什么要学习大模型？
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。
8、适合谁学？
- 传统后端 / Java / 前端开发，想转型 AI 应用
- 大学生、应届生，想拿更好的 offer
- 产品经理、运营，想武装职业竞争力
- 技术负责人，想给团队落地提效
学习是反人性的，但回报是真金白银。技术会更新，赛道会切换，但只要你先动手，机会就永远站在你这边。
9、这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！
好了，就写到这。路线是死的，人是活的，卡住了随时来问我。觉得有用就点个收藏，别让它进收藏夹吃灰——动起来比啥都强。
