本文根据 Kelly 陈霈霖对北上广深 60 个 FDE 招聘链接的研究整理。研究最终纳入 34 份可全套读取的职位描述;职责百分比是 JD 文本提及率,不代表员工实际工时。以下保留研究者第一人称叙述。 34 份真实 JD 却显示:94% 先找业务痛点,91% 还要亲手搞 从模糊业务问题到可验收结果的 FDE 工作路径 假如只看名字,我也会以为,FDE 就是负责把模型装进服务器的工程师。 毕竟它的英文全称是 Forward Deployed Engineer,国内有人翻译成“前沿部署工程师”,也有人叫“前线部署工程师”。
拿 JD 对号入座三个硬指标:业务痛点调研、跨团队推动、可验收结果交付。94% 和 91% 的提及率说明,面试准备应该围绕这三个故事展开,而不是刷模型部署题;JD 里出现“从 0 到 1”要多问一句度量口径,很多岗位的实际工作是内部工具落地。
“上线”两个字听起来很技术:装环境、配机器、接接口、处理故障。 但我把 BOSS 直聘上北上广深的 60 个 FDE 招聘链接逐个打开,最后筛出 34 份还能全套读取的职位描述以后,发现完全不是这么回事。 这个人上午可能在客户公司追问业务流程,中午把一句含糊的要求拆成任务,下午开始搭 Agent、接数据、改代码,临近上线又要做测试、培训和验收。项目做完以后,他还不能立刻离场,还要看客户到底有没有用、结果有没有变、这套做法能不能复制到下一个场景。
如果你是老板,为什么会想把这么多事情放在同一个岗位里? FDE 究竟是工程师、产品经理、实施顾问,还是售前? 它每天到底在做什么?你做 AI 落地时,又到底需不得这样一个人? 这 34 份 JD,给出了一个比岗位名称更有意思的答案。 第一层揭秘:FDE最常做的,居然不是部署 先看这次研究里出现频率最高的职责。 34 份 FDE 职位描述中的职责提及率 我把这张表来回看了几遍,最扎眼的不是某个技术词,而是三个很朴素的动作:找问题、动手做、把结果交出去。
94% 的岗位要求 FDE 先理解业务需求,91% 要求本人可以搭建或修改路径,88% 要求负责上线交付。 但你再往下看,明确写到东西集成的只有 53%。 换句话说,FDE 并不等于传统意义上的“上线工程师”。有些岗位确实要处理私有化、接口、权限和运行环境;但更多公司先要的是一个能走进业务、把模糊问题变成可运行使用的人。 如果你已经买了工具、做了培训,甚至跑过几个 Demo,业务却还是没什么变化,你大概率也碰到了这个问题。
这一步别省。
AI 成果公式:场景选择、责任人和验收标准 我把它叫作AI 落地断层:老板知道 AI 重要,员工也开始用工具,但从想法到业务结果之间,没有一条全面的责任链。 我一直用一个很简单的式子理解这件事: > AI 成果 = 场景选择 × 责任人 × 验收标准 所以,很多企业不是缺少会使用 AI 的工程师。 恰恰相反:他们缺的是一个愿意从问题出发、亲手做完、再用结果证明的人。 假如你是老板,可以拿这个式子问团队三个痛点。
我们选的,真的是现在最值得解决的场景吗? 有没有一个人,愿意从头跟到尾? 做完以后,谁能说清楚它到底有没有用? 场景选错,做得再快也没有价值。 场景选对,没有人从头跟到尾,项目会死在交接里。 有人负责,但没有验收标准,最终就只剩下一场看起来不错的演示。 FDE 这个角色,也就是在填这条断掉的责任链。 第二层揭秘:FDE根本没有“标准的一天” 如果你问一个普通岗位每天做什么,通常能得到相对稳定的答案。
我在这栽过跟头。
但 FDE 的一天,会随着项目阶段完全改变。 这次研究没有记录员工的真实考勤,所以我不想硬画一张精确到小时的时间表,看起来很科学,实际上全靠猜。 更接近事实的说法是:FDE 通常会经历三种彻底不同的工作日。 FDE 在三个项目阶段中的工作日 第一种:客户调研日 上午,他也许和业务负责人开会,但不是坐在那里听一句“我们想做一个智能客服”。 他要继续追问: * 客户每天在重复回答哪些问题?
- 答案现在存在哪里? * 哪些问题允许 AI 直接回答,哪些必须转给人工? * 答错一次的业务后果是什么? * 谁来判断第一版能不能投入使用? 问完以后,他还要跟着一线员工走一遍真实流程,检查文档、表格、聊天记录、系统权限和信息口径。 一天下来,看起来代码没写多少,真正重要的东西却出来了:痛点到底是什么、当下怎么做、为什么值得改、第一步做到哪里为止。 如果问题都没选对,后面做得越快,浪费得也越快。
这一天其实在决定公式里的第一项:场景选择。 第二种:原型构建日 需求收敛以后,FDE 要立刻把讨论变成可以操作的东西。 也许是一个能回答企业资料的知识助手,也可能是一条自动整理销售线索的工作流,或者是把几个已有系统串起来的小用起来。 这时会出现 Agent、RAG、API 这些技术词。 用人话解释:Agent 是能按目标执行一串任务的 AI;RAG 是让 AI 先查企业自己的资料再回答;API 是让不同软件互相传递信息的接口。
先记下来,后面要用。
FDE 不一定要从零训练一个大模型,但他不能只会聊概念。他得把已有模型、企业数据、业务规则和软件平台拼起来,先做出一个真的能用的东西。 他还要主动拿失败样本验证,而不是只挑最好看的例子演示。 做到这里,事情才算真正有人接住。这一天对应的是公式里的第二项:有没有一个真正负责的人。 第三种:上线验收日 到了上线前,工作又变了。 账号权限有没有开对?真实数据能不能读到?
异常时会不会泄露不该出现的信息?旧平台出挑战时能不能回退?一线员工知不知道怎么用? 这些难题不能靠一段提示词解决。 FDE 要和客户的业务、能力、数据、安全团队一起联调,准备培训,处理挑战,整理操作文档,再让指定的人确认结果。 如果项目有夜间发布、故障值守或驻场要求,也常常发生在这个阶段。是否需要响应、怎样轮值、有什么补偿,必须在入职或合作前讲清晰,不能把高压日描述成每一天,也不能假设所有 FDE 都没有上线压力。
别急着跳过这一段。
忙到这里,事情还没结束。最终还得有人说明确:这东西到底能不能用,谁敢签字让它上线。 这就是公式里的第三项:验收标准。 所以,FDE 的日常不是每天平均分配一点开会、一点写代码、一点实施。 项目在哪个阶段,他就站在结果最容易断掉的地方。 第三层揭秘:同样叫FDE,为什么像四份不同的工作? 我原本想从 34 份 JD 里找一个统一答案。结果越往下看,越发现“FDE”这三个字下面,装着的可能是四份不同的工作。
至少存在四种显著不同的 FDE。 四种常见 FDE 岗位类型 1. 商业化/售前型 这类 FDE 经常和销售、渠道一起见客户,快速判断高价值场景,再搭一个 Demo 或 POC。 POC 就是概念验证:先做出一个小而真的版本,证明方向可行,再决定是否投入更大的实施成本。 这类岗位真正关心的是:商机能不能往前走,客户愿不愿意买,成功的方案能不能拿去能力下一个客户。 风险也很显著:如果成交以后就交给别人,自己不再对上线负责,它很容易变成换了名字的演示售前。
- AI应用构建型 这类岗位大量使用 Agent、知识库、工作流和 AI 编程利器,把一个业务流程快速做成使用。 它不一定要求你研究多深的底层算法,但你得能写、能改、能找bug,末了拿出一个业务人员真的可以操作的东西。 风险是只会调几段提示词,Demo 看起来聪明,真实信息一变就失效。 3. 集成交付型 这类 FDE 更接近很多人想象中的“部署”:接 API、开权限、处理数据、调参私有环境、联调、测试、上线和排障。 对这类岗位来说,把软件装好只是开头。
系统能稳运行,客户敢签收,才算交代得过去。 风险是项目日益重,最后变成传统实施团队,只顾着赶工期,没有把客户现场的问题带回产品。 4. 行业解决路径型 医疗、制造、金融、教育、零售等行业,都有大量藏在流程和经验里的知识。 这类 FDE 未必是技术最深的人,但要能快速听懂行业语言,再把它翻译成信息、权限、规则和应用。 风险是只懂行业不会实现,或者只懂技术听不懂现场,两边都说得很热闹,末了没有人能把事情做成。
这四种岗位没有谁更“正宗”。假如你在招人,真正要讲明确的是:他主要面对什么问题,责任到哪里结束,背后还有谁和他一起干。 否则,一个人也许以为自己应聘的是 AI 工程师,入职以后却发现主要任务是陪销售见客户;也可能以为自己做轻量用起来,最终一年大部分时间都在客户现场处理集成难题。 如果你在招人,怎样判断是不是真的FDE? 我一般不先看岗位名称,而是问三个很直接的痛点。
判断 FDE 完整责任链的三个挑战 第一,他会不会去真实业务现场? 不是拿到一份已经写好的要求,而是接触业务人员、流程、数据和限制,判断痛点是否真实、是否值得做。 第二,他会不会亲手把东西做出来? 不是只写 PPT,也不是只把挑战转发给研发,而是能搭原型、改代码、配工作流、接数据,至少把关键链路跑起来。 第三,他会不会陪到上线以后? 不是演示结束就离场,而是继续处理测试、采用、风险、验收和复盘。
这三个挑战只要有一个回答是否定的,岗位性质就可能已经变了: * 只负责服务器和推理性能,更像模型部署或基础设施工程师; * 只负责方案和演示,更像解决方案售前; * 只负责配置、培训和按期上线,更像传统实施; * 只负责采用率和续约,更像客户成功。 这些岗位都很重要,只是不能因为名字里放了 FDE,就默认工作内容相同。 FDE不是一个时髦称呼,而是一条完整责任链。 你也许会问:这不就是把五个人的活塞给一个人吗?
老实说,有些 JD 确实写得像一张许愿单。 既要懂业务,又要会写代码;既要陪销售见客户,又要负责上线;最好还能培训、做项目管理、总结方法。 但把玩笑放一边,这种岗位会出现,也有很现实的原因。 传统软件项目习惯分工。 销售听客户的问题,售前写路径,产品经理整理需求,研发排期搞,实施负责上线,客户成功再看使用情况。 当问题清晰、产品成熟、要求变化慢时,这种分工可以运行。
但 AI 应用刚好相反。 客户一开始常常说不清真正的问题。模型能不能回答,只能拿真实资料验证。工作流是否可用,要让一线员工操作以后才知道。权限、成本、速度和错误边界,也必须在运行过程中不断校准。 如果每发现一个问题,都要沿着五六个岗位传一圈,反馈还没回来,需求已变了。 我自己做过工程师、CTO 和 PMO,最近也以 CAIO Lead 和 FDE 的角色进入过其他企业。CAIO 就是 Chief AI Officer,首席 AI 官,负责帮企业梳理 AI 流程、选场景、推动跨部门协作;FDE 继续往下,把具体场景做出来、接进东西并完成验收。
这些位置都站过以后,我最深的感受是:一个问题只要在几个角色之间多传两次,末了做出来的常常就不是最初要解决的东西。 FDE 的作用不是取消分工,而是缩短反馈回路。 他把客户现场的事实直接带进构建过程,再把运行中的失败直接带回产品和工程团队。 这也是为什么很多 JD 同时要求沟通、业务理解、代码、交付和复盘。当然,不排除有些公司是真的想用一个编制解决五个人的问题。
但一个成熟的 FDE 规划,找的得是能减少交接损耗的人,而不是一个包办一切的超人。 当然,这种规划也有代价。 如果公司没有给 FDE 明确的范围、优先级和否决权,他就会迅速变成一个万能接口:销售承诺什么,他就补什么;客户临时想到什么,他就做什么;研发不愿处理的问题,也全部丢到现场。 最终,人很忙,客户很多,真正可复制的东西却没有留下。 好的FDE缩短反馈,坏的组织只会压缩一个人。
这份工作真正难在哪? 不是代码写不出来,而是身边每个人都可能往他身上加一点需求。 34 份 JD 里反复出现的压力,主要来自六个地方。 需求会不断变大 客户看到第一版以后,很自然会继续加功能。如果没有明确的范围和优先级,POC 很快就会变成没有终点的定制项目。 演示成功,生产失败 演示用的数据通常比较干净。进入真实系统以后,权限不一致、字段缺失、接口不可靠、历史资料冲突都会一起出现。
销售承诺超过边界 为了赢得项目,前期可能把模型效果、上线时间或集成难度说得过满。真正到了现场,FDE 要面对这些承诺留下的落差。 做完一次,无法复制 每个客户都从零开始,意味着团队永远只能靠堆人扩张。成熟的 FDE 必须把共性沉淀成模板、组件、检验集、操作步骤和产品要求。 上线以后,没人使用 平台能运行,不等于业务已改变。用户是否采用、人工是否愿意接管、业务指标是否变化,都需要明确的负责人继续观察。
一个人承担了整个小队 行业知识、全栈开发、售前表达、项目管理、培训、客户关系,任何一项都可以单独成为一个岗位。 我甚至在 JD 里看到“会开车”也成了加分项,因为驻场时可能要往返客户现场。 有些岗位写到最后,真的像在招一支队伍,只是编制只有一个。 成熟公司会让 FDE 作为小队的责任接口,背后仍有产品、研发、数据、安全和客户成功适配。把所有缺口都压给一个人,不叫敏捷,只叫岗位失控。
假如你是老板,怎么判断这个项目真的做完了? “Agent 已搭好了”不算完成。 “客户看过 Demo 了”也不算完成。 最简单的判断不是“能力团队说做完了”,而是业务人员真的用过,而且知道正常时怎么用、出错时找谁、最后谁愿意签收。 一个边界明确的项目,至少得达到这样的标准:在约定的真实样本和运行环境中完成核心任务;借助双方事先确认的测试;异常情况有人工接管路径;指定业务负责人完成验收;客户团队能够按文档继续利用。
并且,FDE 得交出一份可以复核的证据包: * 原来的问题是什么; * 根因和限制是什么; * 修改或搭建了什么; * 用什么样本和方法验证; * 有哪些截图、录屏或运行记录; * 还存在什么风险; * 最后由谁签收、谁授权上线。 AI 可以负责生成、检查、测试和整理证据,但是否符合业务要求、风险是否可以接受、能不能进入生产环境,必须由有权限的人决定。 我也不会在没有调研以前承诺固定效率倍数、固定裁员比例,还是直接把整套旧平台全部重写。
场景、信息、接口、团队能力和风险不同,先建立基线,再谈目标。 拒绝这些听起来漂亮的承诺,不是保守,而是对交付负责。 如果你真想把FDE用起来,前30天做什么? 第一周,先别急着搭 Agent。 FDE 落地项目的前 30 天路径 先选一条真实流程,找业务负责人和一线使用者访谈,画出现状流程、系统、信息、权限和风险。最后只留下一个值得优先解决的问题。 第二周,把边界定下来。 明确输入是什么、输出是什么、哪些情况不做、使用什么检验样本、谁负责验收。
能拿到的数据和接口现在就确认,不把关键依赖留到上线前。 第三周,拿真东西跑一次。 做一个能够被真实用户操作的版本,用正常样本、异常样本和边界样本测试。问题要被记录,结果要能复现,不用一场精心准备的演示代替验证。 第四周,看证据,再作决定。 完成培训、验收、证据整理和风险复盘。然后决定继续扩大、调整方向,还是停止投入。 前 30 天的目标不是证明 AI 什么都能做。 而是让企业第一次看清:一个真实问题怎样被选择、怎样被做成、怎样被验收,还有哪些能力值得留下。
你该自己招FDE,还是先找外部团队? 如果你已经有稳的 AI 产品,也有大量持续出现的客户用例,而且可以给 FDE 配产品、研发、数据和交付支持,那就得认真考虑建立内部团队。 由于现场经验需要长期反哺产品,不能永远留在外部服务商手里。 但要是你连第一个用例是什么都还说不清楚,先招一个“全能 FDE”,多半只是让新人替整个公司承受混乱。 这时更需要的也许是 CAIO Office:先从经营目标确定优先级、负责人和验收方式,再决定哪些场景值得实施。
如果场景已经很明确,只是缺 Agent、数据、东西集成和上线能力,那就适合先做一个边界清楚的 FDE 落地项目。先把第一个链路跑通,再判断要不要组建长期团队。 CAIO 与 FDE 的责任分工 CAIO 负责决定为什么做、先做什么、怎样组织。 FDE 负责进入现场,解决怎样实现、怎样证明、怎样移交。 这两种能力可以由内部人员承担,也可以在早期由外部角色进入。 所以别先纠结头衔。 你先问:这件事从问题到结果,到底有没有人真正接住?
结语:别先问他会什么,先问他负责到哪里 拆完这 34 份 JD,我最大的感受不是 FDE 要会很多。 而是企业正在重新寻找一种久违的责任感:看见问题的人,也参与解决;做出结果的人,也面对使用者;完成交付的人,也留下下一次可以复用的东西。 FDE不只是落地东西,而是部署结果。 Demo交给会议,结果要交给业务。 别先问他会什么,先问他负责到哪里。 如果你正在招聘 FDE,或者准备启动一个 AI 落地项目,不妨先把三件事写下来:你最想改变哪一条真实流程,当下由谁负责,还有拿什么证明它真的变好了。
这三个问题有答案,你得什么样的人、要不要自己组建团队,通常也就清楚了一半。 * * * 研究说明:本次研究于 2026 年 9 月 14 日进行。研究者逐个核验北上广深各 15 个明确包含 FDE 的招聘链接,共 60 个。

评论0