第 1 章 FDE 的崛起
「给间谍做软件的一个挑战是：我不认识任何间谍。」 —— 鲍勃·麦格鲁，Palantir 早期高管、OpenAI 前首席研究官
1.1 先讲一个死掉的数百万美元
故事的开头总是一样的。一家大企业的会议室里，供应商的演示刚刚结束。大模型对答如流，数据大屏流光溢彩，连最挑剔的高管都挑不出毛病。首席执行官当场拍板：签。合同金额数百万美元，双方握手，合影，发新闻稿。
九个月后，这个项目死了。
不是轰轰烈烈地死，是悄无声息地死。系统还在跑，服务器还开着，只是没有任何一个业务部门真的在用。供应商交付了合同里的每一项功能，企业付清了合同里的每一笔钱。唯一没有到货的，是「价值」。
如果你觉得这只是运气不好，麻省理工学院 NANDA 实验室 2025 年发布的《生成式人工智能的鸿沟》（The GenAI Divide）报告会告诉你：这才是常态。他们访谈了 52 家组织、收了 153 份高管问卷、翻了 300 多个公开的企业人工智能项目，结论只有一句话：烧进去的三四百亿美元里，95% 没有产生任何可以衡量的财务回报。
这个 95% 在引用之前，得先交代口径。报告发布后，质疑集中在三点：
- 它把「失败」定义为六个月内没有可衡量的财务报表影响——按这个标准，互联网和云计算的早期投资几乎全是「失败」；
- 它对价值的度量只认利润、成本、收入三项，流程提速、员工采用率这些先行指标都不算数；
- 样本以大型企业为主，失败数据又只来自项目发起人一侧。还有评论者提醒了一层利益关系：NANDA 实验室自己就在研究智能体互联网，报告给出的解法恰好指向自家方向。（出处见附录 C）
这些质疑都成立，但都没能推翻那个方向性判断：企业级人工智能项目大面积不达预期——兰德公司、标普全球等机构的独立调研，指向的是同一幅图景。所以本书引用 95%，取的是方向，不是精确值；精确到个位数的失败率，本身就是一种伪精确。
更有意思的是失败的方式。报告特意写了：问题不在模型。那些在演示里惊艳四座的模型，进了生产环境依然聪明，只是它们「不记反馈、不存上下文、不进工作流」——长得像产品，用起来却像展品。
斯坦福大学同年的大盘数据也在旁边作证：组织里 88% 都在用人工智能，可真正跑进生产环境的智能体应用，只有个位数百分比。麦肯锡补了最后一刀：能说人工智能对利润贡献超过 5% 的企业，只有 6%。
《财富》杂志报道这份报告的那几天，一位制造业首席运营官的吐槽在业内流传：「网上说一切都变了，回到我们车间，什么都没动。」（出处见附录 C）这话比任何数据都扎心——他的公司不缺预算，不缺工具，缺的是有人把工具塞进车间真实的流程里。
报告里还有一组更安静、却直接为本书主题投票的对照：企业自己关起门来建的系统，成功率只有外购成熟方案的约三分之一。报告主要作者说，他们走访的几乎每一家企业，都在试图自己造工具——而自建恰恰是死得最多的那条路。
他还讲过一个对照组的故事。一些十九、二十岁的年轻人创业公司，靠生成式人工智能一年做到两千万美元收入。打法和老牌企业正好相反：只挑一个痛点，打穿为止，并且死死绑定真正会用他们产品的客户。年纪大的公司总想一口吃成胖子，而年轻人只咬一小口，咬穿了再咬下一口。（出处见附录 C）
其实这道沟，不是人工智能时代才挖出来的。中国的企业软件行业早就在沟里躺了十几年：大公司要定制，厂商做一单赔一单，交付完代码离场作废，最后集体沦为「甲方的外包公司」。播客《硬地骇客》的一位企业软件老兵说得狠：「定制化是 SaaS 的天敌，这个诅咒只能等市场成熟那天自然消解。」美国那边体面些，剧本也差不多：销售签单，实施进场，半年后交付一个「功能齐全但没人爱用」的系统，然后是漫长的扯皮。
归根结底是同一堵墙：造软件的地方，和价值产生的地方，不在一个地方。墙这边，需求被工单、纪要、周报层层转述，每转述一次就失真一层；墙那边，客户真正的工作流藏在没人写进文档的表格里、口耳相传的惯例里、「这事得问老王」的隐性知识里。软件行业发明了无数翻城墙的梯子——需求文档、用户调研、实施方法论、客户成功体系——但墙始终在那里。
直到有一家公司决定：不翻墙了，把人送过去。
1.2 Palantir 的胜利
2003 年，硅谷刚从互联网泡沫的废墟里爬出来。彼得·蒂尔和几个斯坦福出身的年轻人，创办了一家名字取自《指环王》的公司——Palantir，真知晶球，传说里能看见远方的石头。他们要干的事听起来像科幻小说：给美国情报机构做数据分析软件，把散落在无数保密数据库里的碎片连成图景，帮分析师抓恐怖分子。
这门生意有一个能让任何产品经理当场崩溃的前提。多年后，早期高管鲍勃·麦格鲁在 YC 的 Lightcone 播客里把这段往事讲得活灵活现：
「我们创业时的目标，是给情报界做软件，说白了，是给间谍做软件。而给间谍做软件的一个挑战是：我不认识任何间谍，你大概也不认识。就算你碰巧找到一个间谍，问他『你平时到底怎么工作的』，他通常也不会告诉你。」
没有用户访谈，没有需求文档，没有可用性测试。互联网创业方法论的第一课，在这里全部作废。创始人之一斯蒂芬·科恩想出的办法笨得可爱：先做个演示样品，拿给情报机构的人看，问觉得怎么样。对方一点不客气：「这东西太糟了，跟我们做的事毫无关系。」科恩没撤退，追问一句：「那你们希望它哪里不一样？」然后掏出本子，一条一条记下来，回去改，改完再送上门。
这个笨拙的循环，就是 FDE 的胚胎。里面藏着两个后来被证明价值千金的直觉：一是复杂领域的客户，在看到能用的东西之前，并不知道自己要什么；二是想知道客户要什么，最快的路是让造东西的人，站到用东西的人旁边。
把这套直觉升级成公司战略的，是第 13 号员工希亚姆·桑卡尔。当 Palantir 从第一个客户走向第二个、第三个，团队发现一个反直觉的事实：每个客户要的东西，都有细微但关键的不同。标准解法是提炼共性、做通用产品、对差异说不。可 Palantir 的客户是中情局、联邦调查局、战场上的美军——说不，就等于出局。
桑卡尔反着来：做一个能灵活定制的平台，然后派工程师驻扎到客户现场，把最后一公里修完。
他最关键的动作，是改了这件事的账目。在软件行业的账本里，「为单个客户做定制」叫服务，是利润率的敌人。桑卡尔把它翻了过来：现场定制这笔账，要记在产品发现上。工程师在客户现场踩的每一个坑，都是平台下一次进化的路标。
桑卡尔本人就是第一个前线部署工程师，他最早的驻场经历，堪称这个岗位的原型现场。2007 年前后，美军在伊拉克伤亡的最大来源是路边炸弹，为此成立的反路边炸弹作战中心允许桑卡尔带着一支小队和「还很粗糙」的产品，钻进保密信息室联合办公两周。所谓保密信息室，是物理隔离的涉密空间，连免提电话都禁用。桑卡尔想了个野蛮的办法：用松紧带把电话绑在自己头上，腾出双手敲代码——一只耳朵听分析师提意见，另一只耳朵听硅谷总部的同事说话。两周里每天干十九个小时，演示、接数据、收反馈、当场改。结束时，分析师们说：这东西有用。桑卡尔自己却累垮了，打电话给首席执行官卡普：「这不可持续，我们完了。」卡普的答案日后成了公司文化：把这种「不可持续」，做成制度。（出处见附录 C）
多年以后同事回忆，桑卡尔骂人都不带情绪。有一次他和同事梅布里在机场咖啡馆聊得正开心，对方邮箱里突然收到他一封措辞严厉的批评邮件——就是坐在对面当场写完发的。「里面没有人身攻击，只有一句潜台词：为了赢，我欠你这些真话。」（出处见附录 C）
这套打法很快在战场上见了血。驻场的 Palantir 工程师发现，士兵们根本不需要什么花哨的情报图表，他们只要一个能在地图上标注「这条路可疑」的小工具——路边炸弹是巡逻队最大的杀手。工程师当场拼出一个简陋的地图工具，士兵点一下就能标出危险路段，全队实时可见。这个工具救了命，后来沉淀成平台的标准功能。它不可能诞生在任何总部的会议室里，只能诞生于工程师和士兵一起看向同一条公路的那个瞬间。
商业化那边，则是先死过一次。Palantir 第一个面向企业的产品叫 Metropolis，市场反响惨淡，只有几家金融公司勉强在用。第二次尝试 Foundry 才算开了张，转折点在空客：图卢兹工厂里，A380 的一个燃油泵故障反复发作，空客自己的工程师查了两年没头绪。Palantir 的人进场，把传感器数据接进平台，两周破案——飞机爬升时燃油晃离了泵体。一个微不足道的修复，保住了据报道价值数百亿美元的订单。空客数字化负责人后来公开感慨：「同样的问题，我们以前要查二十四个月。」（出处见附录 C）空客从此成了 Palantir 在欧洲最铁的拥趸，把自家数据平台 Skywise 整个建在上面，接入上万架飞机、五万多用户。后来的走向更有意思：这套平台从客户变成了渠道，如今有一百五十多家航空公司跑在 Skywise 上。
还有个八卦值得一记。江湖盛传 Palantir 的软件参与了 2011 年击毙本·拉登的行动。这个说法从未被证实，也从未被证伪——写 Palantir 传记报道的记者特意把这个暧昧的注脚留了下来。可不管真假，这个传言本身，就是 Palantir 最好的销售武器。（出处见附录 C）
到 2016 年之前，Palantir 前线部署工程师的人数，一度超过了平台工程师。一家软件公司，一半以上的工程师不在总部写产品，而是撒在全球的客户现场。华尔街多年看不懂，嫌它「人海战术」「更像咨询公司」。
然后，时间给出了答案。2023 年它推出人工智能平台 AIP，配上一套叫「训练营」的打法（第 8 章细讲），把企业软件九到十二个月的销售周期压到几周。2025 年第四季度，它的「40 法则」——收入增速加调整后经营利润率（非通用会计准则口径）：软件业的健康度指标，40 分算及格——干到了 127%；2026 年第一季度，145%。单季签约额 42.6 亿美元（bookings，总合同价值口径），净收入留存（Net Revenue Retention，NRR；Palantir 财报口径称 NDR）139%，账上现金 72 亿美元。
卡普在财报电话会上只说了一句：「我们是一个自成一格的物种。」市值一度冲破 4000 亿美元。（出处见附录 C）
当年笑它人海战术的人哑口无言。Palantir 用二十年证明了一件事：那堵墙，梯子翻不过去，人却翻得过去。翻墙的这批人，有了一个正式的名字——Forward Deployed Engineer，前线部署工程师。
这个名字的发明权，桑卡尔后来在《美国乐观主义者》（American Optimist）播客里公开认领了。他给的定义一点都不官方：前线部署工程师，就是「把痛苦吃进去、把产品产出来」的那种人。
当然，关于起源另有一说。有风投机构考证，把工程师嵌进客户现场这套打法，IT 服务公司比 Palantir 做得更早——这个争议先按下不表，第 7 章会带着数据回来。
1.3 什么是 FDE
一句话定义
本书采用的定义，来自这个模式最好的阐释者鲍勃·麦格鲁——他早年在 PayPal 做工程师，后来是 Palantir 早期高管，再后来是 OpenAI 首席研究官，ChatGPT、GPT-4 都出自他领导的团队：
前线部署工程师，是一个驻扎在客户现场、填补「产品能做的事」与「客户需要的事」之间鸿沟的工程师。
「驻扎现场」，说的是你的工作语境嵌进客户那里：进客户的群，读客户的数据，开客户的会，认识那个「知道流程为什么是这样」的人——不一定天天坐客户办公室。「鸿沟」是这个角色存在的理由：产品开箱即用的地方，不需要你；鸿沟越深的地方，越需要你——情报、金融、制造、医疗、法律。
「工程师」是最要紧的限定词：你写的是生产环境的代码，不是报告。Palantir 命名时特意保留「软件工程师」几个字，就是向世界强调：这不是咨询岗。至于「Forward Deployed」，是军事术语，指部署在前线的部队——把最有战斗力的人，放在离问题最近的地方。
它不是什么
先看它不是什么。
它不是售前。售前的工作在签约前结束，目标是赢单，作品是幻灯片；FDE 的工作在签约后才进入深水区，目标是赢结果，作品是跑在生产环境里的系统。售前负责让客户相信「这事能成」，FDE 负责让这事真的成。
它也不是驻场外包——这个区分对中国读者尤其要紧，「工程师驻场」在国内有太长、也太不堪的历史。国内第一批打出 FDE 旗号的服务商启盟科技，在官网用三句话划清了它和驻场的界限：
- 驻场按工时算钱，FDE 按阶段交付、按结果验收；
- 驻场从零现写，FDE 带着产品底座来做工程；
- 驻场越驻越久、人走系统停，FDE 做完会走，能力留在系统和客户团队里。
硅谷人工智能客服公司 Cresta 的 FDE 负责人 Jove，在一场视频对谈里把这条边界讲得更细。他的团队今年要从 30 人扩到 100 人，而他的判断是：FDE 必须绑定在一个人工智能平台上才有意义——如果只是做传统的数据对接和系统搭建，那跟传统实施工程师或外包就很难区分。他招人还有一条硬杠：智能体时代，不会写代码就像文盲。
另一个值得注意的机制是双重职责：FDE 不光要把部署做成功，还背着「让产品变得更成熟」的指标——现场学回来的东西，必须反哺平台。（出处见附录 C）
它不是咨询顾问。顾问按项目交付建议，对执行不负责；FDE 对系统的最终运转负责，终点是「客户团队能独立使用」。Anthropic 与金融科技公司 FIS 的合作是个标本：工程师嵌入 FIS 共建反洗钱智能体，把调查从几小时压到几分钟，但合作写明的目标不是交系统，而是「转移知识，让 FIS 以后能自己建智能体」。顾问的生意建立在客户持续的需要上；FDE 干没干成，标准正好反过来——客户哪天不再需要你，才说明你干成了。
买方心里也是这么算账的，摩根大通的一位技术负责人在谈与平台厂商的共建时说得很直白：「我们要的不是更多顾问，是能造出还不存在的东西的工程师。」
它也不是传统产品工程师。产品工程师面对抽象的用户——画像（用户长什么样）、漏斗（多少人从访问走到付费）、日活跃用户数；FDE 面对具体的客户——一家银行的风控部、爱荷华州的农场、巴格达郊外的巡逻队。Palantir 官方博客的《Dev versus Delta》（开发工程师对三角洲）一文里，有对这对角色的官方划分：平台工程师负责「一种能力，服务多个客户」，前线部署工程师（内部代号「三角洲」）负责「一个客户，调动多种能力」。平台工程师追求的，是一个功能到处能用；FDE 追求的，是先把眼前这一个客户的问题彻底解决。
在 Palantir 干了近八年前线部署的纳比尔·库雷希（Nabeel Qureshi），把这条纪律讲成一句糙话：「去他的可泛化性」——先把眼前这个客户救活，能不能复用到下一家，是平台团队的事。
这股风是怎么刮起来的
一个 2003 年就发明的角色，凭什么 2025 年才成了顶流？
最直接的导火索，是生成式人工智能。大模型制造了一种前所未有的落差：任何人五分钟就能做出惊艳的演示，可把演示接进企业真实的数据、权限、合规和工作流，难出一个数量级。模型公司们陆续想明白：接下来的胜负手，在部署能力上。一家物流人工智能公司的部署负责人说得更直白：人工智能落地，很少败在模型，几乎都败在上下文。
需求侧的投票同样直白。高盛把自研的人工智能助手铺向全行，内测阶段就覆盖了上万名员工；Klarna 的人工智能客服上线第一个月，就接下了三分之二的客服会话；连大学都在行动——雪城大学把 Claude 开放给全校师生，而且要求先完成培训、再开通账号。
这阵风也不是一夜刮起来的。早在 2025 年 7 月，Semafor 就发文断言，这个「名字平平无奇的岗位」将改变人工智能行业。
数字勾勒出曲线的陡峭：据招聘平台 Indeed 的官方统计，2025 年 4 月，全美挂着 FDE 头衔的岗位只有 643 个；一年之后，变成 5,330 个（Indeed 的职位匹配口径），涨了 729%。其他机构的口径更夸张——800%、1,165%，统计方法各异，方向却完全一致。YC 招聘板上，一百多家创业公司挂出这个三年前几乎不存在的职位。
风投机构 a16z（安德森·霍洛维茨基金）直接称它为「科技行业最热门的岗位」，还配了个传神的比喻：企业买人工智能，就像你奶奶拿到一部 iPhone——她想用，但需要你帮她设置好。
《金融时报》2025 年 11 月的一组报道，是观察这场风潮最好的切片。OpenAI 欧洲区前线部署负责人富尼耶说，团队一年前才成立，马上要扩到 50 人，「需求超出了我们的预期」；Anthropic 的应用人工智能负责人德容说得更有趣：「一家财富五百强银行的需求，和一家人工智能原生创业公司，完全是两个物种。」——所以她的团队一年扩五倍。Palantir 英国的负责人普雷特约翰把公司信条浓缩成一句：「软件只有当它对最终客户真的有意义时才有价值。」连模型公司 Cohere 的首席执行官戈麦斯也出来站台：「我们在合同一开始就嵌入工程师，等客户跑顺了再往后撤。」（出处见附录 C）
抢人的烈度还有一串硬指标。OpenAI 的前线部署职能是 2025 年 1 月由科林·贾维斯在社交媒体上官宣成立的，使命只有一句话：「帮客户把系统推进生产环境」；团队从 2 个人起步，一年涨到 52 人。把「不自己做实施」写进教科书的 Salesforce，公开承诺要招 1000 名 FDE；谷歌云一次放出 59 个岗位，首席执行官库里安亲自上网喊话，招「想站在智能体时代中心的建造者」；Box 的首席执行官莱维则公开断言，这将成为科技行业最抢手的职位之一。
Databricks 做得更彻底，把原来的专业服务部门整体改组成 FDE 组织，十二个月服务了 1,900 多个客户。连卖咨询为生的德勤，都在 2025 年 12 月成立了专门的 FDE 业务线。欧洲也没闲着——从 Mistral 到 Lovable，明星创业公司的招聘重心，正从研究人才转向部署人才。（出处见附录 C）
这股风甚至刮进了政府的视野。2025 年底，上海办了全国第一个 FDE 专题培训班，市委组织部、市经信委等六家单位联合出面。有意思的是第一期的学员构成：不是工程师，而是市属国企和重点行业主管部门的负责人——先训需求方，再训供给方。配套工程的目标同样直白：链接百家企业、打造千个智能体、带动万名开发者转型。
官方给这个岗位的定调，是「人工智能领域的特种兵」。一个岗位火到政府出面办培训班，这在软件行业的历史上并不多见。
然后是巨头们的用脚投票。2026 年 5 月 11 日，OpenAI 宣布成立「部署公司」：自己控股，联合 TPG、贝恩资本、博枫等 19 家顶级资本，初始投资超 40 亿美元，媒体披露投前估值约 100 亿美元，顺手收购了一家有 150 名部署工程师的咨询公司。几小时后，Anthropic 被曝出与黑石集团组建对标的合资公司。两家最大的模型公司，在同一天把「部署」从成本中心升格为战略资产——资本市场用最贵的方式，给 FDE 投了票。
资本市场为什么愿意这样投票？风投机构 Foundation Capital 把账算得很开：他们估计，这波浪潮瞄准的是一个 4.6 万亿美元量级的市场——一半是企业付给销售、营销、工程等岗位的薪酬，一半是 IT 服务与外包的支出。换句话说，软件的收费对象正在从「工具预算」换成「人力预算」。用 a16z 的话说：软件不再只是帮工人干活，软件自己就是工人。
当然，也有冷静的质疑。《华尔街日报》在报道里把问题摆上了桌面：这套打法更像咨询，而不是软件；嵌入式人才太贵，能不能规模化，还是悬案。这是一个认真的质疑——本书第 7 章会正面回应它。
最深的一层原因，还是麦格鲁看得透：「人工智能智能体是个还没有霸主的品类，所以有海量的产品发现要做。」客户管理软件该长什么样，二十年前就有标准答案；智能体该长什么样，没人知道，包括客户自己。答案只能去客户现场找。麦格鲁在红杉资本的 Training Data 播客里把话说得更白：Palantir 的人工智能平台之所以值钱，恰恰因为它不是模型，而是长在「模型之外、和企业其余部分打交道」的那一层——模型越强，这一层越值钱。
科技分析师本·汤普森提供了一个更长的历史坐标：多年期、深嵌入的交付，不是 Palantir 的怪癖，而是软件业向四十年前常态的回归——他的判断是，服务与集成团队将全面回归，这一代人工智能公司必须学会从客户的顶层往下卖。
2003 年，Palantir 因为「不知道间谍怎么工作」发明了 FDE；2025 年，整个行业因为「不知道企业里的智能体该怎么工作」而集体拥抱 FDE。
1.4 FDE 的职责和特质
一份为这个岗位而生的履历
如果要回答「FDE 是一种怎样的职业」，麦格鲁的履历几乎就是标准答案。
他的第一份工作在 PayPal，早期工程师。那批人后来被称为「PayPal 黑帮」，深刻塑造了整个硅谷。离开之后他加入初创期的 Palantir，一路做到高管，亲历了 FDE 从应急之举变成公司战略的全过程。他管产品与工程团队时提过一个著名的比喻：前线部署工程师在客户现场修出一条条通往价值的「砾石路」，产品团队负责判断哪些砾石路值得拓宽硬化，变成服务下十个客户的「高速公路」。他后来用一句话概括整个模式：把不可规模化的事，规模化地做。
再往后，他出任 OpenAI 首席研究官，领导了 ChatGPT、GPT-4 和 o1 推理模型的研发。换句话说，这个人既造过墙这边的平台，也翻过墙那边的现场，最后还亲手造出了把这堵墙垒得更高的技术本身。
有趣的一幕发生在 2025 年 YC 的一场人工智能大会上。麦格鲁原以为创业者会围着他问「怎么发明的 ChatGPT」，结果所有人追着问的都是同一个问题：Palantir 的 FDE 模式到底是怎么运作的？一个发明了 ChatGPT 的人，被追问最多的是交付方法论。
三层特质
综合二十余份各家招聘启事和从业者的现身说法，FDE 的特质可以归纳成三层。
第一层，足够宽的技术通才。FDE 不需要是某个领域最深的专家，但必须能在客户现场独立解决全栈（从界面到数据库一个人包办）问题：写得了代码，调得了接口，懂数据管道，能上云，摸得准大模型的脾气，还得懂企业环境的「水电煤」——单点登录（一次登录、处处通行）、权限、合规认证。招聘市场对这种组合有明码标价：GetPerspective 2026 年初发布的《前线部署工程师薪酬报告》显示，头部人工智能实验室的中级 FDE，年总薪酬中位数约 38.5 万美元，资深约 61 万，首席过百万——比同级多数纯研发岗位还高，因为市场知道这种人多稀缺。（出处见附录 C）
第二层，把技术翻译成业务结果的能力。这是 FDE 与普通工程师的分水岭。一位一线从业者的话被广泛引用：「模型通常是最干净的部分。难的是找到那个没人写进文档的工作流、人们真正信任的那个数据源、以及知道流程为什么是那样的那个人。」Palantir 的招聘标准说得更直白：「候选人的表达力、清晰度和沟通自如度，要让我乐于让他主持一场与客户的会议。」
面试也在筛这种翻译能力。OpenAI 和 Palantir 的 FDE 面试有个标志性环节叫「问题拆解」：抛给你一个巨大而模糊的真实企业问题，六十分钟不写一行代码，只看你怎么追问、怎么界定范围、怎么在混乱里建立秩序。面试官的忠告是：先理解问题再跳进去——慢就是顺，顺就是快。普通面试里「我把查询优化了 40%」是满分答案；FDE 面试里的满分答案是：「我把查询优化了 40%，这让客户的分析师每天提前两小时拿到报表，团队处理量翻了三倍。」技术成就必须换算成客户语言。
第三层，主人翁意识，外加一点「叛逆」。从业者圈子里流传一句话，专门描述这个岗位要求的担当：「部署在凌晨两点挂了。你不提工单，不怪别的团队，不回去睡觉。你修好它。句号。」Palantir 对业务侧角色还有个更微妙的期待：既要有深厚的行业知识，又要敢当「叛逆者」——看得出客户现状的荒谬之处，敢推动十倍级、而不是百分之十的改良。首席执行官卡普当年定的行为标杆是「法国侍者」：嵌在服务流程里，对真实需求敏感，同时有足够的自信与品位，把客户从「他们以为自己要的」，引导到「真正对他们好的」。
一天怎么过
落到日常，FDE 的时间大致这么分：四到五成泡在客户侧写代码调系统，两三成和客户管理层对齐方向、拆问题、做架构决策，一两成把现场学到的模式沉淀回公司产品线，剩下是评估优化和知识分享——写打法手册、内部布道、培训客户团队。
这份时间表里藏着一个重要信息：FDE 不是「被外派的工程师」，而是「带着双向使命的工程师」——一头向客户交付结果，一头向公司输送情报。这也是接下来两节的主题。
1.5 一切用结果说话
如果要用一句话概括 FDE 的工作信条，那就是：一切用结果说话。Palantir 高管梅布里把它拆成两个朴素的追问：「它真的管用吗？它真的要紧吗？」——按他的说法，FDE 模式是公司「最大的秘密之一」。
先把「数据」和「结果」分清楚。企业软件史上从来不缺数据好看、结果糟糕的项目：功能清单百分之百打勾，但用的人只有百分之五；系统可用性四个九（99.99% 的时间在线），业务部门却宁愿继续用电子表格。麻省理工那份报告里 95% 的失败项目，绝大多数不缺数据报表——数字都在，而价值没来，因为没人对「财务报表上那行数字」负责。
FDE 模式从制度上保证「结果」不被稀释，具体靠三件事。
收钱方式向结果靠拢： Palantir 早年做政府项目，就大量采用「做成了才付钱」的安排。麦格鲁回忆起来很直白：「早期，创业公司自己承担全部风险是合理的——做成了你再付我们。」这套逻辑在人工智能时代演化得更精细：Sierra 按「已解决的会话」收费，不解决不收钱；不少 FDE 服务商按阶段交付、按结果验收。收费一旦与结果绑定，交付团队的全部行为都会重新排序——你不会再花三周打磨一个没人用的功能，因为「没人用」要你自己买单。平台厂商也在跟进：Databricks 在官方交付模式里，写进了按里程碑、与结果对齐的定价选项。
成功度量前置到开工之前： FDE 项目的第一步不是写代码，是和客户一起定义「什么叫成」。Palantir 的训练营要求客户先锁定一个极其聚焦的核心战场——「把某条产线的排产冲突降 30%」，而不是「探索人工智能赋能制造」——就是为了防止项目在「探索」的名义下漂向不可证伪。OpenAI 与约翰迪尔的合作是教科书示范：先和农艺专家一起评审数百个真实作业案例，建起定制评估体系，然后才开始迭代模型。最终「化学品使用减少最高 70%」这个数字，不是事后包装的宣传口径，是开工前就定好的靶子。
最终裁判是客户组织的行为改变： 那份报告里有个辛辣的发现：只有约四成企业为员工提供官方的人工智能工具订阅，而多达九成员工，日常在用个人消费级产品解决工作问题。这意味着大量「成功上线」的项目，实际处于「官方系统空转、员工绕道而行」的状态。FDE 哲学里，里程碑不在系统上线那天，在客户团队改变工作方式那天。Sierra 内部刻意把岗位命名为「智能体工程师」，负责人默勒解释选材标准时说：只接两类问题——真的难的，和真的有业务影响的，二者必须同时成立。
「一切用结果说话」听起来是常识，执行起来却是对整个利益结构的冒犯：1）销售不敢过度承诺了，因为交付团队要为结果负责；2）客户信息部门没法用「功能清单」交差了，因为业务部门的使用率成了验收标准；3）FDE 自己也没法用「我按需求做完了」免责，因为需求本身的对错也算他的账。这个角色为什么贵，又为什么值得贵，原因都在这里。
1.6 FDE 在团队里的四张面孔
一个 FDE 同时活在四个世界里，他是这四个世界的连接件。
对客户，他是「嵌入式产品经理 + 全栈工程师」： 既像人类学家一样观察客户的真实工作——最有价值的发现往往来自「看」，不是「问」——又像创业者一样在观察现场直接动手做出来。Palantir 把这个双人组合制度化：部署战略师（Deployment Strategist，内部代号「回声」）负责读懂客户的使命、各相关方和采纳路径，前线部署工程师（内部代号「三角洲」）负责技术实现。两人一组，一个诊断，一个建造，缺一不可。
对公司产品线，他是「前哨与情报官」： 这是 FDE 与传统交付团队最本质的区别。传统实施的成本是销售成本，花出去的每个人天（按人头按天计费）都要从合同里挣回来；健康的 FDE 组织把现场工作当研发——三个客户撞上同一个集成缺口，那不是三桩麻烦，那是一条产品情报；五个部署都需要同一种工作流，那就该抽象成平台的下一个标准能力。前 Palantir 工程师 Barry 回忆，Foundry 平台的关键组件诞生于苏黎世、休斯顿、圣保罗、图卢兹等天南海北的客户现场，自下而上长成，最后反哺为年收入数十亿美元的产品。（出处见附录 C）
对销售： 企业客户被辜负过太多次，对一切幻灯片免疫。FDE 用两个动作重建信任：一是动手，在客户自己的数据上、客户自己的环境里，当场做出能跑的东西；二是诚实，敢对客户的错误前提说不。Palantir 的训练营把这种信任生产流程化了：客户带真实数据来，一到五天做出能部署的原型，高管亲手点着用。早期训练营的付费转化率只有 5% 到 10%，而公司披露的后期转化率已接近 75%。（出处见附录 C）
对组织本身： Palantir 走出了密度惊人的创业者群体——Lenny's Podcast 的访谈给出过一个数字，将近三分之一的产品经理，离职后自己创了业。这不奇怪——FDE 的日常训练，就是在资源受限、需求模糊、各方关系复杂的环境里，端到端把一个有价值的东西做出来并让人用起来，几乎就是创始人训练的完整预演。后来创办 Decagon 的斯里尼瓦斯、组建 Sierra 智能体工程团队的默勒、写下这个行业流传最广的方法论文章的几位作者，都是从 Palantir 的前线部署岗位走出来的。一家公司的人才外溢，变成了一整个行业的人才基础设施。（出处见附录 C）
这四重身份合起来，是一件事：组织了解客户的方式变了——从层层转述的二手信息，变成工程师在现场亲手摸到的一手经验。
1.7 如何招聘 FDE
先泼一盆冷水：FDE 是软件行业最难招的岗位之一，因为它要求一个人在两个通常此消彼长的维度上同时优秀。
前 Palantir 工程师 Barry 在回忆文章里把这件事说透了：Palantir 招 FDE 的标准，是「能进谷歌或脸书的工程师」——因为他们是去客户现场建造系统的，不是去调参数的；但光有技术远远不够，前线部署的人还需要创造力、判断力和面对客户的魅力。他补了一句扎心的：这比招一支传统的售前团队，昂贵和困难得多。
拆解招聘市场的实践，FDE 招聘有三个关键环节。
候选人画像： 招「好奇的推土机」，不招「精致的工匠」。a16z 给创业公司的建议用了「充满好奇心的实干家」这个词：主观能动性强、对现状缺乏敬意、对客户的问题有饥饿感。麦格鲁说得更具体：FDE 团队要两种人——「领域叛逆者」：懂行业但不迷信行业惯例；「原型快手」：速度优先于完美，接受第一版要扔掉重写。反过来，两类在传统工程文化里受宠的人，反而是 FDE 岗位的危险信号：把代码优雅置于客户结果之上的「工匠」，和把客户每句话当圣旨的「忠诚执行者」。Palantir 早年干脆把筛选器装在漏斗最外面：高调拥抱国防业务、薪水低于市场、工时长得吓人——库雷希管这叫「蝙蝠信号」，只对同类有效。
面试： 用「问题拆解」代替八股。前面提过，这个环节是 FDE 面试的灵魂：给候选人一个模糊、庞大、带着真实业务毛边的问题——「某银行合规团队每天人工核对三万条交易告警，九成是虚惊，你怎么办」——然后观察六十分钟。考察的不是答案，是过程：先问清约束再动手没有，区分根因与症状没有，记不记得系统另一端坐着一个真实用户，能不能清楚地讲出取舍。Palantir 还会在每个技术轮里嵌入约二十分钟的行为问题，并且明确会拒掉技术很强但文化不合的候选人——文化项里最重要的一条，是面对模糊时的秩序感。
薪酬结构： 接受「工程师薪酬 + 与公司经营指标挂钩的浮动奖金」的混合结构。2026 年初的市场数据可以作锚点：Palantir 前线部署工程师年总薪酬中位数约 21.5 万美元；头部人工智能实验室中级 FDE 约 38.5 万，资深约 61 万；Anthropic 的岗位底薪在 20 到 30 万美元之间。另一个值得注意的细节是奖金设计：Palantir 的奖金常与客户扩展等经营指标挂钩，介于工程奖金与销售佣金之间；a16z 的建议则是激励与客户经理对齐，但别让 FDE 背硬性销售指标——那会把行为引向签单，而不是结果。一位扒了五十份招聘启事的作者，给出一块更简单的试金石：看这个岗位的薪酬包里有没有销售提成——提成占比高的，多半是售前换了个时髦头衔。薪酬结构也是角色定义的一部分：给钱的方式，会影响人的行为。（出处见附录 C）
1.8 如何成为 FDE
换个视角：如果你是一个工程师、产品经理或顾问，想进入这个高速增长的市场，路怎么走？
先自测：这个岗位的光鲜与代价，是一体两面。论坛从业者社区里，对 FDE 的讨论有一种少见的诚实。正面的部分：技术含量和品牌背书的最佳组合，少数能同时积累技术、商业和客户资源的岗位。代价的部分：四分之一到一半的出差是常态，OpenAI 的招聘启事里明确写着出差最高可达 50%；工作节奏被客户的紧急程度、而不是自己的排期定义；还有一个反复出现的提醒——职业倦怠的风险是真实的。
有一条评论：「有人把它当品牌跳板，有人说它是挂着酷头衔的咨询，两种说法都对——区别在于，你所在的公司是把现场学习回流到产品，还是把你当人天在卖。」这句话既是择业标准，也是本书第 7 章的主题。（出处见附录 C）
再说国内的钱。前面那些美元薪酬，对多数中国读者只是背景音；2026 年上半年的国内招聘市场，已经给这个岗位标出了人民币价格：字节跳动给豆包的前线部署工程师开到 3.5 万到 7 万月薪、15 薪；蚂蚁数科 4 万到 6 万、15 薪；智谱的 FDE 负责人 6 万到 8 万；腾讯云 3.5 万到 6.5 万（这两家未披露薪数）；阿里云 2 万到 5 万、16 薪。折算成年包，这批岗位大致落在 30 万到 100 万元出头——「年薪百万」在头部岗位的高端够得着，但不是行业平均。（出处见附录 C）
同一头衔底下的价差，比层级差更值得看。一家唐山的工业软件公司招「人工智能交付工程师（FDE）」，要求硕士、驻场制造业，月薪 8000 到 1.6 万——和智谱的价差，最大相差近十倍。价差背后，是平台底座、客户质量、计价模式的差。所以看国内机会，别先看名片上有没有 FDE 三个字母，用本书第 8 章那把尺子量：这家公司按结果收钱，还是按人头收钱。
再练翻译：多数工程师的技术底子够用了，但稀缺的是「翻译」这门手艺——具体说是三种：把业务问题翻译成技术问题（第 2 章），把技术方案翻译成高管能懂的话（第 3 章），把现场经验翻译成团队能复用的知识（第 7 章）。练这三样，上课不如上场：跟一次售前、值一次驻场、给一个真实用户做培训，然后看自己在哪种不适里成长最快。
面试准备上，把履历改写成「客户结果导向」。原则前面说过，再强调一次：简历里的每个技术成就，都要走完到客户语言的最后一公里。「做了检索增强（RAG，让模型先查资料再回答）系统」是工程师语言；「做的检索增强系统让客服首次响应从 4 小时降到 8 分钟，续约时客户主动提出扩容」是 FDE 语言。同时备好两类故事：一次你在需求不清时建立秩序的经历，和一次诚实的失败——Palantir 系的面试官对「讲一个真实的失败」有执念，因为这个工作的本质就是在不确定中前进，不承认失败的人，没有进化能力。
选公司时，反问三个问题。一是「你们的产品平台是什么」——没有平台底座的 FDE，是纯人力外包。二是「现场学习怎么回流产品」——请对方讲一个最近从现场沉淀为产品功能的实例，讲不出来就有问题。三是「FDE 向谁汇报」——向产品或工程线汇报，通常意味着模式被认真对待；向销售线汇报，则要小心沦为售前的人力池。
上面这些，都是写给工程师的。不写代码的人呢？位置有，而且 Palantir 早就把它留好了：1.6 节那个双人组合里，代号「回声」的部署战略师，干的就不是写代码的活——读懂客户的使命、各相关方和采纳路径。沿着这条线往外看，第 4 章的变革管理、第 5 章的「培训培训师」机制、得物那种钻进业务团队搬运隐性经验的知识运营小组、第 3 章的技术内容营销，都是非工程背景的入场口。这些角色的共同要求，恰好是运营、咨询、内容出身的人的老本行：把人的事理顺。
最后一个问题，只能诚实回答：这条路能走多远？没人走完过。这个岗位太新，完整周期还没有样本，能看清的只有结构。消耗端是真实的——前面说的出差强度、被客户紧急程度定义的节奏，都会随年龄和家庭阶段变重。增值端也是真实的——客户信任、行业判断、跨组织的威望，恰恰都随工龄复利。
出口隐约有三条：1）回流产品线，把现场熬成平台的人是产品负责人的天然候选；2）自己创业，Palantir 出来的产品经理，将近三分之一离职后自己创了业；3）去甲方，读完第 8 章那些国企故事就知道，甲方最缺的恰恰是懂乙方套路的人。哪条成立，五年后才有答案。现在能确定的只有一句：这个职业给「熬」定价，但前提是你在一家把现场学习当资产的公司——否则熬出来的只是工龄。
1.9 FDE 的常用工具箱
最后，给出这个岗位当前的工具全景。工具会过时，但工具背后的能力分层不会。五层，从脚下到身后。
平台底座层。 FDE 模式成立的前提是「带着平台去现场」，否则就退化为定制开发。Palantir 的 Foundry 与 AIP，核心是那个叫「本体」的东西——把企业的数据、逻辑和动作建模成一套语义层，让人工智能在「懂业务」的地基上运行；OpenAI 的模型接口与智能体工具链；Sierra 的智能体平台。评估任何 FDE 机会时，这一层的厚度是第一优先级。
人工智能工程层。 2025 年后的日常手艺包括：提示词工程与上下文管理；检索增强（RAG）；评估体系：为模糊的业务质量建立可量化的标尺——这是人工智能时代 FDE 区别于传统实施工程师的标志性技能；智能体架构：工具调用、多智能体协作、关键环节留人把关；以及成本与速度的工程优化。
数据与集成层。 几乎所有 FDE 项目的第一周都在和这一层搏斗：数据管道、企业系统连接器、权限与身份认证、给人工智能查资料用的向量数据库、数据治理与脱敏（隐去敏感信息）。库雷希还有一条经验之谈：企业数据问题里，九成五是接入、清洗、关联，根本不是分析——项目进度的七成卡在这一层，但演示里看不见它。
交付与协作层。 在客户的安全边界内工作，意味着「双重适配」：既要会用自己的现代工具链，也要能屈身于客户的环境——可能是与互联网物理隔离的内网，可能只能在客户的云环境里部署，可能连代码托管网站都访问不了。容器化（把环境打包带走的技术）、基础设施即代码（用代码管理服务器环境）、以及「在断网的会议室里也能把环境跑起来」的应急预案，都属于这一层。
知识沉淀层。 这是最容易被忽视、但决定团队能否摆脱「收入随人头线性增长」的一层：打法手册、组件库、部署检查清单、以及把「某个客户的解法」改写为「一类客户的模式」的写作习惯。第 7 章会专门展开它。
五层工具箱合起来，就是这个岗位的完整轮廓：以平台为底座，以工程为手艺，对客户的结果负责，同时连着公司的产品线。
接下来的七章，我们进入方法论的腹地，从一个项目最原点的选择开始——怎么确保你在解决正确的问题。