打开招聘软件，搜一个你可能三个月前还没听过的词：FDE，Forward Deployed Engineer，前置部署工程师。

这几个月，OpenAI、Anthropic、Google Cloud 都在把工程师往客户现场推。国内也开始冒出 FDE、B 端 FDE、FDE 团队负责人这些岗位。配上的数字也够刺激：年薪百万、岗位暴涨、OpenAI 拿了 40 亿美元做部署公司。

热闹看完了，问题还在：这到底是不是一个值得你认真考虑的岗位？它是 AI 时代真正的新职业，还是把“售前 + 实施 + 客户经理 + 技术支持 + 驻场外包”打包成了一个英文名？

所以这篇不打算贩卖“年薪百万”的焦虑。先把那些容易传歪的数字一个个摆正，再来看这份工作真正的含金量在哪里。

先说几个最容易传歪的数字

第一，OpenAI 那 40 亿美元，不是拿来自养一批 FDE 的。

可核实的事实是：2026 年 5 月 11 日，OpenAI 宣布成立 OpenAI Deployment Company。它收购了应用 AI 咨询与工程公司 Tomoro，带进来大约 150 名 FDE 和部署专家。这个新公司由 OpenAI 控股，初始投资超过 40 亿美元，TPG 领投，Advent、Bain Capital、Brookfield 等共同参与，Capgemini、McKinsey 这些系统集成和咨询方也在里面。

这个差别很关键。它告诉我们的不是“OpenAI 钱多任性”，而是资本、咨询公司、系统集成商一起押注了一个判断：模型公司下一阶段的瓶颈，不在模型本身，而在怎么把模型真正接进真实企业里。

第二，岗位增长确实猛，但数字口径得区分清楚。

公开可查的数据已经足够夸张：Business Insider 引用 Indeed 数据说，FDE 岗位在 2026 年 4 月同比增长了大约 729%；WSJ 也报道过，2025 年 FDE 岗位发布量比 2024 年增长了超过 10 倍。

流传稿里常见的“LinkedIn 42 倍 / AI engineer 13 倍”，我没有找到公开的原始报告。这个数字不一定不存在，只是写文章时不能当硬证据直接放进去。能用的说法是：这个岗位从非常小众变成显性需求，但具体倍数，得看平台、基线和统计区间。

第三，那个“6 周做出 2000 万美元产品”的故事，查不到原文。

这句话常被安到 Palantir 前工程师 Nabeel Qureshi 头上。但翻了他 2024 年那篇《Reflections on Palantir》，找不到这句话。原文能支撑的是：他第一个大项目是 Airbus，搬到法国图卢兹待了一年，每周有四天在 A350 总装线附近工作，现场和业务贴得非常近。

这个故事本身的强度已经足够说明 FDE 的工作状态了，不需要再加一个查不到来源的热血数字。

时机：模型终于要拿去赚钱了

过去几年，行业把大多数注意力放在“把模型做强”上。但模型能力到了一个阶段之后，客户真正关心的问题变了。

不是“你这个模型 benchmark 多少分”，而是：

• 能接我的权限系统吗？
• 能读我的历史数据吗？
• 能过合规和审计吗？
• 能真的替我省钱、增收、提效吗？

这个问题，业内叫 deployment gap，部署鸿沟。模型在 demo 里无所不能，一进企业真实环境，就撞上几百个 Excel、扫描 PDF、跨部门权限、历史系统、合规流程，还有说不清需求的业务方。

OpenAI FDE 负责人 Colin Jarvis 在公开访谈里表达得很直白：ChatGPT 出来以后，客户很兴奋，但很难真正从模型里拿到价值。唯一稳定有效的方法，就是把工程师嵌进客户现场，理解他们的工作流，和客户一起把系统做到生产里去。

FDE 到底干什么？写代码只是基本功

Palantir 是这个岗位的发源地。Nabeel 写过，Palantir 的 FDE 经常一周三四天在客户现场，先飞过去，再在现场搞清楚到底要解决什么问题。

听起来是工程师，但它不是纯写代码。它更像一个三合一的角色：

• 工程师：把模型、数据、工具、权限、业务系统接起来。
• 产品经理：把客户说不清的需求，翻译成可交付的系统。
• 业务现场人：在客户组织的部门墙、流程墙、合规墙里，把事情推进去。

真正难的不是写一个 demo，而是拿到数据、搞清权限、说服业务方、让系统进入日常流程。FDE 的价值就在这里：它不是把模型卖出去，而是让模型真的被用起来。

真 FDE 和高级驻场外包，只隔一层窗户纸

判断一个 FDE 岗位值不值得去，不要先看头衔，也不要先看薪资。先问一个核心问题：

真 FDE：按结果或订阅收钱，客户成功后公司能复用这套经验。客户的痛点会回流成产品能力、平台原语、标准方案。个人积累的是可迁移的判断力——怎么拆问题、怎么接系统、怎么做取舍。

换皮驻场：按人天收钱，多驻一天多收一天。成果留在了单一客户那里，人一走系统就没人能维护。个人积累的是某个客户的专属知识，离开这个场景就折价。

这也是国内最大的风险。美国企业软件和订阅制更成熟，FDE 的成本更容易摊进经常性收入里；国内很多项目天然就是按人天、按驻场、按定制来结算。你很可能会被推成一个“高级实施”。

这不是个人能力的问题，是商业土壤的问题。

Klarna 是最好的提醒：一个案例，两面都要看

很多人把 Klarna 当成 AI 客服成功样板。它确实高调：2024 年 2 月，Klarna 宣布 OpenAI 驱动的 AI assistant 首月处理了 230 万次对话，承担了大约 700 名全职客服的等量工作，覆盖了约三分之二的客服咨询，预计带来 4000 万美元的利润改善。

但后面还有另一面。2025 年，Klarna CEO 又强调，在 AI 世界里没有什么比人更有价值，并承认过度以成本为导向会带来服务质量问题，开始重新投资人类客服。

这正是 FDE 该存在的地方：不是把人从流程里粗暴拿掉，而是重新设计人、系统和模型之间的分工。

国内薪资怎么看？别只盯着那个“年薪百万”

国内流传稿里有一组薪资数据：字节豆包 FDE、蚂蚁数科 B 端 FDE、智谱 FDE 负责人，月薪动辄几万到八万。但我暂时没有核实到官方 JD 或公开原始媒体页面。这些可以当线索，但不能当铁证。

从 BOSS 直聘的公开搜索可以看到 AI FDE 的两个锚点，分别是新石器慧通和蚂蚁集团放出的职位：

• 资深 IC：35-55K·13 薪，杭州，5-10 年，本科。
• 团队负责人 P9：80-110K·15 薪，北京/上海/杭州，10 年以上，要求金融、医疗、能源行业的 AI 技术或产品背景。

这比“年薪百万”四个字更有信息量。它要找的不是应届生，不是纯算法，也不是只会写代码的人——而是在传统行业里真正趟过 AI 落地、既懂技术又懂业务的人。

如果你正好来自金融、保险、医疗、能源、制造这些行业，又做过 AI 项目，这波 FDE 热跟你的关系，比你以为的要近得多。

从行业全局来看，几个判断比较清晰

第一，FDE 是部署鸿沟窗口期的岗位。当产品还没成熟、客户场景高度混乱、模型能力又刚好能产生价值的时候，它会变得很贵。等产品成熟、工具链完善，它会从核心岗回落成过渡岗，但不会消失。

第二，真正的赢家会把 FDE 当成产品雷达。客户现场不是服务收入的池子，而是产品发现系统。谁能强制把客户痛点沉淀成产品，谁就能越做越轻。反过来，把 FDE 当成外包利润中心，就会越做越重。

第三，AI coding 和 agent 会吃掉一部分管道工的工作。自动接数据、自动生成集成代码、自动做验证，这些会提高单个 FDE 的杠杆。所以岗位人数未必无限扩张，但头部 FDE 反而可能更稀缺。

第四，中国会更容易滑向高级驻场外包。原因不是工程师不行，而是计价方式、信任结构、甲方成熟度和 SaaS 土壤不同。名字可以抄 Palantir，但落地很可能还是出差、驻场、陪跑的老路子。

最后，想转 FDE 的人可以记住三句话

第一，别因为一篇“年薪百万”的稿子就改简历。高薪背后对应的是高出差、高沟通消耗、高不确定性，以及被客户锁定的风险。

第二，判断一个 FDE 岗是真是假，只问一句话：你做出来的东西，会进入公司的产品，还是只留在了那个客户那里？

第三，真正稀缺的不是 FDE 这个头衔，而是它练出来的那身能力：在模糊的需求里挖出真问题，在真实的约束里把系统做出来，穿过组织的部门墙，把混乱变成可复用的方案。

今天就做的一件事

找一个你最近接触过的、号称要“用 AI 改造”的真实业务场景。你自己的公司也行，客户现场也行。然后只回答一个问题：

这个场景目前最缺的，是一个更强的模型，还是一个能把模型用起来的人？

如果答案是后者，那你刚刚看见的，就是 FDE 真正在解决的问题。