FDE岗位远非仅技术活，真正决定AI能否成功落地的，关键在于深度挖掘客户自己也难以言明的“暗线”需求。

核心内容：

1. FDE核心职责：深入业务现场，发现潜在需求并交付可稳定运行的系统

2. 区分“明线”与“暗线”：客户表面需求与决定项目成败的深层因素

3. 成功交付关键：听懂业务语言、精准界定问题并推动实际应用

FDE · 业务翻译

从事FDE一年多，我深刻认识到AI项目最难的并非技术本身

客户口头表达的是明线需求，而真正决定AI能否落地的，往往隐藏在不易察觉的暗线之中。

近期，FDE（Forward Deployed Engineer）岗位骤然升温。OpenAI的全球招聘页面，从旧金山、纽约、西雅图，到伦敦、东京、新加坡，均可见其FDE职位招聘信息。

目睹这些讨论，我不禁感慨。当业界开始为这份工作赋予正式名称时，我已在企业一线实践FDE职责超过一年。

在这一年多里，我先后为央企、外贸企业、连锁餐饮集团及出海企业成功交付了AI项目。从初次需求会议，到业务拆解、资料整理、系统搭建、员工培训，直至项目上线后的持续迭代优化，完整经历了FDE工作的全流程。

因此，我可以肯定地说，FDE岗位的价值将持续攀升。但其核心价值，与多数人的理解有所不同。它并非取决于编写代码的能力，或一夜之间搭建多少个Agent。

技术能力固然重要，官方岗位说明甚至明确要求FDE需具备参与生产级代码与完整系统交付的能力。然而，技术更像是一张入场券，真正拉开差距的是一项更核心的能力：深入企业内部，挖掘出客户自身都难以清晰表述的问题，并将其转化为AI可执行的任务。

我将此过程划分为两条线：客户口头表述的是明线需求，而真正决定项目成败的，则是深藏其后的暗线需求。

先说结论

客户明确提出的需求仅为明线，而真正决定AI能否成功落地的核心要素，往往隐藏在那条不易察觉的暗线之中。

01 什么是FDE

FDE并非技术外包，而是将AI深度融入业务现场

FDE的全称是Forward Deployed Engineer。这个名称听起来技术性很强，但简单理解，就是FDE不只坐在模型公司里研究技术能力，而是直接进驻客户的业务现场，与客户并肩协作，将AI打造成可实际运行的系统。

OpenAI对FDE岗位的描述非常全面。FDE需负责需求发现、技术范围界定、系统设计、开发及生产上线，并须以真实采用率、工作流影响和评测反馈来衡量最终成果。代码编写仅占其中一部分，前期需深入理解业务逻辑，后期还需推动系统真正被使用。

因此，我不愿将FDE简单理解为高级程序员，也不认为它仅仅是售前、顾问或项目经理换了个新名称。FDE站在业务与技术之间，既要听懂两边的语言，也要承担起两边的责任。

当客户表示想要一个智能体时，你不能只询问使用哪个模型。你还需了解谁将使用它、资料从何而来、什么情况算回答正确、出错时由谁负责、接入现有系统后是否真的有人会打开。FDE交付的并非一个演示，而是一项可持续运行的工作。

▲ OpenAI官方FDE岗位说明：需求发现、系统交付与业务结果并重

02 明线

客户说出口的需求，通常只是明线

这一年多来，我听到过许多企业表达AI需求。例如，想做知识库、想搭建智能客服、想让AI撰写内容、想让员工学会使用豆包和DeepSeek、想实现周报、表格和客户资料的自动处理。

这些表达本身没有错，但问题在于它们往往已经自带一个现成的答案。客户尚未将核心问题阐述清楚，便已决定要做知识库、智能体或自动化。FDE若直接按此说法开工，很容易将客户的方案误认为是客户的需求。

我将这类能在会议上直接说出、也能写进项目清单的诉求称为明线。它有明确的名称、有交付物，看起来清晰明了，双方也最容易围绕它讨论功能、时间和价格。

麻烦恰恰出在这里。明线越具体，项目团队越容易产生一种错觉，认为需求已经明确。于是大家开始选模型、画架构、搭页面，等到系统开发完成后才发现，员工不用、数据不对、结果无人敢签字确认。

许多AI项目并非做不出来，而是从一开始就做错了问题。

关键要点

许多AI项目并非做不出来，而是从一开始就做错了问题。

▲ 客户表达的明线需求，仅为完整需求全貌的一部分

03 暗线

真正决定项目成败的，是隐藏在底层的暗线

明线之下，通常压着一条暗线。它并非客户故意隐瞒，而是因为许多业务规则已经内化为习惯，连客户自身也难以一次性讲清楚。

客户说想做知识库，明线是把资料放进去，让员工可以提问。暗线可能是同一件事情不同部门有三个版本，也可能是关键经验只存在于几位老员工脑中，管理者真正担心的是人一旦离开，经验也随之流失。

客户说想做智能客服，明线是让AI自动回复客户问题。暗线可能是售后、销售和运营的口径从未统一，遇到退款、投诉和特殊客户时，谁有权决策也没有写入任何流程。AI一旦接手，只会将原有的混乱放大。

客户说想让AI撰写内容，明线是提高内容产量。暗线可能是企业连内容到底写给谁、产品凭什么被客户选择、哪些表达不能出现都尚未确定。此时让AI一天生成一百篇，只是更快地产出一百篇无人负责的内容。

暗线藏在企业真正害怕的结果里，藏在异常情况里，藏在老员工那句“这个要看情况”里，也藏在部门之间默认但没有写明的责任边界里。大家都懂，但AI不懂。

因此，FDE真正值钱的能力，不是听见客户要什么，而是继续往下追问：他为什么现在要做这件事，他最怕什么，谁来负责判断，什么结果才算真正解决。

▲ 同一表面需求背后，可能隐藏着截然不同的业务任务

04 五个问题

暗线不是靠猜测，要靠五个问题挖掘出来

挖掘暗线并非坐在会议室里展示自己多懂行业，也不是听两句话就替客户下结论。最有效的方法，反而是回到真实工作场景，跟着一次任务从头走到尾。

现在面对一个AI需求，我通常会连续问五个问题：现在这项工作到底由谁完成？最耗时间和最容易出错的地方在哪里？如果没有解决，公司最担心发生什么？老员工依据什么来判断对错？AI做完以后，又由谁按照什么标准来验收？

第一个问题帮你找到真实岗位，第二个问题找到流程卡点，第三个问题找到业务风险，第四个问题挖出专家经验，第五个问题决定AI能否上线。这五个问题问完，客户最初说的那句话往往会变成另一项完全不同的任务。

想做知识库，可能会变成统一产品口径和权限。想做智能客服，可能会变成先整理异常处理规则。想做内容自动化，可能会变成先确定客户画像、产品卖点和审核标准。

这一步很慢，也没有搭出一个漂亮界面那么容易展示。但项目后期能否少返工、员工是否会抵触、管理者敢不敢把真实业务交给AI，往往在这里已经决定了大部分。

客户给你的通常是一个答案，FDE要重新找到那个问题。

关键要点

客户给你的通常是一个答案，FDE要重新找到那个问题。

▲ 通过五个关键问题，从真实业务场景中挖掘暗线需求

05 翻译

从暗线到AI，中间要完成四次翻译

暗线挖掘出来还不够，它们仍然是一堆业务语言、经验判断和风险担忧，AI无法直接执行。FDE接下来要做的，是将这堆内容连续翻译四次。

第一次，把客户的表达翻译成业务目标。不是做一个知识库，而是让新人可以在十分钟内找到统一答案。不是做自动周报，而是让负责人每天都能看到异常，且数据来源可追溯。

第二次，把业务目标翻译成判断规则。AI要读取哪些资料，遇到哪些情况必须拒绝回答，哪些结果需要引用来源，哪些异常必须转交给人工处理，谁有权修改规则，这些都需要被明确写清楚。

第三次，把判断规则翻译成工作流程。此时才轮到选择Kimi、Claude、GPT或国产模型，再决定使用知识库、Agent、工作流还是现有系统接口来完成。技术终于有了一个明确的位置，而不是被请来猜客户的心思。

第四次，把工作流程翻译成验收结果。节省了多少时间，错误减少了多少，员工是否真的在使用，人工复核还剩多少，出现问题能否找到责任人和原始依据。没有验收，所谓的落地就很容易停留在演示阶段。

从明线走到暗线，再从暗线走到规则、流程和验收，这才是一套完整的FDE工作。Agent只是流程中的一块积木，业务翻译才是将整条链路串联起来的关键。

▲ FDE将暗线需求连续翻译为业务目标、判断规则、工作流程与验收标准

06 真正价值

技术是入场券，业务翻译才是护城河

这话听起来可能会让一些技术人员感到不适。FDE当然需要技术能力，不会系统设计、不懂模型边界、写不出可靠代码，很难将一个复杂项目真正送进生产环境。OpenAI的招聘要求也明确写着生产级开发、系统交付和客户协作能力。

但模型会持续变强，写代码和搭建Agent的门槛也会继续下降。以前需要一个团队做几周的原型，现在一个人配合Codex可能几天就能做出来。工具越强大，单纯将功能搭出来就越难成为长期壁垒。

真正不容易被压缩的能力，是你能不能听懂一个组织如何运作，能不能让老板、业务、技术和一线员工把同一件事说清楚，能不能将那些模糊的经验变成一套可执行、可复核、有人负责的规则。

我一直觉得，AI落地像一个1，后面跟着一串0。模型是0，工具是0，Agent也是0。把业务暗线挖出来并翻译清楚的人，才是前面的那个1。

没有这个1，后面的0越多，项目看起来越热闹，返工也可能越多。有了这个1，模型选型、知识库、智能体和自动化才开始共同指向一个真实的结果。

关键要点

把业务暗线挖出来并翻译清楚的人，才是前面的那个1。

▲ 技术作为能力底座，而业务翻译能力决定项目最终价值

07 从这里开始

想做FDE，先别急着再学一个新工具

如果你也想进入FDE这个方向，我不会劝你放下技术。技术基础依然重要，只是别把所有时间都花在追逐最新模型、背诵产品功能和复制工作流模板上。

找一段真实业务，完整地跟一次。看看资料怎么进来，谁做判断，谁接收结果，遇到例外怎么办，做错之后谁承担代价。再试着将这项工作写成一张任务说明，包含输入、规则、权限、输出和验收标准。

如果你是企业管理者，也可以从同一个动作开始。下次有人说公司需要一个知识库、智能体或AI助手时，先别急着问价格，继续追问一句：我们真正害怕发生的事情是什么？

那句话后面，往往就是暗线。也是AI真正应该进入业务的位置。

做了一年多FDE，最大的感受并不是技术不重要，而是技术终于足够强大以后，企业再也不能把业务没想清楚这件事推给工具。模型越强，真正懂业务、会翻译的人，反而越值钱。

你们公司现在最想让AI接手哪一段工作？可以放在评论区。挑几个典型的明线，和你一起往下找找那条暗线。

资料来源

OpenAI Forward Deployed Engineer职位说明

OpenAI FDE职位搜索页