AI 的 demo 现在个个惊艳，真搬进企业去用，多数都跑不起来。客户的系统、流程、数据全是乱的，再好的模型也接不进去。这块活有专门的人干，叫 FDE，Forward Deployed Engineer：公司把他派到客户现场，把 demo 变成客户每天真在用的系统。
做这件事，最该有的不是工程能力，是把一门陌生生意快速搞懂、并对最终结果较真的能力。
2026 年，硅谷都在抢这个岗位。a16z 把它称作"tech 最火的岗位"，招聘量过去 12 个月涨了 7 倍： - 2025 年 4 月全行业 643 个职位，2026 年 4 月涨到 5,330 个 - YC 创业公司里就有 100 多家在招，三年前一家都没有
薪水也开到顶：顶级 FDE 在 OpenAI、Anthropic 的总包 30 万到 60 万美元，资深 IC 过 100 万美元。下面这几家动作最大：
- OpenAI 2024 年底就组建了 FDE 团队（The New Stack），2026 年把它做成独立的 The Deployment Company，初始投资超 40 亿美元，又收购英国 Tomoro，拿到 150 个现成 FDE（OpenAI 官方）
- Anthropic 组了个 Applied AI 团队，专门派工程师进大企业现场做 AI 落地
- Google Cloud、Databricks、Scale AI、Adobe，以及几乎所有 B 轮以后的 AI 公司，都在大规模招 FDE
可光有这些还不够：要把 AI 真铺进一家家企业，还是得拉麦肯锡、德勤、贝恩这些咨询公司搭把手。
这套打法我们 2023 年就在跑，比硅谷早三年。从第一天起，客户业务真做好了我们才收钱；交个 demo、一份 SOP、一段提示词，不算。
FDE 是什么，最早怎么来的
FDE 全称 Forward Deployed Engineer。Palantir 第 13 号员工 Shyam Sankar 在 2000 年代末提出，2010 年代初成型，他本人就是这个词的发明者。
它和我们熟悉的 to B 岗位都不一样：
| 角色 | 干的事 | 成败看什么 |
|---|---|---|
| 产品工程师 | 做一个功能，卖给所有客户 | roadmap、功能上线 |
| 售前 / 解决方案 | 签单前做演示、POC，帮着把单成交 | 有没有签下来 |
| 实施 / 外包 | 按合同把这一单交付完，做完就走 | 交付物验收 |
| 客户成功 | 签单后维护关系、催客户用起来 | 续费、活跃度 |
| FDE | 签单后扎进一个客户，能力不设限，把 AI 真装进他的业务 | 客户的转化、人效有没有真涨 |
它不是顾问，也不是普通的软件工程师，是被派进客户内部的人，进客户的沟通群，和客户的产品、研发坐在一起，直接拿客户的真实数据和系统干活：开客户的晨会、动手写代码、修线上故障。它既定"做什么"，也管"做出来、接进系统、上线后还得能跑"。考核它的不是写了多少代码、交了几份文档，是这套系统到底有没有人在用、客户的生意有没有变好。上线也不是终点，它一直待到系统变成客户日常运营的一部分、客户自己的团队能接手为止。
Palantir 为什么要发明它？它最早的客户是情报机构，这种客户有个特殊麻烦，没法清楚告诉你想要什么：东西是机密，写不进需求文档，开不进会议室。
Shyam Sankar 的判断：
如果一个问题能用一份需求文档解决，那这个问题早就被解决了。
他干脆把工程师塞进客户现场（驻军基地、分析员办公室、战场附近的指挥所），靠观察、实验、当场动手，去搞懂客户真实的业务。Shyam 反复讲过一句话：
Good ideas don't come from eating strawberries in Palo Alto. They come from the fields of Djibouti and the factory floors of Detroit.
好想法不是在 Palo Alto 吃草莓时冒出来的，它们出现在吉布提的田野上、底特律的工厂车间里。
但 Palantir 真正精妙的地方不在"把人派出去"，在背后那套分工。下场的 FDE 其实是两种人搭班子：一种叫 Echo，是懂行业的领域专家，负责钻进客户的生意、找出真正该解决的问题；一种叫 Delta，是工程师，负责快速把东西搭出来。他们在前线搭的代码糙、全是临时补丁，后方还有一支产品团队，专门把现场趟出来的做法抽象成通用产品：先铺出一条"碎石路"，再修成能跑下接下来 5 到 10 个客户的"高速公路"。Palantir 今天一半以上收入的 Foundry，就是这么从一个个客户现场长出来的。
到 2016 年，Palantir 内部 FDE 的人数比软件工程师还多。今天这家公司市值 3000 亿美元，毛利率 80%，是软件公司的水平，不是咨询公司（埃森哲只有 32%）。FDE 不是辅助岗位，是它能从"被人骂作咨询公司"长成真正产品公司的原因。
这是 FDE 的第一种模式：让最顶尖的工程师下场。Palantir 的 FDE 不少是物理、数学背景，技术底子比市面上大多数人都硬。这套打法能啃下最难的客户，可门槛也吓人：你得找到既是物理博士、又愿意常驻客户现场写生产代码的人，这种人又少又贵。所以十几年，没人学得来。
FDE 怎么突然就火了
Palantir 闷头干了十几年，外界一直当它是个特例，没人学。直到这两年，大批企业砸钱上 AI，钱花了，东西却跑不起来。MIT NANDA 2025 年调了 300 个公开的 AI 项目，95% 的企业试点对利润几乎没有可衡量的影响。问题不在模型，GPT、Claude 都很能打；卡住它的是落地现场那摊东西：脏数据、没人写过文档的工作流、合规红线、一堆为 AI 之前的时代设计的老系统。
一个 FDE 的原话：
模型通常是最干净的部分。难的是找到那个没人写过文档的工作流、那个大家真正信任的数据源、还有那个知道"为什么这个流程要这么走"的人。
更麻烦的是，AI 系统和传统软件，出问题的方式不一样。传统软件的风险在上线前，设计、集成、测试，跑通了基本就一直跑，真出错也直接报错，好查好修。AI 反过来，风险在上线后：它是个概率系统，测试时好好的，一碰到真实数据和真实用户就开始退化，还不报错，只是悄悄变得不靠谱，答非所问、前后矛盾，一点点把用户的信任磨掉。偏偏这时候交付的人都走了，内部团队转去做下一个功能，顾问按合同干完就撤。系统最该有人盯的时候，没人了。FDE 补的就是这个位置：人在客户现场，问题一冒头就当场调、当场改。
再往根上说，Bob McGrew（Palantir 第二位工程师、后来的 OpenAI 首席研究官）的角度是：Agent 还没有现成的样子。SaaS 你一上来就知道要做成什么样，照着做个更好的去抢市场就行；Agent 不是，没人知道一个销售 Agent、客服 Agent 最后该长成什么样，只能钻进客户的真实业务里一点点试，而这种试只能在客户内部做。他的结论：
谁想在 Agent 时代找到 PMF，FDE 大概是绕不开的路。
巨头自己建了，还得拉上咨询公司
巨头补这一块的办法，是大规模拉咨询公司一起干：
- OpenAI 签了 BCG、McKinsey、Accenture、Capgemini、PwC 五家组成 Frontier Alliances，让它们帮自己把 AI 铺进企业；它砸 40 亿成立的 The Deployment Company，出资方里 Bain、McKinsey、Capgemini 三家就是咨询公司
- Anthropic 拉黑石、高盛、Hellman & Friedman 合资 15 亿美元搞了家企业 AI 服务公司，把工程师送进世界 500 强，用私募的钱再造一支 FDE 队伍；它的合作方 Deloitte 也直接挂出了"Anthropic Forward Deployed Engineer"的岗位招人
自己建了为什么还要找咨询公司？OpenAI 不缺钱、不缺工程师，连现成的 FDE 都买得到。它缺的是另一样：钻进一家企业、把生意摸透、最后对结果负责。这件事麦肯锡、德勤干了几十年，OpenAI 想从零练出来很慢，不如直接拉它们一起干。
Bob McGrew 给想做 FDE 的创业者提过一个醒：
如果不是非做不可，别碰，很容易做着做着就变成纯做服务的外包公司。但如果你的市场离了 FDE 根本起不来，那它可能就是你唯一行得通的方式。
这套"AI 公司＋咨询公司"的组合，在中国基本没有。埃森哲、德勤、麦肯锡在中国都有团队，但规模、话语权比美国小一截；本土咨询公司里，也没谁跟大模型公司这么深度绑定。
我们没等这个组合出现。从 2023 年起，我们就让一个团队同时长出两套肌肉：懂客户的生意，懂 AI 工程。逼我们走这条路的是中国客户：业务真变好他们才续费，过程做得再漂亮也不买单。
一家 AI 公司怎么自己做 FDE
第一个该招的不是工程师
公开资料里反复出现一个事实：Palantir 最成功的几位 FDE，背景是物理和数学，不是 CS。有的来自硬件工程，加入前根本没写过软件。这一拨人里还有产品经理和设计师。Palantir CEO Alex Karp 是哲学博士。
我们自己 FDE 的负责人，是个学法语的 00 后女生。
说穿了不意外。Palantir 的 FDE 团队里，写代码的是 Delta，真正稀缺的是钻业务的 Echo。Shyam 招 Echo 专挑"反叛者"：不只懂这行怎么干，还能看出现在这套为什么不够好。
FDE 真正的核心能力，是读懂客户的生意、把要交付的成果设计出来。写代码是后半段的事。能想清楚"客户的钱从哪儿来、卡在哪儿、AI 能从哪儿撬动它"的人，比只会写代码的人稀缺得多。
大部分公司做 AI 落地的第一反应，是招算法工程师。错了。第一个该招的，是能听懂客户怎么赚钱的人，就是 Palantir 那个 Echo。
这件事我们交过学费。
我们踩过的坑：PE 摸不透客户的生意
最早交付全靠 PE（Prompt 工程师）一个人跑。他能照着客户说的把 prompt、把流程搭出来，可客户那行的生意怎么转、那些话背后的业务逻辑是什么，他摸不透。客户说一套，他照着搭一套，结果总不是客户真正要的。客户不满意，我那一年半有一半时间在救火，救的都是同一类：交付出去的 Agent 又出问题了。
被客户问住、设计被质疑的时候，PE 没底气，只能搬一句"客户就想要这个"来挡，其实他自己也没真懂客户要什么。东西的质量也兜不住：测试全靠手感，改好一处又坏一处。
后来我们改了打法：进场不再让 PE 单挑，先拉一个这行的业务专家一起进去，把客户的生意、流程、门道吃透，再带着 PE 一块搭。业务专家管"该做成什么"，PE 把它落出来。配合一阵子，PE 自己也慢慢长出了懂业务的能力，能听懂客户话里的生意了。
想明白的就一条：第一个进客户现场的，得是真懂这行生意的人，不能让一个只会搭 prompt 的人单扛全部。
一个客户，很多能力，对真实成果负责
前年十月我读到 Palantir 的 FDE，第一反应是：我们要的就是这个名字。"按结果交付"的方向我们三年没改，但定义一直模糊。FDE 这个词把它定义清楚了：一个客户，很多能力，对客户身上的真实成果负责。
改名之后，我们改的是这件事本身怎么干。四件事：
进场，先摸客户怎么赚钱。 一个项目分三个阶段。第一阶段是诊断，懂这个行业的业务专家驻场三五天，把客户的 SOP、知识库、整条链路摸清楚：他怎么获客、怎么转化、钱卡在哪个环节。这些业务专家，有的就是从客户那个行业里挖来的老手：比如做在线教育时，我们跟一家头部在线教育公司的前 COO 深度绑定，他离职后跟我们一起，把这个行业的 AI 落地一遍遍打磨出来。不上来就装软件，先搞明白这门生意。这一步就是 Palantir 那个 Echo 在干的事。
搭，是几个人一起搭。 第二阶段，业务专家带着行业经验，和 FDE 一起把 Agent 搭起来、跑内测。这一步过去是 PE 一个人硬扛，现在不是了：懂业务的管业务，工程的活交给工程师，谁也别替谁硬撑。
质量，靠句子守护兜着。 PE 时代最做不好的就是测试调优，全靠人盯，改对了 A 又错了 B。我们把它做成了一个产品，叫句子守护：它自己从客户百万级的真实聊天记录里，挖出用户可能问的刁钻问题，一条条编成测试题（连正确答案该是什么都写好），拿去考被测的 Agent，自动跑、自动出报告：每条的通过率、答得快不快、花了多少钱、要不要转人工，全摆在报告里。这套东西和具体业务解耦，FDE 在现场踩的坑都沉淀进去，下一个客户进场，他手里的杠杆更大。
交付的是成果，不是一个搭好的流程。 怎么证明成果是真的？落地时我们和客户做 A/B：AI 组是销售加 AI 一起干，对照组是同样的销售、纯人工，两组的线索质量、团队水平都拉平，只差用不用 AI。然后整条链路一个环节一个环节地比：触达率、响应率、转化率、人效，每一步都有数据，全程留痕，不是只看最后一个大盘数字。两组一摆，AI 带来多少增量，清清楚楚。我们也按这个结果收费：客户的人效真涨了，我们才拿钱。
这四件事连起来，就把上面那个矛盾解开了：让懂生意的人站在最前面，但他背后有业务专家、有工程师、有句子守护这套工具撑着。他不需要自己写代码，因为系统替他兜了底。
这套收费方式，2023 年我们就定下了。当时国内同行主流还是按人头、按工时、按项目里程碑收，按结果的我们是少数。我后来才知道，这正是 FDE 区别于 SaaS 的命根子：SaaS 按席位、按用量收钱，FDE 卖的是"你帮客户解决了一个问题"。这里头有个不对称：大客户既不信自己能成，也不信你能成，因为他见过太多烂尾项目。所以早期由我们把风险全扛下来，做成了、客户业务真变好了，再付钱。三年下来这条路站住了：客户续约率高，单个客户的合同越做越大。拿一个在线教育的头部客户说，用上这套之后，AI 组的产出是对照组的三倍，一个销售一个月能盯的人从一千做到三千，整条链路从人海一对一变成了一套系统。他付给我们的钱也跟着这个涨幅走：盯的人翻三倍，付的也翻三倍。我们赚的就是这中间的人效提升，按线索量收费，不按人头、不按工时。
三年 FDE，长出了 7 个产品基建
我们今天有 7 个产品基建，但不是一开始就规划好的。最早只有两个：句子秒回和句子秒懂，一个是人和 Agent 协作的工作台，一个是搭 Agent 的大脑。剩下的全是 FDE 在客户现场一个个撞出来的：撞知识库的墙，长出句子智库；撞测试的墙，长出句子守护；撞老系统接不进来的墙，长出句子 CLI。现场踩的坑，一个个变成了下一个 FDE 进场就能用的杠杆。
这 7 个产品基建分三层，从客户天天在用的那层往下说：
- 给终端用户用：句子秒回（工位）是人和 Agent 协作的界面，一套界面复制到销售、律师、市场、HR；句子参谋（参谋）相当于一个随叫随到的数据分析师，用大白话问一句，就能挖用户洞察、拉转化分析、报异常预警。
- 搭 Agent：句子智库（记忆）做的是知识工程，把客户几百万字、散乱、还互相打架的知识，炼成 AI 查得到、越用越准的资产，这是 FDE 进场第一件事，业务没理清上面全白搭；句子秒懂（大脑）让业务的人也能编排多个 Agent；句子守护（主管）管测试、灰度、质检，上线每一步把关。
- 数字化补齐：AI 要在客户的系统里跑起来，先得把底层铺平。句子 CLI（手）对外打通各大平台，对内把客户的老系统封装成接口、接进上层；句子智造（地基）补齐客户缺的那块数字化能力。
FDE 贯穿这三层，用全套 7 个产品基建，把 AI 装进客户的真实业务。客户开通就拿到我们十年沉下来的行业能力，不用从零搭。这也是为什么我们敢按结果收费：不是赌运气，是手里有这套基建兜底。
从销售开始，往更多场景长
我们最早从销售切进去，这个场景离钱最近，AI 帮客户多转化、多签单，效果最容易用数字讲清楚。同一套 FDE 打法和产品基建跑通之后，往别处复制就快了：场景上，销售之外，律师、市场、HR 都在做；行业上，从在线教育起家，现在金融、医美、电商也铺开了。换个场景、换个行业，做法都一样：把人效做翻倍，把效果摆成数字。
三种 FDE，同一个角色，不同的活法
我们和 Palantir 解的是同一个问题：客户没法清楚地告诉你他要什么。Palantir 的客户是情报机构，机密说不出口；我们的客户是中国 to B，业务流复杂、KPI 多元、组织里利益盘根错节，需求文档同样写不清楚。两边的解法都是把人塞进去，靠观察、实验、当场动手搞懂客户真实的业务。
但三种模式的活法很不一样：
| 维度 | Palantir | 硅谷 2026 | AI 原生公司（我们） |
|---|---|---|---|
| 谁下场 | 顶尖工程师 | AI 公司＋咨询公司 | 一个团队，两套肌肉 |
| 工程占比 | 写真生产代码，泡在客户代码库里 | 平台＋咨询人力 | 用产品兜底，代码交给后方研发 |
| 成果怎么定义 | 让不可能的任务被完成，难量化 | 跟着客户 KPI | 商业指标（转化 / 人效 / 营收），可 A/B 测 |
| 收费 | 大多做不到按结果 | 多按项目 / 人力 | 按结果收费 |
| 人的门槛 | 物理 / 数学博士，门槛高 | 咨询顾问＋认证 | 00 后 AI 原住民也行，低代码兜底 |
差别集中在两处。
一是成果能不能量化。Palantir 的成果常是"让一个原本不可能完成的任务被完成"，比如破获一起恐袭、合规出一份报告，难量化；我们的成果是转化率、人效、营收，可以 A/B 测。所以我们能做按结果收费，Palantir 大部分单子做不到。这一点我们比 Palantir 走得远。
二是对人的门槛。Palantir 的 FDE 哪怕是物理博士，平均水平也比中国市场上大部分人高一截；我们这边的 FDE，可以是个 00 后、一个长在 AI 里的"原住民"。不是要求更低，是 Agent 时代的低代码工具链帮 FDE 兜了底：他天生把 AI 当手脚使，只要能想清楚客户怎么赚钱、把成果设计出来，剩下的交给工具。OpenAI、Anthropic 今年新做 FDE 也是这个思路：前面是熟悉业务的人，后面是平台和工具兜底。
下场三年，我改了几个想法
AI 没有让客户裁员，反而让客户去抢更多流量。我们本来以为人效翻倍，客户就会把差的销售裁掉。结果客户不裁。他用同样多的人，把市场上所有好的线索全抢了过来。市场上的流量就那么多，谁的人效高，谁就能多拿。
好销售和差销售用上 AI，提升的幅度其实差不多。真正拉开差距的不是销售本身的好坏，是他愿不愿意用 AI。这件事甚至改了我们招人的画像。以前嫌一个人想法太多、不够踏实，现在这种人反而是我要的：脑子里点子多，会使 AI，还拿得准 AI 交出来的东西到底行不行。
按结果收钱这条路，三年前我们也没底；三年下来跑通了，比按工时收费的同行稳，客户也认。硅谷今年集体做 FDE，本质也在承认这件事：客户不为部署过程付钱，只为部署之后业务真变好。
FDE 这个角色，最该有的不是工程能力，是把一门陌生生意快速搞懂、并对最终结果较真的能力。这种人，离自己出去开一家公司，其实只差一步。
Palantir 十几年前就把这条路走通了，靠的是最顶尖的工程师。硅谷今年才把它捧成最火的岗位，巨头一边自己建、一边拉咨询公司，创业公司则自己招人。我们 2023 年就上路了，没叫它 FDE，靠的是一个团队自己长出两套肌肉，三年踩坑沉淀成 7 个产品基建，从第一天就按结果收钱。
最早把 FDE 讲清楚的那几个人，Palantir 的 Shyam、Bob，反复说的也不是"工程师驻场"，是"卖成果，不卖软件"。这正是我们被中国客户逼着走的路。
大模型这两年已经够强了，可千行百业里，真正把它用出结果的没几家。模型摆在那儿，不会自己变成客户的转化、人效、营收，得有人扎进一门门真实的生意，把它落下去。这就是 FDE 的活，也是我们想干很久的事：让 AI 真正走进千行百业，在每一门生意里产出实打实的结果。Palantir 在美国把这条路走通了，中国还没人走通，我们想做的就是那家公司。
评论