FDE（前线部署工程师）是AI领域最热门的岗位之一，月薪可达35万。FDE负责驻扎客户现场，部署软件并解决实际问题。国内外大厂纷纷投资培训FDE工程师。FDE工作模式包括Echo和Delta两个角色，前线配合满足客户需求，后方Dev开发标准平台。FDE工作核心是梳理企业Ontology（业务地图），开发应用解决问题。AI时代，FDE需先帮客户想清楚AI应用场景，工作重心转向咨询服务和员工培训。FDE不仅需懂技术，还需懂管理和人性，是懂AI的复合型人才。

FDE，全网最火热、最神秘的AI岗位之一。

火热在于，不少大厂开出了月薪高达三五万的招聘，小红书FDE遍地走，到处都是求职经验贴。

据招聘数据网站FDE Pulse统计，海外公开薪资的FDE岗位，基本年薪中位数约20万美元，折合人民币约134万元。

（都是钱啊这都是钱）

神秘在于，我访谈了6个FDE从业者，最后发现，他们做的事情好像都不太一样……

FDE的全称是Forward Deployed Engineer，中文名叫前线*（前沿）*部署工程师。

顾名思义，就是驻扎到客户现场的工程师：一边部署软件，一边解决客户的实际问题。

现在，这个词已经从硅谷火到了国内。

海外，Anthropic宣布投资1亿美元，在2027年底前培训1万名FDE工程师，OpenAI也带着40亿美元投资成立了专做部署的公司；AWS则拿出10亿美元组建FDE部门，把数千名工程师派到客户身边。

国内也在跟进，不少大厂都挂出了FDE岗位。Kimi宣布联合多家IT服务商共建FDE队伍，腾讯云则推出号称行业首个的FDE工程师认证，同时招募FDE合作伙伴。

与此同时，也出现了不少独立开发者，凭一己之力接单，给企业做AI改造。

但说起来，派工程师去客户现场这件事，互联网时代早就有。

部署工程师、实施顾问、解决方案工程师、售后工程师…干的都是类似的活，甚至一度被看作“脏活累活”。

那为什么到了AI时代，它突然成了香饽饽？这个老岗位，到底变了什么？

FDE，究竟是个啥？

经典FDE模式里，经常出现两个不同角色：Echo和Delta。

Echo负责理解业务、沟通需求和设计方案；Delta负责写代码、接数据，把方案真正做出来。两者在前线互相配合，共同满足客户需求。

在后方，还有一群Dev（普通工程师），负责开发标准平台。

可以这样概括Delta和Dev的区别：Dev做的是“一个能力，服务很多客户”，Delta做的是“一个客户，解决很多问题”。

值得一提的是，国内FDE的部分岗位招聘，也开始标注Echo或Delta方向。这个情况起码在两个月以前是没有的。

前线的工作，很大程度上围绕Ontology（本体）展开。

简单理解，Ontology就是一张可以被软件和AI调用的“业务地图”：企业里有哪些员工、部门和订单，它们如何关联，各自允许执行哪些操作。

FDE要做的，就是把散落在不同系统、流程和员工经验里的信息，整理进这张地图，再在上面开发应用、解决问题。

当这套模式漂洋过海来到中国，它长出了各种变体。

到了AI时代，驻场的重心也变了：企业自己都说不清AI能用在哪，FDE得先帮客户想清楚做什么。

李开复带队的零一万物，就是一个典型。

零一万物现在全面转向企业AI，走的路径是：先找到企业的一号位，再派前线部署工程师进场，梳理企业的Ontology，最后沉淀成产品和平台。早期一个项目，要派5名FDE驻场，再配5人的后端团队。

在李开复看来，他们的产品虽然已经实现产品化，也采用订阅制，“但它并不是一个即插即用的产品”。建立一家公司的Ontology需要一至三个月，“公司的数据库、角色和流程都要做好，客户才能拿到充分的结果”。

在不少公司里，也有人在做类似的事。比如Layla和Sonic。

Layla在一家SaaS公司做FDE，title至今还是产品经理。

△AI生成

2025年三四月起，她开始真正进到客户的项目里。客户都是万人以上的上市公司，涉及连锁门店和制造业，一驻场就是一两个月。

刚开始做的时候，还没人把这叫作FDE。后来这套模式火了，她深入了解了一番，“才发现，诶，好像就是一回事”。

她的工作流程be like：

第一步，进场摸清业务，从采购、市场、财务、IT等一堆角色里理出客户真正想要什么；

第二步，再给出方案，搭一个demo快速验证；

第三步，验证通过后，交给公司原有的交付团队上线；

最后，把能复用的能力抽象出来，迭代回公司的产品里。

这基本就是一套经典的FDE工作流程，也是现在企业或独立FDE做开发的常规流程。

Layla认为，FDE的观察和经验，“最终还是要沉淀到标准产品里面去的”。

而另外一位企业FDE——Sonic，做的是审核类AI项目，比如财税审核、广告物料审核。

△AI生成

同样从2025年起，他们组就开始研究FDE。在他看来，FDE最关键的环节之一，就是梳理Ontology。

他举了个例子：如果企业想做一个组织管理方面的AI助手，就得先把企业有多少部门、部门之间什么关系梳理清楚；除了关系，还有属性，比如一个人的职级和薪资。

只有把这些抽象成Agent能理解的结构，它回答问题才会更准确，而不是瞎猜。

这一步往往相当费劲，因为FDE经常碰到上下游的历史数据拿不全、老系统没有开放接口等问题，项目就很难往下推进。

但Sonic认为，这一步绕不过去：“如果质量足够高会很有效，后续交付质量主要取决于前面的Ontology质量。”

为了做好这些，Layla和Sonic都得常驻客户现场。

在Sonic看来，驻场不只是为了了解需求，还要先拉齐业务方对AI的认知：什么能做、什么不能做，双方站在同一个语境里，才能谈后面的痛点和方案。

而来自硅谷公司Baseten的程天舒却告诉我，他们的FDE，基本不驻场。

△AI生成

Baseten是一家做AI推理云的公司，客户把模型部署在他们的平台上，他们让这些模型跑得更快、更稳、更省钱。

他们接触的客户几乎都是工程师，需求也很具体。比如原本调用OpenAI的API，现在想换成开源模型，应该选哪个模型？怎么部署？怎样达到预期的速度和成本？

FDE会和客户开会，了解技术需求，再搭一个prototype验证方案。问题可能涉及云基础设施、模型推理优化、训练或者产品体验，不同方向由不同专长的FDE负责。

对他们来说，这种沟通基本可以在线上完成。

原因在于，Baseten提供的是一套面向开发者的标准化产品，它只负责客户业务中的一段明确链路。定制化程度并不高，也不需要深入客户组织肌理去解决业务问题。

“我们的产品跟客户自己的业务逻辑耦合度不高。”程天舒说。

大厂之外，一群“游击队”在野蛮生长

在公司之外，还有一批“游击队”正在迅速壮大：他们不属于任何一家有产品的公司，自己找客户、自己接单，给企业做AI改造。

这本身也是AI带来的变化：过去定制一套系统，得一个团队做几个月；现在代码几乎不要钱，一个人也能接单交付。

这块市场现在非常野生。号称“全网第一FDE”的Lawted告诉我，他管这叫土FDE。

大厂FDE主要是去推广自家产品，而土FDE主要面向“土老板”，用OpenAI还是Gemini都行，也没有销售任务，“你要什么东西，我就给你什么东西”。

我接触到一个名叫Zaniel的FDE，聊完才发现，哥们路子太野了。。。

他是一名斯坦福在读博士，今年4月开始一个人接企业的AI项目。

银行、律所、煤化工、月子中心、家政中介、建筑企业……五个多月下来，已经做了几十个项目，交付全是他一个人。

而且有意思的是，做了这么多场景后，他的工作重点已经从“为客户开发AI系统和工具”，转变成了“教企业员工如何用AI”。

△AI生成

比如，他的第一个客户是一家银行，几个员工每天要从数据系统里导出一堆数，汇总成几张报表给领导看。

他一开始做了一个自动生成器，数据拖进去，一点就出报表。

但东西做出来，很快就没人用了。因为报表规则每天都在变，导出来的表格式也不完全一样，写死的程序“用几天就崩溃了”。

后来他发现，不需要一个新的软件，直接教员工把脱敏后的数据交给通用AI去汇总，再把高频流程整理成Skill，接上现有的数据系统。

这样一来，员工真的用起来了。

Zaniel告诉我，至少在白领工作里，大部分问题靠一个通用Agent，加上一堆Skill和对现有系统的连接就能解决，“不需要开发其他新软件”。

另一位独立接单的FDE，软萌孜神也描述了类似情况。

她曾为一家外贸公司做FDE，跟老板讨论如何提高员工的AI使用率——最后结论是，采购WorkBuddy就行。

△AI生成

而她负责培训员工如何使用WorkBuddy，以及为WorkBuddy打通集团内部现有的系统。

这些“游击队”式的土FDE，给企业改造改造着发现，很多时候并不需要做一个新产品或系统出来，他们的业务模式也开始偏向咨询服务。

Zaniel和企业的合作有两种模式，一种是项目制，另一种则是顾问制，而且第二种变得越来越多。

所谓顾问，说白了就是教员工怎么去用这些AI工具。每有新工具出来，就帮企业想清楚业务该怎么跟上；如果碰到不大的需求，他也会顺手做出来，包含在顾问服务里。

他把这种角色叫作企业外部的“CAIO”（首席AI官）。

而Lawted，也觉得自己的业务开始变得像一家咨询公司。

他运营着一个叫HA7CH的FDE社群，通过办线下交流会和黑客松，撮合想要AI改造的企业和独立接单的FDE签下订单。

△AI生成

流程是，企业报上需求，他从报名的人里挑一两个选手。选手进厂48小时，梳理工作流、做出demo，打动老板就当场签单，后续交付由选手负责。

办了几期后，Lawted越来越觉得FDE“非常像咨询”：企业往往只知道自己想用AI，却说不清问题在哪里，FDE得先进入现场完成诊断，再把方案做出来。

在他看来，咨询顾问甚至比程序员更适合转行做FDE，只需要补上vibe coding能力，“vibe coding其实不难”。

代码两天写完，真正的麻烦在人

看到这里，你大概也会发现，FDE的工作里，写代码和做开发的时间并不多，与人沟通反而占了大多数。

几位从业者都告诉我，他们沟通需求的时间占了七成以上，开发大约只占三成。

而与客户员工产生摩擦、打不开接口权限等困难，也往往发生在这个过程中。

在推动WorkBuddy接入企业内部系统的过程中，软萌孜神经常要找采购、IT、ERP产品经理和外部工程师反复沟通。有些系统没有现成接口，还得推动企业自己开发。

一个多月过去，仍有不少API没有开放。她说，第二天自己还要继续去找IT扯皮。

不过，她也不认为是员工故意阻挠。“没有人刻意给你使绊。”只是每个人都有自己的任务，AI改造在对方那里未必有那么高的优先级。

△AI生成

拿不到权限，有时只是流程问题。

但AI带来的阻力，还有更微妙的一层：过去部署一套软件，很少直接动到谁的位置；AI不一样，它可能改变一个团队原本的工作。

有家企业想开发一套覆盖几十个业务模块的AI系统。Zaniel估算，自己三四个月就能完成，但客户要求他以顾问身份与IT团队合作。

尽管签了保密协议，对方仍不愿开放代码库，却时常让他隔空排查问题。

Zaniel也建议，部分模块直接使用通用Agent即可，没必要全部自研。

领导回了一句：“你都用WorkBuddy了，那他们干啥呢？”

……听完我只能说，这太真实了。

不过，Zaniel也并不简单地把这归结为客户“不配合”。客户可能有保密要求、既有的供应商关系，也可能只是不同部门各有顾虑。

“对于企业，换一种工作方式的代价，常常比换一个工具大得多。”他说。

FDE，不就是外包吗？

另一个常常被谈论的问题是：FDE究竟是不是外包？

至少在Baseten，答案是否定的。

程天舒告诉我，他们的FDE和普通工程师一样，招聘标准、面试流程完全相同，同样拿固定薪资和股票，不靠提成。

FDE提供的服务也不单独收费。即使搭出了原型，只要客户最后没有使用Baseten的云平台，就不需要付钱。

对他们来说，FDE服务于自家产品：帮客户用起来，再把现场反馈带回去改进产品。

△AI生成

在企业里的Layla和Sonic也认为，把经验沉淀回产品、进行复用，是FDE和外包的重要区别。

Layla表示，过去大家区分外包，看的就是它“不会做自己的产品，不会沉淀自己的能力”。

“如果我们也不沉淀自己的能力，不做自己的产品，然后每个项目都要从0到1做，别人说外包，其实也没有办法反驳。”

Sonic很直接地告诉我，传统外包做不了FDE。“不信的话可以找外包试试。”

作为FDE，他们会把项目里能复用的模块，按场景沉淀到一个评测和迭代平台上，再搭建Skill Hub、Agent Hub，组里的FDE都在上面做评测和优化。

效果是，在一个垂直领域里，第一个场景从接入到上线大概要一个月；做完之后，后续的同类场景可能一两天就能接完。

“做得越久，速度越快。”做得快，意味着会开得更少、沟通成本更低，“业务会觉得整个过程很轻，钱花得值”。

听起来，只要能把经验沉淀下来、复用到下一家，FDE就和外包划清了界限。

本来到这里，我已经被前面几位嘉宾说服了，但Zaniel又刷新了我的认知。

大家通常想象的复用，是先做出一套半标准化软件，到了下一家客户，“把规则调一调，就可以直接部署”。

Zaniel并不否认Skill、代码和行业经验可以复用。但他质疑：这些积累，究竟能让下一次完整交付便宜多少？

过去做一套企业软件，开发可能要花90块，给每家客户适配只要10块。软件做一次、卖给很多家，前面那90块就能被一点点摊薄。这是传统软件公司的生意逻辑。

AI把这个公式改了。现在开发只要1块，适配还是10块。

△AI生成

比如给一个客户做了客户管理系统，下一个客户也要，那还不如直接重新做一套，“因为AI现在做一个软件出来太快了”。

当然，代码可以复用，Skill和行业知识也能积累。但每进入一家新企业，FDE仍然要重新理解需求、连接系统、处理权限，再推动不同部门接受新的工作方式。

这部分投入，并不会随着代码成本一起降低。

软件越来越容易复制，这门生意能不能复制，却是另一个问题。

FDE们，已经不想说自己是FDE了

访谈到最后，我几乎问了每个人同一个问题：

FDE会一直存在吗？

程天舒认为，FDE这个岗位的最终目的，“就是要把FDE给取消掉”。

需要FDE出手的地方，说明产品和客户需求之间还有差距；产品做得足够好，客户自己就能搞定，也就不再需要FDE了。

在他看来，FDE更适合产品还不成熟的早期公司。成熟的公司，其实不太需要这个职位，它更像是公司打磨产品过程中“一个过渡性职能”。

但他也承认，AI发展得太快，“你昨天做的产品，今天就跟不上了”。只要市场还在变，这个差距就会一直在，所以这个目标“可以逐渐靠近，但是永远无法抵达”。

Zaniel的看法则是：FDE要做的事，在AI之前就一直有人在做，以前叫管理咨询，也叫IT外包，只是这个词最近才火起来。

“至于这个词火不火，这就是一个互联网的传播学问题了。”

事实上，他和软萌孜神都不太在意自己是不是FDE。对外这么说，只是因为大家熟悉这个词。

“其实我不是特别喜欢别人说我是FDE，但是我又不得不这样。因为现在市场上，你就必须跟你的客户说AI FDE，大家才会去看。”软萌孜神说。

她更愿意说自己是一名创业者，目标是用AI改造外贸，“让中国供应链再次伟大”。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

大模型入门到实战全套学习大礼包

1、大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

2、大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

3、AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

4、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

5、大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

适用人群

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】