最近科技圈最火的职位，不是 AI 研究员，也不是大模型工程师，而是一个很多人第一次听说的头衔：Forward Deployed Engineer，前沿部署工程师，简称 FDE。
先看数字。LinkedIn 今年初的报告显示，2023 到 2025 年 FDE 岗位增长了 42 倍，同期 AI 工程师岗位增长 13 倍。2025 年前九个月，FDE 招聘帖增长超过 800%。美国 Google 上搜索这个词的月搜索量，十一个月翻了六倍。印度今年 6 月的 FDE 招聘同比涨了将近 19 倍。
再看真金白银。今年上半年，OpenAI 和 Anthropic 先后联合金融伙伴成立了专门做 FDE 的合资公司，估值分别达到 40 亿和 15 亿美元。6 月底，AWS 宣布完全用自有资金投入 10 亿美元，组建 FDE 部门，要把数千名工程师派进客户企业。Google 也在招数千名 FDE。德勤、安永这些咨询巨头纷纷挂出 FDE 的牌子。FDE 的总包普遍在 20 多万到 40 多万美元之间，比同级别的普通软件工程师高出一截。
FDE 到底是干什么的
说白了就一句话：客户有个问题，你的产品差不多能解决，FDE 就是坐进客户的大楼里，把最后那段差距补上的工程师。他写的是生产代码，但不是为自己公司的产品写，而是在客户的环境里、用客户的真实数据、在客户的权限和流程里，把系统跑起来。
这个模式是 Palantir 发明的。当年 Palantir 把工程师直接派进最复杂的大客户内部，华尔街嘲笑了它十几年：这不就是咨询公司吗？毛利低、不可扩展、不是真正的软件公司。今天，OpenAI、Anthropic、AWS、Google 全都在抄这份作业。
为什么偏偏是现在
因为模型已经够好了，瓶颈换了地方。
两年前大家比的是谁的模型更聪明。今天顶级模型写代码、读文件、做分析，能力早已超过绝大多数企业的实际需要。可是企业里的 AI 项目，大量停在试点阶段上不了线。卡住它们的不是智力，而是脏活累活：数据散落在十几个老系统里，权限审批要几个月，业务流程几十年没人理清过，安全合规一层压一层。
这些东西，模型自己解决不了，API 也解决不了，必须有人进去。
手握最强模型和最大云平台的公司，亲自下场往客户那里派人，不是因为它们喜欢做服务生意，而是因为它们看清楚了：不把 AI 真正装进客户的生产系统，模型再好也只是一个昂贵的玩具。
FDE 的爆红说明了什么
第一，AI 正在从演示走进生产。实验室在模型上烧钱，可以说是军备竞赛；但在客户现场砸人，说明的是客户愿意为生产部署买单。这是 AI 需求最硬的信号之一。
第二，按席位收费的 SaaS 会更难受。FDE 加上 AI 写代码，让给客户定制一套系统的成本大幅下降。以前企业买 COTS 平台，是因为自己开发太贵；现在一个小团队几个月就能做出贴合业务的定制系统，而且代码归客户自己。有些平台一年的维护费，已经够把整套系统重新开发一遍。当定制比买许可证更便宜，平台的定价权就开始松动。
第三，FDE 本身不是护城河。大家都在改头衔，人才短缺也迟早会缓解，人人都能做的事成不了壁垒。真正的壁垒是派人之后沉淀下来的东西：对客户系统和数据的了解、行业知识、可复用的工具。
卡住的是人，不是需求
全世界顶着 FDE 头衔的人，目前大约只有一万七千个。这个岗位要求既能写生产级代码，又能跟客户的业务人员坐下来谈需求，还要扛得住客户现场的各种混乱。这种人没法速成。
这意味着 AI 的落地速度，在相当长一段时间里会被人才供给卡住。很多人担心 AI 是泡沫，会突然破裂。实际情况恰恰相反：需求在那里，钱在那里，卡住的是交付能力。这样的产业不会突然崩塌，只会被落地的速度一点一点地往上拉。
一百多年前，同样的事情发生过一次
1900 年前后，美国工厂开始通电。按理说，这是工业史上最大的技术跃迁之一。可奇怪的是，接下来的二三十年里，工厂的生产率几乎纹丝不动。经济学家后来把这叫做“发电机悖论”。
原因很简单。工厂只是把蒸汽机拆掉，换上一台大电动机，其他一切照旧：还是一根总传动轴带动整个车间，还是多层厂房，还是原来的工序。电是通了，但工作方式没变，所以什么也没发生。
真正的爆发，要等到工厂围绕电重新设计之后才出现：每台机器装上独立的小电机，厂房改成宽敞的单层，生产线按物料流动重新排布。到了 1920 年代，美国制造业的生产率才迎来飞跃。瓶颈从来不在发电厂，而在那一场把工厂从里到外重新布线的改造。
今天的 AI，正走在同一个路口。大多数企业做的，就是当年换电动机那一步：在旧流程上加一个聊天机器人，然后发现没什么用，试点卡住了。模型就是那台发电机，能力早已足够；缺的是有人进到企业里面，把数据、权限、流程围绕 AI 重新布一遍线。
这个人，就是 FDE。FDE 的爆红，是企业电气化改造真正开工的信号。
这一次，不会再等三十年
当年的改造之所以慢，是因为要拆厂房、重新浇地基、一台一台换机器，而且根本没有人专门干这件事，每家工厂都得自己摸索。
今天的改造对象是软件和流程，不是钢筋水泥。更关键的是，改造的工具本身就是 AI：模型在帮 FDE 写集成代码、清洗数据、梳理流程。AWS 的做法是五六个工程师一组，带着 AI 智能体进驻客户，45 天交付一个生产系统。当年需要一代人完成的改造，现在是以周为单位推进的。而且这一次，全世界最有钱的几家公司已经亲自组建了专业改造队，几十亿美元正在往里砸。
每一座被重新布好线的工厂，都会开始不停地用电。当年电气化改造完成之后，美国的用电量一路狂飙了半个世纪。今天每一个被 FDE 改造好的业务流程，也会开始不停地消耗智能：模型在读合同、写代码、审单据，每一次判断，都是数据中心里实时生产出来的 token。
FDE 接通的每一个企业，背后都是一座要持续扩产的智能工厂。
FDE 为什么突然爆红
BrightLine (2026-10-28 11:11:09) 评论 (0)最近科技圈最火的职位，不是 AI 研究员，也不是大模型工程师，而是一个很多人第一次听说的头衔：Forward Deployed Engineer，前沿部署工程师，简称 FDE。
先看数字。LinkedIn 今年初的报告显示，2023 到 2025 年 FDE 岗位增长了 42 倍，同期 AI 工程师岗位增长 13 倍。2025 年前九个月，FDE 招聘帖增长超过 800%。美国 Google 上搜索这个词的月搜索量，十一个月翻了六倍。印度今年 6 月的 FDE 招聘同比涨了将近 19 倍。
再看真金白银。今年上半年，OpenAI 和 Anthropic 先后联合金融伙伴成立了专门做 FDE 的合资公司，估值分别达到 40 亿和 15 亿美元。6 月底，AWS 宣布完全用自有资金投入 10 亿美元，组建 FDE 部门，要把数千名工程师派进客户企业。Google 也在招数千名 FDE。德勤、安永这些咨询巨头纷纷挂出 FDE 的牌子。FDE 的总包普遍在 20 多万到 40 多万美元之间，比同级别的普通软件工程师高出一截。
FDE 到底是干什么的
说白了就一句话：客户有个问题，你的产品差不多能解决，FDE 就是坐进客户的大楼里，把最后那段差距补上的工程师。他写的是生产代码，但不是为自己公司的产品写，而是在客户的环境里、用客户的真实数据、在客户的权限和流程里，把系统跑起来。
这个模式是 Palantir 发明的。当年 Palantir 把工程师直接派进最复杂的大客户内部，华尔街嘲笑了它十几年：这不就是咨询公司吗？毛利低、不可扩展、不是真正的软件公司。今天，OpenAI、Anthropic、AWS、Google 全都在抄这份作业。
为什么偏偏是现在
因为模型已经够好了，瓶颈换了地方。
两年前大家比的是谁的模型更聪明。今天顶级模型写代码、读文件、做分析，能力早已超过绝大多数企业的实际需要。可是企业里的 AI 项目，大量停在试点阶段上不了线。卡住它们的不是智力，而是脏活累活：数据散落在十几个老系统里，权限审批要几个月，业务流程几十年没人理清过，安全合规一层压一层。
这些东西，模型自己解决不了，API 也解决不了，必须有人进去。
手握最强模型和最大云平台的公司，亲自下场往客户那里派人，不是因为它们喜欢做服务生意，而是因为它们看清楚了：不把 AI 真正装进客户的生产系统，模型再好也只是一个昂贵的玩具。
FDE 的爆红说明了什么
第一，AI 正在从演示走进生产。实验室在模型上烧钱，可以说是军备竞赛；但在客户现场砸人，说明的是客户愿意为生产部署买单。这是 AI 需求最硬的信号之一。
第二，按席位收费的 SaaS 会更难受。FDE 加上 AI 写代码，让给客户定制一套系统的成本大幅下降。以前企业买 COTS 平台，是因为自己开发太贵；现在一个小团队几个月就能做出贴合业务的定制系统，而且代码归客户自己。有些平台一年的维护费，已经够把整套系统重新开发一遍。当定制比买许可证更便宜，平台的定价权就开始松动。
第三，FDE 本身不是护城河。大家都在改头衔，人才短缺也迟早会缓解，人人都能做的事成不了壁垒。真正的壁垒是派人之后沉淀下来的东西：对客户系统和数据的了解、行业知识、可复用的工具。
卡住的是人，不是需求
全世界顶着 FDE 头衔的人，目前大约只有一万七千个。这个岗位要求既能写生产级代码，又能跟客户的业务人员坐下来谈需求，还要扛得住客户现场的各种混乱。这种人没法速成。
这意味着 AI 的落地速度，在相当长一段时间里会被人才供给卡住。很多人担心 AI 是泡沫，会突然破裂。实际情况恰恰相反：需求在那里，钱在那里，卡住的是交付能力。这样的产业不会突然崩塌，只会被落地的速度一点一点地往上拉。
一百多年前，同样的事情发生过一次
1900 年前后，美国工厂开始通电。按理说，这是工业史上最大的技术跃迁之一。可奇怪的是，接下来的二三十年里，工厂的生产率几乎纹丝不动。经济学家后来把这叫做“发电机悖论”。
原因很简单。工厂只是把蒸汽机拆掉，换上一台大电动机，其他一切照旧：还是一根总传动轴带动整个车间，还是多层厂房，还是原来的工序。电是通了，但工作方式没变，所以什么也没发生。
真正的爆发，要等到工厂围绕电重新设计之后才出现：每台机器装上独立的小电机，厂房改成宽敞的单层，生产线按物料流动重新排布。到了 1920 年代，美国制造业的生产率才迎来飞跃。瓶颈从来不在发电厂，而在那一场把工厂从里到外重新布线的改造。
今天的 AI，正走在同一个路口。大多数企业做的，就是当年换电动机那一步：在旧流程上加一个聊天机器人，然后发现没什么用，试点卡住了。模型就是那台发电机，能力早已足够；缺的是有人进到企业里面，把数据、权限、流程围绕 AI 重新布一遍线。
这个人，就是 FDE。FDE 的爆红，是企业电气化改造真正开工的信号。
这一次，不会再等三十年
当年的改造之所以慢，是因为要拆厂房、重新浇地基、一台一台换机器，而且根本没有人专门干这件事，每家工厂都得自己摸索。
今天的改造对象是软件和流程，不是钢筋水泥。更关键的是，改造的工具本身就是 AI：模型在帮 FDE 写集成代码、清洗数据、梳理流程。AWS 的做法是五六个工程师一组，带着 AI 智能体进驻客户，45 天交付一个生产系统。当年需要一代人完成的改造，现在是以周为单位推进的。而且这一次，全世界最有钱的几家公司已经亲自组建了专业改造队，几十亿美元正在往里砸。
每一座被重新布好线的工厂，都会开始不停地用电。当年电气化改造完成之后，美国的用电量一路狂飙了半个世纪。今天每一个被 FDE 改造好的业务流程，也会开始不停地消耗智能：模型在读合同、写代码、审单据，每一次判断，都是数据中心里实时生产出来的 token。
FDE 接通的每一个企业，背后都是一座要持续扩产的智能工厂。