从 Palantir、OpenAI、Anthropic、Google Cloud 到 Databricks、Scale AI、Harvey看智能体时代全链路工程师的能力重构。AI-Native FDEAgentic Workflow客户现场 × 工程交付 × 产品化沉淀过去几年企业数字化转型领域有一个岗位正在悄悄升温FDEForward Deployed Engineer前线部署工程师。如果放在十年前大多数人第一次听到这个岗位可能会以为它只是“高级售前”或者“客户现场工程师”。但到了大模型和智能体时代FDE 的含义已经发生了根本变化。它不再只是一个“去客户现场解决问题的人”而是 AI 公司把前沿技术真正打进企业生产系统里的核心兵种。在 Palantir它叫 Forward Deployed Software Engineer是嵌入客户现场、用平台和工程能力解决最难问题的人在 OpenAI它是把前沿模型从研究突破变成客户生产系统的人在 Anthropic它要交付 MCP server、sub-agent、agent skills 等真正进入工作流的技术资产在 Google Cloud它被定义为 embedded builder要把原型推向 production-grade agentic workflows在 Databricks它是帮助客户生产化第一类 AI 应用的专业服务尖兵在 Scale AI它要开发生产级 AI agents、多智能体系统、评测框架和 human-in-the-loop 机制在 Harvey它则进入法律等专业服务场景把复杂行业工作流转化为可复制的 AI 产品能力。AI 时代真正稀缺的不是会调用模型的人而是能进入客户现场把复杂业务、数据系统、组织流程和智能体能力连接起来的人。这类人就是新一代 FDE。图 1全球 FDE 范式演进——从客户现场工程到前沿模型与智能体生产部署。一、FDE 的起点Palantir 定义了“前线工程师”的原型如果要理解 FDE绕不开 Palantir。Palantir 官方博客对 FDSE 的定义很清楚它是嵌入客户现场的软件工程师负责配置 Palantir 既有平台解决客户最困难的问题。Palantir 还特别区分了传统软件工程师和 FDSE传统软件工程师更像是“为很多客户开发一个通用能力”而 FDSE 更像是“为一个客户组合很多能力”。这句话非常关键。传统工程师的逻辑是产品中心主义我做一个标准产品卖给很多客户。FDE 的逻辑是客户现场主义我进入一个客户的真实环境把平台、数据、流程、应用、用户一起拉通解决一个具体而复杂的问题。Palantir 另一篇文章进一步解释Forward Deployed Software Engineer 的使命是为客户实现技术驱动的价值创造部署和定制 Palantir 平台解决关键业务问题并且以客户目标的影响作为衡量标准。它不是做一次性的咨询分析而是和客户一起构建长期解决方案让客户持续改善自己。不是给客户写代码而是把代码、数据、平台和业务结果连接起来。Palantir 的岗位描述也非常直接FDSE 要直接与客户合作快速理解客户最大的问题设计并实现用数据解决这些问题的方案工作内容可能包括讨论架构、处理大规模数据、写定制 Web 应用、和客户高管沟通甚至建立团队策略。Palantir 还把这个角色比作“startup CTO”强调小团队、高自主性和高风险项目的端到端负责。这也是为什么 FDE 和传统售前不一样。售前讲方案FDE 做方案。顾问发现问题FDE 把问题做成系统。交付工程师完成任务FDE 对客户结果负责。到了 GenAI 时代Palantir 又把这个岗位升级为 Forward Deployed AI Engineer。其岗位说明写得更直白FDE 要直接与客户合作负责 GenAI 战略与实施每天构建端到端工作流把它们推向生产解决最大规模的真实世界问题并把一线经验反馈给 Palantir AIP 产品套件。Palantir 还明确强调这个岗位要解决真实业务问题而不是学术 benchmark。FDE 不为 Demo 存在FDE 为真实业务结果存在。二、OpenAIFDE 从“现场工程师”升级为“前沿模型生产部署负责人”如果说 Palantir 定义了 FDE 的原型那么 OpenAI 则重新定义了 AI 时代 FDE 的边界。OpenAI 的 FDE 团队定位是帮助客户把研究突破转化为生产系统工作在客户交付和核心平台开发的交叉点。其岗位职责强调FDE 要带领最战略客户完成复杂的前沿模型端到端生产部署负责 discovery、technical scoping、system design、build 和 production rollout。这意味着 OpenAI 眼里的 FDE不是“模型 API 的实施顾问”而是一个从问题发现到生产上线的全链路 owner。更重要的是OpenAI 对成功标准的描述非常值得关注FDE 的成功不只是模型接通也不是 Demo 成功而是生产采纳、可衡量的工作流影响以及能够通过评测反馈改变产品和模型路线图。这里有三个关键词。第一production adoption。客户真的用起来才算成功。第二measurable workflow impact。必须对客户工作流产生可衡量影响不能只停留在“体验很好”。第三eval-driven feedback。一线评测结果要反哺产品和模型路线图。OpenAI 还要求 FDE 从第一个原型到稳定生产负责技术交付构建全栈系统嵌入客户团队理解客户需求并推动采纳当进展或清晰度依赖代码时FDE 还要直接写代码同时要把工作模式沉淀为工具、playbook 或 building blocks供其他团队复用。AI 公司真正需要的 FDE不是“会讲模型能力的人”而是“能把模型能力变成客户生产力的人”。从 OpenAI 的定义看FDE 至少要跨越五个层次能理解客户业务场景能定义技术边界和系统设计能亲自构建全栈系统能推动生产上线和客户采纳能用评测结果反哺产品和模型。这也对国内企业培养 FDE 提出了更高要求。很多团队现在还停留在“会做一个 AI Demo”的阶段但 OpenAI 这样的公司已经把标准提到“从 Demo 到生产从生产到评测从评测到产品演进”。这就是 FDE 的第二次进化。三、Anthropic智能体时代的 FDE要会 MCP、子智能体、Agent SkillsAnthropic 的 FDE 岗位更能体现智能体时代的技术变化。它的 Forward Deployed Engineer, Applied AI 岗位说明中明确要求 FDE 在客户系统内构建基于 Claude 模型的生产应用并交付 MCP servers、sub-agents 和 agent skills 等技术资产而且这些资产会被用于生产工作流。这说明一个重要趋势FDE 的交付对象正在从“应用系统”变成“智能体能力单元”。过去做企业软件我们交付的是页面、报表、流程、接口。现在做企业 AI我们交付的是能调用工具的 Agent能连接数据源的 MCP server能承担子任务的 sub-agent能封装专业能力的 agent skill能被纳入工作流的智能体组件。Anthropic 对候选人的要求也很清晰需要具备 LLM 生产经验包括高级 prompt engineering、agent development、evaluation frameworks 和规模化部署能力还要有 Python 等编程能力、能够在复杂组织中处理模糊性并保持安全、有益 AI 系统的价值观。这对于我们设计 FDE 培训非常关键。传统 FDE 培训只讲客户研究、原型开发、系统集成已经不够了。智能体时代的 FDE 必须懂四件新东西Agent 架构、工具协议、评测框架和安全边界。AI 时代的 FDE不只是应用工程师而是 Agentic Workflow Engineer。四、Google CloudFDE 是 embedded builder不是传统顾问Google Cloud 对 FDE 的定义最接近今天企业 AI 落地的真实痛点。Google Cloud 的 Generative AI FDE 岗位写道FDE 是 embedded builder连接前沿 AI 产品和客户生产级现实。不同于传统 advisory role它要作为 innovator-builder进入客户环境中 code、debug并与客户共同交付定制化 agentic solutions。这句话特别值得拆开看。第一embedded builder。FDE 不是站在外面讲架构而是嵌进去建设。第二frontier AI products 与 production-grade reality 之间的桥。模型厂商有最强模型客户有最复杂现实。FDE 就是中间那个翻译器和连接器。第三code、debug、jointly ship。不是 advisory不是 PPT不是 workshop而是一起写、一起调、一起上线。Google Cloud 还明确指出FDE 要处理 AI 无法进入企业级成熟度的阻碍包括 integration complexity、data readiness 和 state-management issues。它还要求 FDE 把现场洞察转化为 Google Cloud 产品路线图的反馈。这几乎说中了所有企业 Agent 落地的核心障碍。很多企业 AI 项目失败并不是模型不够强而是数据没有准备好、业务流程没有拆清、系统接口没有打通、权限边界没有定义、多轮任务状态管理混乱、评测和观测缺失、最终用户没有采纳。Google Cloud 对岗位技能的要求也非常具体FDE 要能实现多智能体系统懂 ReAct、自我反思、层级委派等复杂 Agent 模式理解 tokens/sec、cost-per-request 等 LLM 原生指标能够实现包含 MCP、tool-calling 和 OAuth 认证的 agentic workflows还能构建与企业 IT 基础设施交互的全栈应用并通过访谈找到业务问题。FDE 的核心战场不是模型能力展示而是生产阻塞点清除。谁能把数据、接口、权限、状态、评测和用户采纳这些脏活累活做通谁才是真正能落地 AI 的人。五、DatabricksFDE 必须懂数据因为 Agent 的底座不是 Prompt而是 DataDatabricks 的 AI Engineer - FDE 岗位把 FDE 放在数据智能平台的语境下理解。Databricks 说AI Forward Deployed Engineering 团队是一个高度专业化、面向客户的 AI 团队帮助客户构建并生产化 first-of-its-kind AI applications同时和工程、产品、开发者关系等团队协作影响长期战略优先级。它要求 FDE 开发前沿 GenAI 解决方案拥有面向消费者和内部用户的 GenAI 应用生产上线能力担任客户可信技术顾问并与产品和工程团队协作影响产品路线图。更关键的是它对技能的要求候选人需要有 GenAI 应用经验包括 RAG、多智能体系统、Text2SQL、fine-tuning 等还要具备生产级 GenAI 应用部署、评测与优化能力以及数据科学、机器学习、云平台和大规模分布式数据处理能力。没有数据工程能力的 FDE很难做出真正可用的企业 Agent。因为企业智能体不是一个简单聊天窗口它通常要处理企业知识库、历史文档、业务数据库、指标体系、权限数据、工单数据、CRM、ERP、MES、OA、日志与行为数据、外部公共数据、多模态文件与结构化表格。一个不会数据摄取、不会数据清洗、不会 schema 理解、不会向量检索、不会 Text2SQL、不会评测 RAG 质量的 FDE很容易把 Agent 做成一个“会说但不可靠”的壳。Databricks 给国内 FDE 培训最大的提醒是智能体训练营不能只教 Prompt 和 AI Coding必须把数据工程、RAG、Text2SQL、评测和数据治理放进核心课程。未来的 FDE一半是 Agent 工程师一半是数据产品经理。六、Scale AIFDE 要把 Agent 做到可评测、可反馈、可持续改进Scale AI 的 Forward Deployed AI Engineer 更强调“可靠 AI 系统”和“数据基础设施”的结合。其岗位要求 FDE 开发面向客户用例的生产级 AI agents覆盖客服、数据分析、内容生成、工作流自动化等场景还要架构多智能体系统在不同模型、工具和数据源之间编排实现评测框架来衡量 Agent 表现并围绕业务目标持续迭代同时设计 human-in-the-loop 工作流和反馈机制。这段描述几乎是 Agentic FDE 的标准答案。一个成熟的企业 Agent不能只回答问题它必须进入一个闭环任务输入、Agent 执行、工具调用、人工确认、结果评测、反馈学习、持续优化。Scale AI 还要求 FDE 做 prompt 策略、prompt library、A/B testing、RAG 和 fine-tuning pipeline同时要成为战略企业客户的主要技术联系人培训客户团队并把客户需求转化为产品改进。更值得注意的是Scale AI 把 debug 范围定义为“从数据管道到模型输出的整个技术栈”并要求快速原型帮助客户 unblock同时识别可产品化的共性模式。这意味着 FDE 的工作并不是“我做完一个客户项目就结束了”。真正优秀的 FDE 要完成三次转换第一次把客户问题转换成 Agent 原型第二次把 Agent 原型转换成生产级系统第三次把生产级系统转换成可复制产品资产。七、Harvey垂直行业 FDE 的关键不是懂 AI而是懂专业工作流Harvey 是法律 AI 领域的代表它的岗位虽然不完全都叫 FDE但非常能说明垂直行业 AI 落地需要什么样的人。Harvey 的 New Verticals 工程岗位要求工程师处理用户应用、后端服务、数据系统、文档和知识管道、agentic workflows 等端到端问题根据问题不同工作可能包括构建前端体验、设计 API、建数据模型、搭 ETL pipeline、改进检索和评测循环、编排长周期 Agent或者交付平台能力。更重要的是它要求工程师直接与客户、产品、设计和工程合作理解复杂法律工作流并把它们转化为稳健、可扩展的软件。Harvey 明确说目标不是交付定制解决方案而是识别可重复模式把它们转化为持久的产品和平台能力。这就是垂直行业 FDE 的核心。在法律、证券、交通、能源、制造、政务这些领域AI 落地失败的原因往往不是技术而是“不懂业务”。你不知道律师怎么审合同不知道投顾怎么做适当性管理不知道调度员怎么处理异常不知道工程师怎么查设备故障不知道政府部门怎么写申报材料就很难设计出真正可用的 Agent。Harvey 的 Legal Engineer 岗位进一步说明了“领域专家型 FDE”的价值。Legal Engineer 是来自顶级律所或企业法务团队的专业律师他们通过客户发现、教育和演示把 Harvey 的 AI 解决方案映射到律师日常工作流中并作为客户之声把反馈带给产品团队。未来的 FDE 不只有技术型还有领域专家型。行业知识不是 FDE 的附加能力而是 FDE 的护城河。图 2Agentic FDE 九宫格能力模型。八、全球大厂 FDE 要求背后的共同能力模型综合这些公司公开岗位和官方材料可以看到全球 FDE 正在形成一个共同能力模型。第一客户嵌入能力FDE 必须能进入客户现场与一线用户、业务负责人、技术团队和高管一起工作。Palantir 强调直接支持一个客户、围绕客户目标实现影响OpenAI 强调嵌入客户团队、理解需求并推动采纳Google Cloud 则直接把 FDE 定义为 embedded builder。第二问题发现能力FDE 不是等需求而是做 discovery 和 scoping。OpenAI 明确把 discovery 和 technical scoping 放在岗位职责最前面Harvey 也强调通过客户发现理解具体法律工作流。第三全栈工程能力全球大厂对 FDE 的共识是必须能写代码。OpenAI 要求构建 full-stack systems并在需要时直接贡献代码Google Cloud 要求 code、debug、jointly shipHarvey 要求前端、后端、API、数据模型和开发者工具端到端构建。第四Agent 工程能力Anthropic 要求 MCP servers、sub-agents、agent skillsGoogle Cloud 要求多智能体、MCP、tool-calling、OAuthDatabricks 要求 RAG、多智能体、Text2SQL、fine-tuningScale AI 要求生产级 AI agents、多智能体系统和 human-in-the-loop。第五数据工程能力Databricks 强调数据和 AI 平台能力要求 FDE 具备数据科学、机器学习、云平台和分布式数据处理能力Scale AI 要求 debug 从数据管道到模型输出的整个技术栈Google Cloud 把 data readiness 明确列为企业 AI 生产化阻塞点。第六评测与观测能力OpenAI 强调 eval-driven feedbackAnthropic 要求 evaluation frameworksGoogle Cloud 要求 evaluation pipelines 和 observability frameworksScale AI 要求实现评测框架并围绕业务目标迭代。第七组织推动能力FDE 必须能和客户、销售、产品、工程、安全、GTM 多方协同。OpenAI 要求与 Product、Research、Partnerships、GRC、Security、GTM 团队协作Anthropic 要求建立长期客户关系并识别新的 AI 部署机会Scale AI 要求培训客户团队并作为战略企业客户技术联系人。第八产品化沉淀能力这可能是 FDE 和外包工程师最大的区别。OpenAI 要求把有效工作模式沉淀为 tools、playbooks 或 building blocksAnthropic 要求识别并编码可重复部署模式Google Cloud 要求把现场模式和摩擦点转化为可复用模块或正式产品需求Harvey 要求把定制方案变成 durable product and platform capabilities。图 3真正优秀的 FDE 会把一次客户交付沉淀成可复制的行业资产。九、对中国企业的启示FDE 是智能体时代的“前线造局者”如果把这些全球大厂的要求翻译成中国企业 AI 转型语境FDE 应该被重新定义为FDE 是嵌入客户现场的 AI 原生全链路工程师负责从客户研究、问题识别、技术范围界定、智能体方案设计、AI Coding 原型构建、数据与系统集成、评测与安全治理到 POC 转化和产品化沉淀的端到端交付。这个定义里有几个关键词。第一嵌入客户现场。不进现场就不懂真实问题。第二AI 原生。不是传统软件项目经理加一点 AI而是从模型、Agent、数据、工具调用、评测、安全出发重新设计解决方案。第三全链路。从客户研究到 POC 转化从原型到生产从交付到产品化都要懂。第四结果导向。不是完成任务而是推动客户采纳、验证业务价值、形成下一步项目机会。第五产品化沉淀。每做一个客户都要沉淀一个场景模板、Agent PRD、工具接口、评测集、Demo 脚本和 ROI 模型。这类人非常像一支企业 AI 转型的特种兵。他们不一定坐在总部最漂亮的办公室里而是经常在客户现场、会议室、数据机房、业务部门、一线流程中穿梭。他们既要能听懂客户说的“我们效率太低”也要能追问“哪个流程、多少频次、多少损失、谁来决策、数据在哪里”。他们既要会写代码也要会判断这个功能有没有商业价值。他们既要会做 Agent也要知道哪些动作不能自动执行哪些必须 human-in-the-loop。他们既要能做 Demo也要能设计 POC 验收指标。他们既要能说服客户一线用户也要能给客户领导讲清楚这件事为什么值得立项。这就是新一代 FDE 的画像。十、FDE 培训体系基于全球大厂公开要求FDE 培训体系可以进一步升级为九大模块。模块培训重点全球 FDE 认知Palantir、OpenAI、Anthropic、Google、Databricks、Scale、Harvey 的岗位范式客户研究行业、公司、业务链、组织、关键人、预算路径问题发现Discovery、Technical Scoping、业务损失、流程断点商机转化线索评分、POC 切口、ROI 叙事、客户下一步动作Agent 设计Agent 角色、任务、工具、权限、状态、审计AI Coding前端、后端、API、数据库、模型调用、快速原型数据工程RAG、Text2SQL、ETL、向量库、数据质量、知识库评测治理Eval、Observability、Guardrails、Human-in-the-loop产品化沉淀Playbook、组件、模板、场景资产、产品路线图反馈最终培养目标不是“会用 AI 写代码的人”而是能把客户现场的一团乱麻重构成一个可运行、可评测、可交付、可复制智能体的人。FDE 不是岗位名称而是一种新型生产关系今天AI 技术已经不缺模型不缺 API不缺 Demo。真正缺的是谁能把这些能力带进企业真实场景穿过组织墙、数据墙、流程墙、安全墙、预算墙和认知墙。这件事传统售前做不了。传统顾问做不深。普通工程师做不全。纯产品经理做不快。所以 FDE 出现了。FDE 是智能体时代的前线造局者。他站在客户现场也站在产品前沿他理解业务也理解代码他懂技术也懂组织他做原型也推转化他解决一个客户的问题也沉淀一个行业的模式。未来企业 AI 转型真正的分水岭不是谁买了最强模型而是谁拥有一支真正能打仗的 FDE 队伍。传统工程师交付功能FDE 交付结果。 传统售前讲方案FDE 做出方案。 传统顾问发现问题FDE 把问题做成系统。 传统交付完成项目FDE 把项目沉淀成产品能力。 AI 时代最稀缺的人不是会调用模型的人而是能把客户现场变成智能体战场的人。
