OpenAI砸下$40亿，硅谷最火新职位出现了硅谷101

最近硅谷最火的岗位，非FDE莫属。FDE全称“Forward DeploymentEngineer”，可以直接翻译成“前线部署工程师”。他们既要懂模型和技术，也要理解客户的数据、流程和业务痛点，核心任务是把AI从demo变成各个职业自己的AI-native工作流。PerspectiveAI在2026年对1500名FDE的调查显示，前沿实验室资深FDE的年总薪酬中位数达到48.5万美元，资深员工级别则高达72.5万美元，顶级实验室的总薪酬区间落在35万至55万美元之间。

这股热潮的背后，是顶尖AI公司战略上的重大转向。今年5月，OpenAI联手19家PE，合计投入超40亿美元，成立了DeploymentCompany（部署公司），并收购了一家AI落地服务公司Tomoro，打包带走了150个FDE。Anthropic也宣布与包括Blackstone在内的多家金融机构合作，成立价值15亿美元的合资企业。这些顶尖模型公司，都开始押注同一种服务：不只是提供AI工具，而是深入企业内部，在具体业务场景中把AI能力真正部署起来。

本期《硅谷101》，我们请到了两位一线从业者讨论FDE和部署公司。我们聊了FDE这份工作的具体形态、它与Palantir早年军方部署模式的渊源，也讨论了在这波AI落地浪潮中，私募基金和咨询行业正在经历怎样的变化。

以下是这次对话内容的精选：

模型公司为什么开始做部署？

Yiwen：Jove，你怎么看待最近OpenAI、Anthropic和其他模型公司开始做AI部署的动作？

Jove：我觉得这就是FDE一下子就让大家上头的部分原因。作为一个工作类型，FDE从Palantir开始就已经存在了十几年的时间。我们公司是在去年1月份开始做FDE的这样一个部署，当时没有很明确的一定要招FDE，但是模模糊糊觉得需要把一些工程师拿出来跟客户走得更近，通过这些非常贴近的一些服务，能够了解他们想要什么，然后把我们的产品用到位。

但是过去一两个月，尤其是最近这一两个星期，出现了大量对FDE的讨论。我知道这次事情确实会来，但我没有想到会这么快，来得这么迅猛。但我觉得这也印证了几个事情：一是模型公司会意识到模型本身并不是一个产品，产品要落地还需要做大量的工作，这个是传统的模型公司很容易疏忽甚至是不屑去做的。但是你没有这样一个非常紧密的合作，对于有钱想买这个模型的人，他也觉得买了也不知道怎么用。我们发现FDE是一个非常好的形式。

另外，模型公司跟应用公司的边界就变得很模糊。OpenAI跟Anthropic的做法更多是：我依然招最好的人去训练我的模型——包括像Anthropic，大家可能知道他的模型就特别好，但也特别贵，可以卖得很贵，人效来讲可能会很高。但至于是说我要去向三百六十行每行去落地，那个需要大量的人，那这块我不见得想要自己找，所以这也是为什么有些是收购，有些是通过资本来让别的公司来做FDE。所以，模型公司跟应用之间的亦友亦敌的关系就变得更加纠缠不清了。

FDE的具体工作

Yiwen：如果要让你用一句话定义FDE，你会怎么说？

Jove：FDE是在跟客户紧密合作，能够让AI应用真正跑起来的工程师，且它承担了让产品变得更好的这样一个职责。所以FDE一是要把AI落地，二是把这些LessonLearned（经验教训）能够以直接的方式去改变产品，让产品变得更好。甚至像是一个“Forward DeployedCTO”，你是非常全面的一个人：你要把单子搞定，你要把AI应用落地，把客户锁住；但是你作为一个CTO，你不光是整天想着怎么让产品变得更好，甚至是你要自我革命了。所以FDE就做这样一个事情，就是把AI落地且用这些经验教训把产品变得越来越强。

Yiwen：在你接触到的客户里面，FDE是怎么样去改变他们现有的工作流的？比如，你们服务的这些财富100强的公司，很多都是不同领域的公司，对AI智能呼叫中心（Cresta的核心业务）这件事情有不同的需求，工作肯定也会涉及到很多他们专业领域的一些术语、知识甚至数据。这些客户是怎么样跟你们传递他们的需求的？你们又是怎么样去理解这些需求并且去做部署的？

Jove：针对客户体验这个领域，我们相对来说积累比较多，从2017年就开始做了。所以AI这个浪潮之前，有大量的人与人之间的这些对话就已经在Cresta这个系统里面，当然我们花大量工夫去做合规什么的。所以比方说，像Marriott这些大的公司，在Agent这个时代之前，就有人工Agent，所以有大量这些文本语音的语料，通过合规的方式在Cresta这边存储。

所以你可以想象，一旦我们决定去挑几个AIAgent的用例去做，我们肯定会去分析哪些用例是量比较大，但是又没有做起来那么复杂的。这也就是没有很多人工判断的，相当于说SOP比较清晰，量比较大。可能80%的业务量是来自20%的应用场景。有了大概的一些判断之后，我们可以借助过去的一些历史，能够去抽象出来说，有哪些典型的问题客户在问，作为一个客服——不管是人工的还是AI的——你应该怎么去有效地跟他解决这个问题。所以这些就避免很多猜的成分，因为我觉得AI跟数据需要做很好的结合。

在我们做一个相对比较大单子的时候，往往他已经用了很长一段时间Cresta别的产品了，我们可以基于他人工对话的一些数据，能够去提炼出它的一些规律，我们甚至可以用它的数据来训练一个小的模型，用那个模型来去做更多的模拟。所以FDE就要去作为一个相对有经验的这样一个AI落地官，去判断哪些用例我们可以先做，用例对应的这些资源是不是到位了；不到位的话，并不倾向于我们帮他改一批，更多是跟客户共创，包括后续做出一个版本的Agent，也要做大量的测试、做优化，其实也要花很多的精力。

Yiwen：你会需要去现场看客户是怎么样进行这些工作的吗？

Jove：前线部署这个词比较抓人眼球。包括我自己，包括我的同事，没有一次是超过一个星期在一个客户那边的。因为我们FDE不需要做一些初次联系或者是一些偏售前的事情，更多是说大家已经有很强的意向了，更多是拉我们作为一个专家，看怎么去落地更合适一些。

所以我们可能会有一个启动会，大家飞到他的办公室，我们可能闭门地开个两三天的会，把一些高层级的目标能够定下来，KPI定下来，把它对应的API能够验证，甚至如果顺利我们可以在那边做一个小型的PoC（概念验证），让他们产生兴趣。但是之后我们可能就各回各家，我们每周甚至每天都会有会议，开发都是要么在办公室或在家里面。我们可能会在项目所谓的UAT（用户验收测试）的时候可能会再聚一下，或者是我们谈到要考虑下一波的用例怎么做的时候。而且面对面的话，大家会有些眼神交流，大家甚至可以培养一些私交。你早期培养这些私交，有些信任对后续工作是很有用，很多大家不见得很方便书面化的东西，通过一些聊天和一些沟通能够培养更多的默契，更了解更多的背景，这些往往是你不到现场很难达到的。

但这些目的加在一块，都是为了能够把AI落地变得更加的扎实，而不是逼客户去学，而是说我们了解你要什么，然后帮你做出来。做完之后你想自己维护也可以，但是AI落地这个事情就属于又难、时间又漫长，但是FDE会让它变得稍微简单一些。

图片来源：Pixabay

Yiwen：FDE这个概念是由Palantir一开始发明并且推广的。最早的时候，Palantir其实是有两个团队，一个叫Echo，一个叫Delta，这两个它们放在一起成为了一个FDE。但是可能Deltas更像我们现在理解上的FDE，就是工程师的这样一个角色；Echo这一批人他们更多是熟悉这个专业领域。这个能不能给我们讲一下，你觉得当时Palantir解决的核心问题是什么？

Jove：对，Palantir作为这个模式的最初的创造者来讲肯定值得尊重。当然他的业务会非常的神奇，因为不是每个厂商都能够去做一些军方的业务。在10年、15年前他开始做，我觉得因为很多具体想要什么，他是不高兴说得很明的，你必须是跟他们面对面，跑到同一个军营的帐篷，看到这些数据他才愿意说得很细，而且中间又会涉及到比如说数据建模或者是要临时做API。所以他是招了这两个团队：一个团队是有点像前线驻场软件工程师类似的，另外一个是偏业务负责人的——对，一些作战或者是一些抢救之类的他会比较熟。一个是偏技术，一个非技术。

FDE我们通常意义上来讲，还是一个非常技术的工种。对Cresta来讲，我们其实也是觉得这样的方式会比较合适。最理想情形当然是你一个人什么都会，就像所谓的一人公司一样，你既是CEO又是CTO，但毕竟这样的人比较难招，而且大家精力比较有限。所以我们做过一些尝试，比如说我们早期也有所谓的“对话设计师”，他更多对人际交互、共情很多细节会比较熟，他不需要技术。我们最近这差不多一年的方式，也是有所谓的FDE和FDPM（ForwardDeployed Product Manager，前线部署产品经理）一起配合，FDPM就不需要那么技术。

FDE像一个Forward Deployed CTO，可以想象FDPM就是Forward DeployedCEO，他用他的人际能力、沟通能力、协商能力，与客户深度磨合，花很多时间去培养信任，知道他到底想要什么。包括做一个Agent，你该说什么不说什么，你的测试集应该怎么去创建，很多事情跟编码没有那么直接相关，他也不需要知道安全应该怎么做、网络怎么配，但这个本身是个很扎扎实实的一大块的活，FDPM就可以专门对这块做一些把控。就像CEO一样，他为整个公司负责，FDPM就为整个AIAgent的智能体行为和能力水准负责；FDE就是从技术角度确保这个实现是合理的，我们对应的测试是健全的，包括FDE还带有把这些经验教训带回公司，能够把产品变得更好这样一个职责。

这样一个FDPM跟FDE合在一块，因为我们很容易一天要跟两三个客户开好多的会，这些会对于FDE来讲并不是每个都要参加，因为他可能还在讨论我应该先说什么后说什么，如果大家有个结论，实现来看不是一个很难的事情，所以大家分工不一样。FDE就可以更注重这些AI的一些行业最优实践，怎么能够把经常要做的一些开发的工作，把它变成SDK、工具包、CLI，我们更多从技术角度来做贡献；而FDPM就可以把握具体的一些需求，包括有的时候会有一些风险，你怎么去上报，甚至是你要去追加销售——原先你已经做了三个用例，你是不是可以做成六个。有大量这种，你就把它想象成CEO和CTO的差别，我觉得还是有效的，这样避免对招聘的人的要求过于高，而且让一个人每天要花大量时间做不同的事情，这样分开两个之后会好一些。

Yiwen：所以总结一下就是，FDE其实本身是一个技术性比较强的这样一个职位；FDPM更多是对行业知识的了解，我理解可能这些人很多是从比如说咨询背景，或者更多的是一个企业运营的背景。我觉得可以借这个机会说一下，你觉得什么样的人最适合当FDE？一个优秀的FDE是什么样的？

Jove：我觉得也是逼自己抛出来句话：我要说打造全世界最好的FDE团队。对，是个目标。虽然说现在获得一些成绩，但我确实觉得，Palantir巨大的成功，或者是它的股票往上涨，有多少比例是因为FDE这个其实很难讲，因为它本身有太多因素在里面，但是它开创了这样一个模型。但现在FDE变成很热门，是因为AI落地有太多的困难，而这个复杂性你不想把它直接抛给客户，而FDE能够把这些复杂的层面自己消化掉，能够给客户一个很好的方案。

而且对于很多产品公司，或者是SaaS或平台公司来讲，FDE把在前线的这些经验教训直接去改变产品了。因为你想，10年前Palantir的FDE就算知道产品有很多漏洞又怎么样？他可能回头只能写封信或者是开一个工单求着别人去改，可能再过半年就改好了。但是因为现在AICoding特别强，所以我们这些FDE——当然我们招的时候就会门槛比较高，希望是比较好的工程师——但是另一方面，因为有这些AICoding Agent、ClaudeCode或者是这些模型，你知道哪里不对，哪里有提升空间，哪里可以做得不一样，哪怕你有5个、10个不同的repo、不同的语言、不同的栈，你就可以很容易地让AI帮你做成这个样子，然后你找个合适的人复盘就可以了，所以这个迭代就很快。