AI帶火了FDE，從業者過得怎麽樣？
FDE火了。
FDE，全稱Forward Deployed Engineer（前線部署工程師）。現在，它更多指那些深入客戶現場、負責把大模型接入業務流程的人。他們既要寫代碼、搭係統，也要跟老板和員工溝通，把企業一句“想用AI”的模糊需求變成真正能跑起來的產品和工作流。
其實早在2010年前後，美國科技公司Palantir就已經設立和推廣FDE，但此後長期隻存在於少數企業軟件公司。大模型興起後，企業發現，接入模型不等於擁有一套能用的AI係統。老係統連不上、數據散落在微信和Excel裏、老板說不清需求，這些都需要有人來到現場解決。於是，連接AI產品與企業業務的FDE被推到台前。
招聘需求也在上漲。美國招聘平台Indeed數據顯示，FDE相關招聘崗位從2025年4月的643個，增加到2026年4月的5330個，同比增長729%。在國內，類似的需求也在出現，主要來自兩類玩家：一類是服務政企和大客戶的模型公司，FDE負責模型的售後和落地交付；另一類是個人或小團隊，為用不好AI的中小企業提供定製服務。
需求起來了，商業模式卻還沒定型。有人按項目報價，有人收谘詢費或訂閱費，也有人從降本金額中抽成，或者把方案做成模板重複出售。老板更容易理解的是“數字員工的年薪”，但改造一套工作流程究竟值多少錢，仍然沒有標準答案。
爭議也跟著來了。有人稱它是AI時代最值錢的新職業，培訓機構更是以“零基礎三個月轉行、年薪百萬”為口號吸引用戶；也有人認為，它不過是解決方案架構師、實施顧問和交付工程師換了一個新名字，甚至被認為就是外包崗位，沒有含金量。
我們和五位FDE從業者聊了聊。他們中，有剛畢業就接下億元營收企業項目的新人，有日薪200元、每周工作50個小時的實習生，也有自由職業者、產品經理和FDE社群發起人。
真正進入企業後，他們發現寫代碼隻是工作的一部分，更多的時候他們要駐場、開會、培訓員工，摸清混亂的數據和封閉的老係統。收入也沒有傳聞中的光鮮，有人接到數萬元訂單，卻要承擔獲客、開發、返工和運維工作；有人頻繁出差、熬夜交付，拿的仍是產品經理的工資。
五個人的判斷相近：FDE有需求，但還算不上一個成熟的行業；企業想用A提效卻說不清需求，他們需要承擔大量溝通工作；收入不均，外界傳的百萬年薪，幾乎沒人真拿到。
01.公司第一位專職FDE，項目80%的活都要參與
馮又又｜00後 深圳 內容營銷科技公司FDE
今年6月底，我入職了一家做B端內容營銷的公司。麵試的崗位是AI產品經理，結果入職一周，我就被派去外地駐場，開始做FDE。
我們是一支AI原生小團隊，分工沒有卡死，開發和前端崗位單獨拆分，我是公司第一位專職FDE，也是對接客戶最多的人。
傳統AI產品經理主要負責畫原型、寫文檔，再對接開發和驗收，隻參與項目的中間環節。FDE卻要從頭跟到尾，挖需求、去現場、梳理業務、做Demo、推動落地，最後還要把經驗沉澱成可以複用的框架。算下來，一個項目裏大約80%的工作，我都要參與。
現在我的日常工作是，六分溝通、四分技術，大半時間在外出差，最長一次駐場客戶將近一個月。典型駐場節奏是上午和企業負責人開會，挖掘真實業務卡點；下午整理客戶零散訴求，用各類AI工具快速搭建流程Demo；晚上熬夜優化方案，第二天和客戶閉環驗證，一輪輪反複調整，直到AI方案能落地。
圖源 / pexels
Codex、Kimi、Copilot等各類工具我都會使用，它們能幫我整理資料、搭建項目框架、寫文檔。過去需要開發配合幾天才能做出的原型，現在半天就能完成。但AI隻能做執行，產品架構、業務取舍、和客戶溝通談判、最終落地決策，完全替代不了。
今年我的確感覺到FDE崗位突然變多了，但是薪資方麵並沒有網傳那樣誇張。我現在拿的還是產品經理的薪資。但我現階段更看重的是能直接接觸客戶、主導項目、對結果負責的機會，這些經曆在別的地方很難得到。
現在這個崗位還在探索期，各家公司的理解和要求都不一樣。比如部分企業要求FDE全包前後端開發，但在我們公司，我隻負責需求梳理、原型搭建、落地跟進，後端有專職開發配合。ToB內容營銷客戶決策鏈簡單，負責人能直接拍板推進落地；如果是麵向海量C端用戶，用戶訴求分散、平衡成本與體驗難度會高出一大截。
我自己最焦慮的是，做的事情太多太廣，但深度不夠。溝通能力一直在提高，技術的判斷力卻可能沒跟上。每天都在解決客戶的問題，沒太多時間思考怎麽沉澱出可複用的產品能力。
AI行業名詞迭代速度極快，Prompt工程師、Agent工程師一波波更新，但我相信這個崗位即使以後不叫FDE了，裏麵沉澱下來的能力——溝通、判斷、落地，是能帶走的。給想入行的人一個建議：別被“高薪”標簽衝昏頭，先低成本驗證一下自己適不適合，比如從頭到尾做一個產品，跟真實用戶聊一聊。如果你對高不確定性、強溝通、動手幹活這些事不排斥，那可以試試。
AI時代，FDE這個崗位會不會一直存在不好說，但能在一線把問題解決掉的人，應該永遠有位置。
02.成為FDE之後，我每天先研究別人怎麽工作
@82LSF｜ 30歲 廣州 自由職業
我本科讀的是計算機，畢業後在廣東一家上市公司做金融風控軟件，主要服務港交所這樣的客戶。
去年我開始做自由職業，接一些軟件開發和AI項目的活兒。上個月，經朋友介紹，我去了一家傳統的餐飲連鎖公司做FDE。
嚴格來說，我更像一個OPC（一人公司）。我的想法很實際，先服務好這家公司積累案例，再去開發更多的客戶。目前，我已經沉澱下10多個行業通用的skill，這是我最大的收獲。
上崗第一天，我進入公司的企業微信群，沒有急著寫代碼，而是先跟著運營、市場、配送、店長，看他們每天的活兒是怎麽幹的，把餐飲行業員工的日常工作流程摸清楚。這一步非常重要。很多時候，客戶隻能告訴你，他們希望“用AI提效”，但他們並不知道AI究竟應該用在哪個環節。FDE需要自己進入業務流程，觀察員工每天填什麽表、寫什麽報告、整理什麽數據，再找出那些重複頻率高、又不需要複雜判斷的工作。
摸清之後我發現，這家公司大部分工作還是靠人力填表、做匯報、寫合同，最多就是用一用豆包，所有辦公流程極度依賴桌麵辦公。
我開始用WorkBuddy為每條業務線、每個部門開發專屬的skill，把日常瑣事簡化，讓沒有價值的重複性勞動交給AI。比如每天自動抓取各門店營收數據的日報表、打卡異常表、進銷存比價表。
這些活兒以前都是人手動填，每天要坐在電腦前半小時甚至一小時，現在基本由AI自動完成，每個人每天至少節省半小時。一個月下來，差不多省出一個人的工時。
現在skill跑通後，員工甚至不需要坐在電腦前辦公，直接在移動端微信裏發一條自然語言指令，就能完成絕大多數重複性的日常工作。
作者聲明：該圖片由AI生成
圖源 / AI生成
很多人問FDE到底需要什麽能力。
我的體會是，首先要對底層技術有係統性理解，比如把握API、MCP協議的邊界，尤其在企業裏，不同崗位能接觸的業務邊界必須清晰，有些數據可以看，有些隻能查不能寫，有些甚至不能看。
其次要對你所服務的行業有所了解，這一點有點像谘詢公司做的事。你得先理解客戶怎麽運轉，才知道AI能用在哪裏。
最後，也是最重要的，是溝通。相比技術，FDE的溝通能力可能更重要，如果一直理解不了客戶的需求，或者不能快速解決問題，對方也會沒有耐心。
但具備這些能力，也不意味著項目一定能跑通。以我的觀察，FDE派到企業裏、兩三個月幹不出來、最後黃掉的項目太多了。
至於未來，我並不焦慮。進一步看，我認為這一領域至少還需要三到五年的沉澱，甚至更久，才能真正構建起成熟的產品、方法論與服務生態。
03.實習每天200塊，最忙時一周工作近50個小時
哲偉｜ 00後 北京 FDE實習生
入職一個月，我對FDE最直接的感受是，網上說的和實際完全是兩回事，這是一份“理想”與“現實”對比鮮明的職業。
很多人對這個崗位的印象，停留在“年薪百萬”“六分溝通四分技術”“靠AI提效就能躺賺”。但落到一線，外界吹得神乎其神的AI自動化，往往是大量繁瑣的“髒活”。
作為一名FDE實習生，我的日薪是200塊，最忙的時候，一周工作接近50個小時，每周有三天要駐場或者出差，性價比確實很低。
早上我通常要到客戶現場，先開幾個小時的會，確認需求是什麽、安排後續如何交付，剩下的時間全部用來寫代碼。如果趕上工期緊，我可能要連續寫七八個小時，甚至睡覺前還要給自己的Agent留一個超長任務，讓它夜裏繼續跑，第二天我再驗收成果。
圖源 / pexels
當然，熬夜趕出來的東西質量不高。但現在大家覺得，既然有了AI，開發就應該是一天一個進度。可實際上，代碼生成後還需要審核、測試，這些才是最耗時間的環節。加上AI變化很快，很多概念和新東西都要學。我常常覺得自己不像在打工，更像一個“科研民工”。
入行前，我以為FDE的工作是把客戶的痛點梳理清楚，然後扔給AI，人做一點微調就行。真正開始工作後才發現，客戶往往有一堆老係統，你得先摸清它的運行模式和開放程度；如果客戶的數據很亂，還得先做清洗。但客戶會不理解，覺得自己就想要個AI功能，為什麽要做那麽多鋪墊。
有一次，客戶想在公司內部搭一個飛書AI助手。這個任務的難點不是安裝，是要把飛書AI助手、我們服務器上的程序和飛書的在線表格連接起來。而這三個東西要互相通信，得加一個中間服務才行。
為了實現批量修改文件和調整樣式，我們又接入了外部工具“秒搭”。但工具越來越多，排查問題也越來越麻煩。一旦出了問題，我至少要在三個地方分別排查：是中間服務算錯了？還是表格數據有問題？還是AI助手的設置沒寫好？
本來想借助工具省事，最後卻因為接入太多工具，給自己增加了工作量。折騰到最後，還是放棄了這套方案，改回了老辦法，在自己服務器上搭AI助手，再用其他工具調試，反而簡單多了。
我覺得FDE不像外界說的那樣是解決方案架構師或交付工程師換了時髦名字，它其實是在AI加持下，把很多傳統崗位合並成了一個崗位。以前可能是幾個人分工的事，現在全壓在一個人身上，要求不僅要懂代碼，還要比客戶更懂業務細節和風險。
有人說，FDE是一個過渡性崗位，兩三年後AI方案定型了就不需要這麽多人了。我倒不這麽看，隻要企業的業務流程還在不斷變化，隻要有新的場景需要人去理解和落地，FDE就不會消失。隻不過未來做FDE的門檻會越來越低，因為AI工具會越來越強。但門檻越低，真正稀缺的反而是那些能梳理複雜業務、敢拍板技術方案的人。
長遠來看，我可能會轉型去做獨立開發者，搞個一人公司。給別人幹，瑣碎的事情太多，完全沒有自己的節奏。同樣是解決問題，我更想用自己的方式來做。
04.FDE是“六邊形戰士”，我自己也沒做到滿格
XIAO｜ 23歲 杭州 創業
我進入FDE這一行，可以說是誤打誤撞。從6月到現在，還不到兩個月。
我本科在北郵，碩士在南洋理工。我最早在網上看到一位博主分享FDE，我覺得自己挺適合做FDE，溝通能力不弱，對AI也有自己的理解，後麵才發現他是我的直係學長，現在還成了我的合夥人。
在學長的影響下，我開始嚐試用AI改造企業工作流。他幫我拍了一條相關視頻，發出去沒多久，第一單就找上門了。一位“廠二代”當時在自己家合作的銷售公司實習，把我介紹給了老板。對方想做一套定製化CRM係統。我們先在線上聊合作意向，也聊對這個行業的認知。到了周末，我就趕去溫州，把之前做過的東西一樣樣擺給老板看。老板看重我們年輕人有技術，雙方談得很愉快。周日當天，我們就敲定了口頭協議。
現在我接觸的客戶，年營收基本都在1億元以上。其中一家年營收約2億元的供應鏈企業，想做一套拍照識圖係統，把識別的信息自動導入ERP。
聽起來不複雜，但真正做起來完全是另一回事。真正考驗FDE的，不是模型能不能識別一張圖片，而是能不能把企業裏混亂、模糊的需求，拆成AI可以執行的工作流。客戶的數據可能散落在員工微信裏，ERP沒有API，老板也說不清自己到底需要什麽。我要先駐場了解業務，培訓員工、搭建知識庫，再判斷哪些環節適合交給AI。
圖源 / pexels
有一次，我發現一名員工每天都要重複整理Excel表格。我花了半個小時弄清楚數據從哪裏來、經過哪些步驟、最後要以什麽形式呈現，當天下午就讓AI接手了這部分工作。FDE的能力，往往就體現在這裏：不是單純寫代碼，而是迅速理解業務，再把問題轉化成可執行的方案。
AI執行得很快，前期摸業務卻省不了。即使麵對同一行業，一套方案能做到30%標準化已經很不錯，剩下的都要根據客戶需求重新定製。我賣的不是一套現成產品，而是能持續交付結果服務。
我的收入也遠沒有傳說中那麽光鮮。獲客、駐場、交付都要自己來，每天從早忙到晚，比進大廠更累。網上說這行在美國年薪能到百萬美元，但我認識的人裏，拿到這個數的一個也沒有。國外可能願意為過程付費，國內隻對結果買單。產品沒有真正跑起來，前麵做了多少工作都沒有用。
不過，這並不意味著FDE賺不到錢。這個行業還處在非常早期的階段，標準沒有建立，市場魚龍混雜。真正能力強、能把項目做成的人，確實可以拿到與能力匹配的收入，甚至高於互聯網行業裏同等技術水平的崗位。但高收入來自技術、業務、溝通和交付能力的疊加，而不是因為掛上了FDE這個頭銜。
在我看來，FDE是“六邊形戰士”：懂技術、懂業務、會溝通，還得行動快、迭代快。99%的人都做不到，我自己也沒有做到滿格。
FDE或許隻是AI進入各行各業的過渡性載體。即使它會消失，我相信也會是軟件崗位裏最後消失的那一批。但如果隻是聽說高薪，別來；如果真的想做，先從用AI給自己提效開始。
05.跑完北上深杭，我發現FDE最缺的是信任
Lawted｜全國26歲 Ha7ch FDE社群發起人
我開始做FDE，是在今年4月。
當時，一位朋友問我，有沒有興趣去一家貨代公司幫忙裝OpenClaw。到了現場我才發現，那位老板連豆包都不太會用。公司的跟單員每天在微信、Excel和PDF之間來回切換，讀取單據、錄入信息，大量工作全靠人工完成。
我覺得這些流程完全可以交給AI，於是接下第一個項目，想幫他們把整套係統換掉。
在老板和員工之間來回跑了一個月，我才一點點把流程搭出來。兩個月後，係統做出來了。上傳Excel、PDF等文件後，AI可以自動解析、建單和填單，員工隻需要做最後的核對。
圖源 / pexels
但東西做出來了，項目卻黃了。老板問我，係統穩不穩定，出了問題誰負責，能不能提供24小時維護。作為單幹的OPC，我沒有能力保證一套係統長期穩定運行。
雖然項目沒跑通，但那時FDE的概念開始火了。我把踩坑經曆發到網上，分享FDE怎麽工作、駐場會遇到什麽問題，收獲了一批流量。後來，我又在深圳、上海、杭州和北京連續組織了四場閉門會，接觸了很多正在做企業AI落地的人。
跑完四座城市，我發現FDE目前隻是一個“有生意、沒行業”的職業。四個城市裏，既有幾百元、幾千元的電商小單，也有幾十萬、上百萬元的企業改造。但大項目需要組建團隊，項目金額還要覆蓋獲客、開發、駐場、返工和運維的成本，真正到手的錢沒有看起來那麽多。
拿到項目也隻是開始。客戶隻說想做AI，卻講不清需求；企業數據混亂，敏感信息難以打通；員工擔心被替代，老師傅和業務部門抵製；單個任務看似跑通，串成完整流程後，準確率、模型成本和回款周期又可能失控。
但獨立FDE最難的是讓企業相信你。參加閉門會的人裏，有六七成的第一單來自親戚、朋友或過去積累的人脈。大廠FDE背後有公司和產品背書，可以直接進入客戶現場，而獨立FDE沒有這些，很難獲取信任。對傳統企業老板來說，把業務數據交給一個陌生人，本身就是一件風險很高的事。獨立FDE隻能靠案例和一次次交付來證明自己。沒有行業資源，也不願意公開表達，隻會悶頭寫代碼的人，很難拿到第一張入場券。
為了解決這個問題，我開始嚐試組織黑客鬆，讓參與選手用48小時來解決企業的問題。我找來有AI改造需求的企業，也篩選想做FDE的人。由企業報銷差旅，參與選手直接來到現場，在48小時內梳理需求、做出Demo。老板認可，雙方就繼續合作；不認可，項目就到此結束。
有一次，我們去一家律師事務所幫他們搭建係統。那裏的實習生平時要處理五六百份掃描文件，再整理成一千多行Excel，差不多要花半周。而選手用AI完成識別和摘要，部分內容甚至比人工填寫得更準確。48小時結束後，企業決定簽下第一階段合作，把工具穩定部署上線。
所以，在我看來，FDE更像是“AGI的補丁”，在AI還不能自己進入一家企業、理解環境並開始工作時，由人把它接進真實的業務流程。隻有真正做出讓企業能直觀看到效果的成品，才能真正留住客戶。
我覺得FDE的入門門檻沒有想象中高，懂技術，也願意進入企業理解需求，可以嚐試。但真正把項目做成的門檻很高，你要讓老板放心地交出業務和數據，還要在係統出問題時留下來兜底。
