# AI 实验室开始为 FDE 写评测的本事买单

> Prime Intellect 和 Labelbox 招 FDE，把客户的真实工作流做成 RL 环境和自动验证器。

原文: https://fdetimes.net/zh/analysis/ai-labs-hire-fdes-rl-environments/

Labelbox 正在招聘一个名为“Forward Deployed Engineer, RL Environments”的岗位。根据招聘信息，这个岗位的主要工作是搭建隔离、可复现的执行环境，供 AI 智能体在训练中使用。

单看这一条，不过是又多了一个职位名称。但把它和 Prime Intellect 的一则招聘以及近期的市场分析放在一起看，趋势就清楚多了。

前线部署工程师（FDE）的看家本领，是坐在客户身边，弄懂对方的真实工作，再把它变成可衡量的东西。如今，这项本领正被打包成产品，卖给 AI 实验室。

对已经在做 FDE 或想做 FDE 的工程师来说，随之而来有两个问题：如果市场要买的正是为客户写评测的能力，这门手艺该学到多深？部署工作会不会正在变成数据外包？

## 招聘信息描述的是另一种产品

Prime Intellect 把这个岗位称为前线部署研究工程师（forward-deployed research engineer）。核心职责之一，是为每个客户量身设计和搭建强化学习（RL）环境、评测框架（eval harness）和验证器。方法仍是典型的 FDE 做法：深入战略客户的团队，了解他们的智能体架构、失败模式和产品目标。

最值得细读的一句在技能要求部分。Prime Intellect 希望候选人对评测设计有很强的直觉，也就是看一眼客户的智能体，就能很快判断需要衡量什么。公司把评测列为这个岗位的核心能力，而不是部署完成后的附加杂活。

Labelbox 则从数据厂商一侧走向同一个方向。旗下的 Alignerr 部门直接与头部 AI 实验室合作，制作 RL 环境和评测基准，客户中也有财富 500 强企业。

在同一家公司里，数据厂商和 FDE 之间的界线正在变得模糊。

## 实验室为什么需要贴近真实工作的人

Labelbox 在招聘信息里给出了自己的理由：RL 环境的质量，是当前训练智能体 AI 的最大瓶颈之一。糟糕的环境会让智能体养成坏习惯。好的环境，则需要一个懂得智能体在真实世界里要做什么工作的人来搭。

Epoch AI 在一篇关于 RL 环境的问答中，把企业工作流称为一个重要的增长领域，并举了 Salesforce、报表和电子表格等例子。

Epoch 还认为，产品公司是围绕自家软件搭建环境的天然合作方。合作方提供工作流，FDE 搭建环境，客户的真实工作就直接进入了训练循环。

实验室的需求相当可观。据 TechCrunch 报道，Anthropic 管理层曾讨论在未来一年内投入超过 10 亿美元用于 RL 环境。据 Epoch 介绍，这类合同通常每季度达到六位数到七位数美元。

TechCrunch 还报道，老牌数据标注公司 Surge 已在内部成立专门的 RL 环境部门。数据厂商正在涌入这一细分市场。

## 一个 CRM 工作流如何变成环境

用一个假设的例子说明这项工作包含什么。某 CRM 客户希望智能体在销售通话后读取记录，更新每个商机的阶段，并创建下一步跟进任务。按传统方式工作的 FDE 会接好 API、写好提示词、用几十条记录测试一下，然后交付。

要把这个工作流变成 RL 环境，还要多做三步。第一步是搭建一个隔离的 CRM 副本，预置固定数据，保证第一千次运行与第一次完全一致。

第二步是把任务写成具体用例。比如，如果记录里写着“客户同意签试用合同”，商机阶段就必须改为谈判，且必须恰好有一条分配给客户负责人的跟进任务。

第三步最难：编写验证器。验证器只给 CRM 的最终状态打分，不看智能体的回复。智能体可以流畅地汇报“已更新完成”，但只要记录还停在旧阶段，或者生成了两条重复的跟进任务，得分就是 0。

坐在客户身边观察到的失败模式，比如重复记录、负责人错误，都会变成测试用例。

这个例子说明了 Prime Intellect 为什么把评测直觉放在首位。Docker 和 RL 算法是容易的部分。难的是界定“把一项工作做对”意味着什么，而这项工作只有客户行业内部的人才完全懂。

| 维度 | 部署产品的 FDE | 搭建 RL 环境的 FDE |
|---|---|---|
| 主要产出 | 在客户生产环境中运行的系统 | 可复现的沙箱、评测框架、验证器 |
| 智能体的失败用来 | 在交付前修复 | 变成测试用例和训练信号 |
| 谁使用成果 | 客户的运营团队 | 客户，以及训练智能体的 AI 实验室 |
| 最被看重的技能 | 集成、沟通、上线生产环境 | 评测设计、选择衡量对象、自动评分 |
| 职业风险 | 被当成听指令干活的集成团队 | 缺乏研究深度，困在外包团队的角色里 |

## 企业先买人，再买环境

Wing VC 在对 RL 环境市场的分析中观察到，大多数企业并不直接购买环境，这类工作通常经由前线部署工程进入企业。换句话说，FDE 就是分销渠道。没有人坐在客户身边，真实工作流就进不了环境。

Wing 也给出了反面提醒：缺乏研究深度、或尚未赢得实验室信任的环境创业公司，可能停滞为单纯的前线部署团队。

这条路是可能走不通的：人在现场，却没有设计优质训练信号的能力，公司最终卖的是工时，而不是产品。

把 Wing 的两点观察放在一起，开头提出的担忧就有了相当明确的答案。部署工作并没有变成卖数据，而是长出了一条新分支，其价值在于把对客户工作的理解转化为可信的衡量。好的衡量值钱，单纯的工时不值钱。

**要点:** 能正确衡量客户工作的工程师，在部署和训练两端都会有一席之地。

## 想走这条路，要准备什么

看招聘信息时，留意 RL environments、evaluation harness、verifier、reproducible sandbox 或 failure modes 这类说法。出现这些词的岗位，招的是设计衡量方法的人，即使职位名称仍写着 FDE 或 applied research。如果招聘信息只提集成和交付，那就属于传统部署路线。

要练的技能，就是 CRM 例子里那条链路：把模糊的工作流拆成具体任务，搭建可复现的环境，再基于最终状态编写评分程序。简历上不要只写“做过评测”，要写清衡量了什么、抓到了哪些失败模式、评测推动了什么决策。

有一个习惯值得从一开始就养成：在把客户的工作流做成环境之前，先问清合同究竟允许它用于什么用途。

当一家公司的真实工作可能变成别人模型的训练材料时，FDE 应当第一个去问这个工作流归谁所有，而不是等法务替他们问。

上一代 FDE 的评判标准，是系统能不能上线生产环境。下一代可能还要回答一个更难的问题：你能证明智能体把工作做对了吗？

**本周动手试试:**

- 挑一个你为客户部署过的工作流，写出五个具体任务，每个任务都带有程序可以检查的通过/失败条件。
- 用固定样例数据搭一个小型 Docker 沙箱，再写一个只给最终状态打分、忽略智能体措辞的验证器。
- 重读简历，加一行描述你设计过的评测：衡量了什么、抓到了哪些失败、谁在使用结果。

## 信源

- [Applied Research - Forward-Deployed @ Prime Intellect | Menlo Ventures Job Board](https://jobs.menlovc.com/companies/prime-intellect/jobs/68304907-applied-research-forward-deployed)

- [Forward Deployed Engineer, RL Environments at Labelbox | JobMinglr](https://jobminglr.com/jobs/6a2b82b32fa05506c98a5f5c/)

- [An FAQ on Reinforcement Learning Environments (Epoch AI)](https://epochai.substack.com/p/an-faq-on-reinforcement-learning)

- [Who Will Win the RL Environment Market—and Why](https://www.wing.vc/content/who-will-win-the-rl-environment-market--and-why)

- [Silicon Valley bets big on 'environments' to train AI agents](https://techcrunch.com/2025/09/16/silicon-valley-bets-big-on-environments-to-train-ai-agents/)
