# AI 实验室为何争抢前线部署工程师

> MIT NANDA 调研的 300 个企业 AI 项目中，95% 没有带来可衡量的利润，OpenAI 和 Anthropic 的对策是派工程师驻场。

原文: https://fdetimes.net/zh/guides/why-ai-labs-hire-forward-deployed-engineers/

OpenAI 最近成立了一家新的部署公司，它的第一笔收购既不是研究实验室，也不是模型初创公司，而是英国公司 Tomoro，这家公司拥有 150 名前线部署工程师（FDE）。Anthropic 也走了同样的路，成立了一家对外的 FDE 咨询公司，由 Blackstone 和 Goldman Sachs 提供支持。

两家 AI 实验室都把钱花在了更多的人上，而不是更多的 GPU 上。The Pragmatic Engineer 通讯的作者 Gergely Orosz 报道称，Google、OpenAI 和 Anthropic 对这一岗位的需求非常旺盛。Fortune 引用的 Lightcast 数据显示，2026 年 1 月至 8 月，FDE 岗位发布量比上年同期增长超过 1000%。

如果你是一名有几年经验的开发者，想知道这个岗位为何突然这么火，答案藏在一个不那么乐观的数字里。

## 难的不是模型，而是客户

MIT NANDA 的一项研究考察了 300 个公开的企业 AI 部署案例，发现其中 95% 对利润没有可衡量的影响。把这个数字和招聘数据放在一起，需求的来由就清楚了。如今的模型已经足以做出令人惊艳的演示，但从演示到在真实业务中跑起来，距离依旧和过去一样远。

追踪这一岗位的招聘公司 Paraform 用两句话概括了其中的商业逻辑：演示赢下合同，生产环境部署留住合同。Dice 总裁 Paul Farnsworth 则从企业一侧描述了这一点：企业很难把 AI 模型变成能在自身业务中运转的东西，FDE 填补的正是这道缺口。

看一个典型案例。一家物流公司采购了一个 AI 平台，用来自动处理运单文件。演示时，模型读取干净的样例发票，正确提取出所有字段。到了部署阶段，真实的文件却分散在三个不同的系统里，一半是用手机拍的照片，审批流程还需要两个从未打过交道的部门签字。

供应商总部的人在 Zoom 上根本看不到这些。能看到的，是坐在客户办公室里的工程师。这名工程师可以打开客户的数据库，问录入人员为什么总跳过某个字段，然后写代码，让系统适应真实的数据。这名工程师就是 FDE。

## 离开 Palo Alto 办公室，坐到客户身边

Palantir 的 Meline von Brentano 在接受 Fortune 采访时介绍，公司会招募最优秀的软件工程师，再把他们推出 Palo Alto 办公室的舒适区，去客户现场工作。这里最关键的词是“舒适”。真正的问题只会出现在工程师通常更愿意回避的地方。

Paraform 对这一岗位的定义是：处在亲手为客户解决问题与部署 AI 系统的交汇点。这两半无法分开。只会和客户沟通的人，会承诺做不出来的东西；只会写代码的人，会做出没人用的东西。FDE 必须两者兼顾，而且常常是在同一周之内。

**要点:** 招 FDE 不是为了让模型更聪明，而是为了让业务为模型做好准备。

有一种反对意见值得一听。一篇 The Pragmatic Engineer 文章的摘要提出，如今的 FDE 岗位其实更接近咨询顾问或解决方案架构师。这个观点很有用，因为它给了你一个可以拿来审视每份职位描述的问题：这个岗位是否要求你亲自写代码，并在系统于客户现场出故障时对结果负责？如果不是，那就是咨询，而不是 FDE 工作。

下面是一种实用的岗位分类方法：

| 对 JD 提出的问题 | 咨询顾问 | 解决方案架构师 | FDE |
|---|---|---|---|
| 最终代码由谁来写？ | 客户团队 | 供应商的工程团队 | 你 |
| 工作何时算完成？ | 交付建议时 | 设计获批时 | 系统在真实数据上真正跑起来时 |
| 生产环境出故障时是否负责？ | 否 | 间接负责 | 直接负责 |

## 转入这一岗位需要什么

FDE 工作的存在是为了弥合演示与生产之间的鸿沟，所以你能拿出的最有力证据，就是你曾经弥合过这样的鸿沟。因此，第一项能力是对接混乱的系统。在越南从事外包或内部产品开发的开发者，在这方面往往有一项被低估的优势：他们习惯对接遗留系统、处理不规范的数据，也习惯应付项目做到一半就改需求的客户。

问题在于，你的简历很少讲出这个故事。

挑一个项目，按 FDE 招聘方想看的方式重写：你到来之前用户遇到了什么问题，你需要对接哪些系统，上线之后哪项指标发生了变化。这样的一行，胜过十行框架罗列。

第二项能力是客户需求挖掘，这是可以学会的。不要问用户想要什么功能，而是练习坐在他们旁边，观察他们实际如何工作，再亲自把这一流程转化为数据流。如果这个岗位真如 Paraform 所说，处在客户与系统之间，那么这正是大多数开发者在日常工作中很少有机会练习的那一半。

第三项能力更难教：容忍模糊。回到物流的例子。没有人会为三个互不相通的系统、两个从不沟通的部门给你开一张工单。你来到一间陌生的办公室，手里只有一个开放的问题，必须自己判断什么值得做。如果这听起来更让你兴奋而不是害怕，那你已经具备了最重要的特质。

薪资方面，Lightcast 的数据显示，FDE 招聘广告中的薪资中位数超过 188,000 美元，传统软件工程师约为 145,000 美元。Recruiting From Scratch 对 924 份岗位发布的另一项分析得出的中位数为 195,000 美元。这笔溢价，是市场为演示与生产之间那段工作开出的价格。

演示依然能赢下合同，但各家实验室正在为能留住合同的人投入真金白银。如今稀缺的，是能让模型在客户办公室里真正运转起来的人，而在未来几年里，这个人可能就是你。

**本周动手试试:**

- 挑一个过去的项目，按这个公式重写它在简历中的条目：用户遇到了什么问题，你需要对接哪些遗留系统，带来了什么可衡量的结果。
- 在 LinkedIn 或 OpenAI/Anthropic 的招聘页面上读五份 FDE 岗位描述。把每个与客户相关的词（on-site、stakeholder、discovery）划出来，检查自己是否每一项都有证据。
- 花一段时间和一位非技术岗位的同事（财务、运营、销售）待在一起，试着把他们的工作流程描述成数据流，不要问他们想要什么功能。

## 信源

- [One of the fastest-growing jobs in Silicon Valley sends engineers straight to customers' offices to get AI up and running—and pays more than $188,000](https://www.fortune.com/2026/09/03/forward-deployed-engineers-fast-growing-six-figure-silicon-valley-job-integrate-ai-with-customers-tech-careers-palantir/)

- [What Is a Forward Deployed AI Engineer? The Role Every AI Company Needs in May 2026](https://www.paraform.com/insights/forward-deployed-ai-engineer)

- [The Pulse: Forward deployed engineering heats up again](https://newsletter.pragmaticengineer.com/p/the-pulse-forward-deployed-engineering)

- [The Pulse: Forward deployed engineering heats up again](https://daily.dev/posts/the-pulse-forward-deployed-engineering-heats-up-again-ok0tbhrw6)

- [Forward Deployed Engineers Are a Sign That Enterprise AI Has Hit the Hard Part](https://onevizion.com/blogs/forward-deployed-engineers-enterprise-ai/)

- [Forward Deployed Engineer Salary in 2026: Real Data from 1.9 Million Job Postings](https://www.recruitingfromscratch.com/blog/forward-deployed-engineer-salary-in-2026-real-data-from-1-9-million-job-postings)
