月薪8万招人，一群FDE却接不到单｜风向

撰文╱蒋雨恬 封面图╱AI制图

美术编辑╱蒋雨恬文字编辑╱陈桐

高薪的另一面·01
不会沟通，就当不了FDE·02
谁适合入行？·03
成就感与焦虑的共生 ·04

客户的下班，是全职FDE赵东旭切换工作内容的时间点。

白天，他跟着客户的会议走，哪间会议室空着就坐进哪间：沟通需求、提交修改版、收反馈，一场接一场。傍晚，员工陆续离开，空会议室的灯还亮着，他留下来写程序，用代码把大量数据自动分类、打上标签——比如一条用户留言，该归为“价格咨询”、“投诉”还是“退款”。这套分类的规则和层级，就是这家客户AI中台赖以运转的标签体系。第二天上午，他带着新版本出现在下一场会议里。几天之内，体系必须定版。

赵东旭做了十几年后端开发，当过技术负责人，也当过架构师。半年前，他从北京一家大厂离职，成为独立FDE。

FDE（ForwardDeployed Engineer，前线部署工程师），指常驻客户现场、既懂技术又懂业务、把AI能力落地为可用生产系统的复合型工程师。如今，这一岗位的热度正被几股力量同时推高：

今年10月2日，Anthropic承诺投入1亿美元，到2027年底前培养1万名FDE。稍早之前的6月30日，AWS宣布投入10亿美元成立FDE（AWS Forward Deployed Engineering organization）部门，计划初期配置数千名工程师。8月，我国首次将FDE写入国家部委文件，由工信部印发《关于开展人工智能应用服务商培育专项行动的通知》，明确鼓励服务商搭建前线部署工程师团队。

脉脉数据显示，2026年上半年FDE相关职位发布量同比上涨21倍，每三家招FDE的公司里就有一家是AI原生企业。

综合信息来看，头部大厂与AI公司的FDE在招岗位标价普遍在月薪2万-8万元：字节跳动开出的薪资为3.5万~7万×15薪，最高年薪105万元；阿里云智能为2万~5万×16薪；蚂蚁数科B端月薪4万~6万；智谱华章的FDE负责人月薪6万~8万。

另一侧，大厂八年老将，目前离职做FDE孵化平台的任宇航被问到“FDE日常工作中最难克服的问题”时，告诉《职场Bonus》：“我感觉最直接的痛苦，就是没有单子。”

高薪的另一面

“从市场看，AI落地到各行各业，需求确实在。”身在深圳的独立FDE从业者Luke说。但大厂高薪并不能代表FDE市场的整体薪资水平，头部公司薪资显著高于中小公司，行业和地区之间也存在明显差距，甚至取决于个人的交付能力。

去年，赵东旭从北京某大厂离职，成为独立接单的FDE，承接中小企业项目。据他观察，中小企业开出的价格普遍不高：有的项目薪酬不到一两万元，稍好的能接近十万元，开到几十万元已经是大项目。

曾在北美从业的FDE Wayne告诉《职场Bonus》，在国外，20万美元属于基础薪资水平；国内市场能拿到百万人民币以上薪酬的人凤毛麟角。他甚至认为，“给FDE开一个月三五万，企业可能不舍得，但这数字给FDE，又实属骂人了”。

正是职业画像不明确，薪资锚定才会出现较大偏差。原因之一在于这个职业的画像本身还不清晰——国内的FDE，有很大一部分不是硅谷先行定义中的FDE。对此，Wayne的定义是：“如果主要工作仍然是做Demo、讲方案、配合销售、写标书，那便不能称之为AI时代的FDE。”

此外，判断FDE与否，可以看考核指标。比如，OpenAI对FDE的考核，根据实际采用率、工作流影响和可衡量的业务结果来评价；AWS也明确过，FDE的目标是项目交付后，客户具备独立运行能力。

粗看，FDE容易被理解为“会技术的产品经理”。实际上，工作流程比其复杂太多：在客户现场完成方案沟通、架构设计，开发出快速的概念验证，继而部署上线，最后把现场经验沉淀下来，反哺自有产品平台。

FDE模式起源于2003年成立的美国大数据公司Palantir，最初服务于军工、航天等大型客户现场——部署师拎着工具箱驻扎在营地解决问题。公司又具有高度完备的数据处理平台与成熟的本体论体系。服务对象回款丰厚，订单规模大，需求变化小，因此，FDE有条件在垂直领域沉淀多年。

国内的情况不同，从业者们告诉《职场Bonus》，国内没有本体建模，也缺乏解决行业问题的统一数据处理平台；国内FDE是AI Agent发展起来之后才出现的需求，主要负责处理客户的AI需求。

国内外的FDE，职业需求和组织支撑在本质上有区别，薪资落差则是一种表现。

不会沟通，就当不了FDE

Jove负责一家AI公司的FDE团队，面试候选人时，他会要求对方录一段视频，介绍自己做过的AI Agent。

视频介绍的目的是考察候选人的表达沟通能力。因为这几乎是工作推进的前提保障，如果每次沟通都需要有人翻译，协作成本会很高。Wayne认为，“在没有沟通好的情况下，如果前期调研判断做错，后面做得越快，就是越快地做错。”

在工程推进中，信息偏差会被工作流放大。在普通项目里，信息出现偏差，最多是沟通和返工，但在AI项目里，Agent执行的是链式任务，每一层的偏移不断叠加，最终跑出来的版本可能已完全偏离方向。

瓴羊FDE团队在承接雅迪项目时，前期投入近一个月开展跨部门访谈，进行了78场访谈，平均每日3场以上，覆盖客服、门店、售后、产品、质量、IT等多个部门。过程中，处理一次售后问题，需要跨十几个系统操作。他们先做流程梳理，反复听取热线录音，与客服共同还原工作流程，把资深员工凭经验处理的问题逐条整理出来。在此基础上，才将接线、知识库、工单集成到同一工作台，并在后台打通十几个系统的数据调用，最后引入机器人承接高频重复问题。

因此，在FDE的工作日常中，沟通是很重要的一部分。

在香港做AI创投的Zeneth有同感。她帮企业对接FDE落地，公司每天收到不少需求，企业希望安排FDE驻场，但提及具体目标，“雇主其实不太可以说得清需求，有时候只有一句‘我们需要AI Agent’。”

她团队的驻场FDE曾承接半导体工厂项目。由于数据保密要求严格，无法远程作业，同事需直接驻厂，在客户内网中搭建数据管道、RAG架构与Agent编排，跟产线环节的同事持续交流沟通。

Wayne在承接中小企业项目时，最初认为这类沟通可以流程化处理。当他坐到一线员工旁边观察时，才发现实际操作非常复杂：客户方提供的资料里有时根本没有相关信息，FDE需要持续和各业务员工交流才能解决卡点，有时还要收集非明文的规则，多次修改调试后，才能让AI能力跑起来，且保证设计和决策满足雇主的要求。

“汇报对象是谁，很重要。”赵东旭强调。如果对接人不太懂业务，需求对接模糊，项目就会陷入反复修改。在他最近的项目中，光是标签体系就刷了三遍。每刷一遍，都要将大量数据重新过模型，光Token费用就花了几万元。这笔钱，通常由FDE独立承担。

他和行业社群OpenFDE的同行们一致认为，独立FDE更偏向接能直接向CTO或CEO汇报的项目，“否则你需要反复地去解释，信息鸿沟比较大，沟通的成本很高”。

谁适合入行？

“太痴迷技术或者只按Ticket完成任务的人，做FDE是累人累己。”Wayne说。

FDE被人称作「六边形战士」。作为一个FDE部门的负责人，Jove认为，“别说六边形，可能二十边形都不够”。因为FDE落地要根据实地情况调整，不同行业项目的需求和流程都不一样，完整的项目经验积累是入行的关键。

招聘时，Jove基本不招工作经验三年以下的候选人——经验代表积累，公司很少雇佣刚入行的人，风险太高；他要求候选人会做AgentLoop（智能体循环）和eval（评测）。年限不是第一标准，他从候选人积累的有效项目经历来评估，因此求职者需要带着AI Agent项目来。如果候选人展现出足够强的潜力——学习能力、热情、沟通能力突出，即使没有太多customer-facing经验，他也会破格考虑。

他还偏好有咨询和创业背景的人，为此招了不少麦肯锡出身的员工。“他们有丰富的经验，沟通有技巧，同时擅长在高节奏、长时间的工作状态下推进流程。创业者知道，每一笔订单都来之不易，不能坐等工作派下来。”

不过，如果咨询背景过强，工程落地能力偏弱，也难以成为FDE。一是欠缺搭建生产级系统的实操能力；二是容易沦为浅层的高级实施。两者的工作思维存在偏差，咨询习惯以方案汇报作为交付终点、偏向顺从客户诉求，而FDE要求推动系统上线并创造业务价值，需在缺少行政授权时敢于提出不同判断。

至于评估自己是否适合入行，Wayne认为可以看工作偏好：有人偏好处理不确定问题，愿意接触客户，能自己动手，也愿意对结果负责；有人希望先把需求、接口、验收标准等边界定义清楚，再开始动手。前者可以尝试FDE，后者更适合做纯研发。

AI Coding降低了大量的工作门槛，非专业人士入行确实有了更多可能性。

但工程能力的门槛没有消失。Wayne认为，FDE可以从业务、实施、咨询等背景转入，但从业者必须有一定的工程能力，至少能理解系统、数据、API、权限、部署和生产问题。AI Coding能大幅提升Coding效率，而写代码只是最简单的一环——到了客户现场，实际困难很多。比如，FDE要面对数据无法导入、接口无法对齐、权限难以打通、模型输出不稳定等问题，这是生成几段代码很难解决的，背后需要的是工程判断、调试经验和对整个系统的理解。

此外，FDE还要按具体情况定制方案，有的公司标签体系依赖大模型生成，必须现场反复确认；有的客户对数据安全要求苛刻，模型必须部署在本地服务器，数据不出内网。

赵东旭提供了一个自身能力的评估方法：找一个真实场景，用AI Coding完成原型，然后自己走完全部流程。若部署、集成、评测、迭代的闭环能完整跑通，就算具备入行资格；跑不通，说明欠缺的不是概念，而是工程能力。

AI厂商与大厂在招聘FDE时，主要以工程师的标准来进行。要求是生产级工程能力、拆解需求和现场实践能力、强监管行业的数据权限与审计能力。筛选偏重具有客户现场交付经历、带真实项目复盘者；未跑生产、客户沟通能力差取舍者淘汰。

第二类是各大需求方企业，FDE需要判断企业需求缺口，再按行业配置证据。不同的行业逻辑全然不同，比如软件看集成替换成本、制造看参数工况，金融看合规边界与持续运营。因此，有能力提交验收，用结果指标且交付清晰的人留下。

成就感与焦虑共生

Luke是原大厂解决方案架构师，目前在深圳从事独立FDE。他认为，跟着项目进入实地、了解不同行业、解决难题、交付项目带来的成就感，远超办公室里的生产。

离职后做FDE平台的任宇航认为，FDE能力等于职场溢价。“具备FDE能力，个人的时间效率和结果就会比别人好。”对想单干的人来说，吸引力在于视野和机会。“对接客户的时候，你会了解他们的市场需求和业务，你的视野更开阔，机会更多。”

对这些FDE来说，项目交付并不是工作的终点。

做知识中台项目时，赵东旭会在需求稳定后回到自己的工作室，接着做远程开发。交付后，并不等于客户能自己跑起来——后续的使用、维护和持续迭代，都需要持续对接。这是因为FDE交付项目前，AI系统运行需要工程师的现场判断和操作运转，撤场时，如果客户团队没有能力对接配置资产等操作，系统就有极大失效可能。其次是，AI 系统会崩坏，没有持续运营，系统就会变成没人维护的“数字废墟”。

在悉尼的FDE从业者Frank持相同观点：“Agent就像刚招的实习生，能否产生效能，需要长期陪跑、不断训练。”Zeneth的团队则将后期咨询维护作为常规服务。

时间长了，FDE需要长线协助解决项目问题，项目积累越多，附加劳动就越大——如果交付质量不够成熟，接到的单子越多，长期沟通成本叠加得越多。

一年50%到60%的时间，Luke都在出差。工时以项目交付期为准，驻场和差旅费用大多自担，项目每拖一天，成本就多一天。成果还可能被无偿获取。Luke说，“FDE在议价时处于弱势，需要先证明自己有能力，然后才谈得上价格。”赵东旭就曾遭遇客户把方案带回公司，让内部IT团队照着操作。此类情况对于独立FDE来说，十分常见。但大部分FDE都没有完善的应对方式，将其视为是必须支付的前期成本。

前期的准备工作同样是隐性成本。“项目没有签下来，前期投入的时间也收不回来，挺无奈的。”Wayne说，对独立FDE来说更甚，有人完整做完一个项目结算下来，“几乎不剩什么利润”。项目做完后客户验收遥遥无期，驻场差旅自费。

独立FDE的商业模式已存在较大脆弱性，且更多企业开始在内部孵化FDE团队，外部从业者的竞争压力还在加大。

在任宇航的行业观察中，对于工作，从业者们不缺决心。“正是出于自己的AI技术和对某些场景的理解，他们所以才会一腔热血扎进这个大军里。出差、熬夜等物理上的困难，他们完全愿意克服。”而获客问题，不是个人热忱或毅力能够解决的。

没有单子，不是因为需求不足。麦肯锡全球资深董事合伙人卜览提到，90%的被调研企业已经启动数字化和AI转型，但只有25%取得了切实成果，仅有10%实现了AI规模化应用。Luke说“能感觉到市场上的需求是比较大的，但独立FDE最难的就是获客。”

任宇航认识一位年轻人，从体制内离开，希望转行。个人的自律性极强，一天能在电脑前工作14个小时，全年无休地学习AI。“很有韧性的一个孩子，学得非常溜，也有交付能力”。但当任宇航问及对方的经济收益，得到的回答却是：苦苦挣扎。“他不知道怎么去对接客户，只知道能为所有的企业提供服务，但没有明确的对接路径。”任宇航赏识这类有热忱的年轻人，认为自己在有能力的情况下会进行帮助。

即使是业内老手，赵东旭和Wayne也正遭遇同样的困境。赵东旭说，“有的单子，就是靠朋友或过去的客户推荐。”

一边是90%与10%之间的转型缺口，另一边是同比涨了21倍的FDE岗位发布量。从数据上看，就业市场相对可观，但对今天的FDE来说，政策红利和高薪的诱惑下，金饭碗依然只属于“能被找到、且能持续交付”的少数人。

部分参考资料：
1.《一天一万元疯抢FDE，藏着AI落地的残酷真相》，中国企业家杂志/36氪
2.《前线共创，双向赋能：FDE模式行业观察与实践报告》，腾讯研究院
3.《FDE在国内需求激增背后：舶来的“前沿部署”如何在本土长出新形态？》，中国日报
4.《企业的AI落地都失败，靠FDE能翻身吗？》，穆胜咨询/36氪
5.《Forward Deployed Engineering: A Taxonomy and Definition》，Scilit学术平台
关注+星标，深度追踪「行业、公司、人才」的趋势风向
本文来自微信公众号“职场Bonus”，作者：陈桐，36氪经授权发布。

关注+星标，深度追踪「行业、公司、人才」的趋势风向

本文来自微信公众号“职场Bonus”，作者：陈桐，36氪经授权发布。