一个新工种正在硅谷爆发
一个月 600 个岗位，一年后变成 6000 个。十倍增长只用了一年。
这个新工种叫前沿部署工程师（Forward Deployed Engineer，简称 FDE）。从 2025 年 4 月到 2026 年 4 月，它已经超越算法工程师和传统 Agent 工程师，成为硅谷增长最快的技术岗位。
OpenAI 为此专门成立了一家叫 Tomoro 的公司，主营业务就是 FDE 服务。Anthropic 则联手高盛和黑石，成立 AI 服务合资公司，目标明确——把 Claude 带进金融企业的核心业务流程。两大 AI 巨头不约而同地押注同一件事，说明这不是一个偶然的风口，而是行业正在经历一次结构性转向。
与其说 FDE 是一个新岗位，不如说它是 AI 产业进入新阶段的标志。
AI 公司的战场变了
过去两年，AI 行业的竞争逻辑很简单：谁的模型参数更大，谁的上下文窗口更长，谁在基准测试上跑分更高，谁的代码生成能力更强。各家大模型厂商在排行榜上你追我赶，发布会一场接一场，参数数量节节攀升。
但现在，战场变了。
企业买 AI，买的不是一个 API 接口，也不是一堆 token 配额。企业要的是四个字：降本、提效、增长、风控。他们要的是一个能真正嵌入业务流程、每天被员工实际使用、最终产生可量化业务结果的系统。Claude Code、Codex、扣子、小龙虾——这些工具的价值不在于它们背后的模型有多强，而在于有多少人每天打开它们完成真实的工作。
模型能力是前提，但模型能力不等于业务价值。从前沿技术到业务成果之间的这段路，正是 FDE 要走的"最后一公里"。
FDE 到底做什么？
一个好的 FDE，既不是纯算法研究员，也不是传统的交付工程师。它更接近一个"三栖角色"：
第一，理解客户的业务流程。 这不是走马观花的需求调研，而是深入客户的日常工作流，搞清楚钱从哪里来、效率卡在哪里、决策依赖哪些信息。一个做零售的客户和一个做金融的客户，业务流程天差地别——FDE 的工作不是推销标准化的 AI 方案，而是为每个客户找到 AI 改造的最佳切入点。
第二，识别 AI 改造的机会点。 哪些环节适合用 AI 来做？哪些不适合？一个常见的误区是"有数据的地方就上 AI"，但 FDE 需要判断：这个环节的容错率是多少？自动化之后的收益是否大于风险？用户的接受度如何？这些判断建立在业务理解和 AI 能力边界两者的交叉点上。
第三，把企业内部的数据、权限、系统、工具接起来。 这是最"重"的一环。大企业的数据往往散落在几十个系统中，权限体系错综复杂，老旧系统可能连 API 都没有。FDE 需要把这一团乱麻梳理成可被 AI 消费的结构化管道——本质上是推动企业完成数据化和数据智能化的基础建设。
第四，确保这些东西在生产环境跑起来。 Demo 跑通只完成了 30%。真正难的是在生产环境中稳定运行——处理边界 case、监控异常、做权限兜底、控制成本、持续迭代。只有跑在生产环境里、每天都在被使用的 AI 系统，才能产生真正的业务价值。
简单概括：FDE 是一群"带着 AI 工具、深入客户业务、把 AI 真正落地"的工程师。他们有 LLM 的大脑——理解模型的能力和边界；也有 Agent 的手脚——爬取网页、操作电脑、写代码、搭建自动化工作流。
案例：一家照相馆的 AI 改造
说概念容易飘，我们用一个具体案例来落地。
假设你要帮一家连锁照相馆做 AI 改造。它的核心业务是证件照、写真、婚纱摄影，有 20 家门店和一个小型线上预约平台。
第一刀：智能客服
照相馆每天接到大量重复咨询："拍一组证件照多少钱？""精修几张？""能约明天下午吗？""衣服要自己带吗？"
这类问题占用了前台大量时间，而且夜间和节假日完全无人应答。FDE 的方案不是简单地接一个通用大模型对话机器人——那会一本正经地胡说八道。而是搭建一个 AI chatbot，背后接上三个东西：
- 知识库：把所有套餐价格、服务流程、服装清单、门店地址整理成结构化文档，作为 RAG 的检索基础。
- 排期系统 API：chatbot 能实时查询摄影师的空闲时段，直接帮用户预约。
- 报价引擎：根据用户选择的套餐、加修数量、相框材质等参数，自动计算并推送报价。
一个合格的智能客服上线后，前台每天至少省出 3 个小时，客户的夜间咨询也不再流失。
第二刀：宣传文案 Agent
照相馆的品牌部每周都要在各个平台发推广内容：小红书种草笔记、朋友圈海报文案、抖音脚本、大众点评活动页。一个文案写一天，修修改改又一天。
FDE 为品牌部搭建一个文案生成 Agent，接到照相馆自己的图库和品牌调性文档。运营人员只需要输入"本周主推毕业季证件照，优惠价 99 元，送精修 6 张"，Agent 就能自动生成适配不同平台的 5 套文案，附带配图建议。品牌部的人从"每天写文案"变成了"每天审文案"，产出效率翻倍。
第三刀：修图提效
这就是真正能收钱的业务环节了。
证件照的精修是一个劳动密集型工序：脸部瑕疵处理、背景颜色统一、光线调整、尺寸裁剪。一个熟练修图师一天能精修 30 张，旺季时根本忙不过来。而且现在消费者已经被"海马体"们教育过——他们对精修质量的期望很高，愿意为一张好的证件照多付 20 元。
FDE 搭建的 AI 修图工作流，不是一键生成（质量不可控），而是AI 初修 + 人工精调的协同模式：AI 先把基础的磨皮、去瑕疵、背景规范化、尺寸裁剪全部做完，修图师只做最后 10% 的风格化调整。一个修图师配合 AI 工具，日产能从 30 张提升到 80 张。这不只是提效——它直接拉高了旺季的营收天花板。
更重要的是，这套东西可以打包成 SaaS 产品卖给别的照相馆。to B 收 SaaS 年费是提效业务，to C 收精修加价是消费者直接买单。 一个照相馆的 AI 改造，背后跑通的是一整套可复制的商业闭环。
最后一公里的价值
回到开头的问题：为什么 FDE 会成为硅谷增长最快的工种？
因为大模型本身正在快速同质化。当各家模型的能力曲线趋近，单纯的"模型更强"不足以构成商业壁垒。真正的壁垒变成了：谁把 AI 落地的效率更高、成本更低、渗透更深。
这不是一个"调调 prompt 就能搞定"的工作。它需要懂企业业务逻辑、懂 AI 能力边界、能写代码搭系统、能处理生产环境的各种意外——在一个角色身上同时具备业务嗅觉和工程能力，这才是 FDE 稀缺的根本原因。
对于中国的 AI 从业者来说，这条逻辑同样适用。过去我们谈论 AI 人才，说的是算法工程师、数据科学家、Prompt 工程师。现在一个新的选项出现了：能深入产业、把 AI 真正送进业务流程里的前沿部署工程师。 这个角色的价值，才刚刚开始被市场定价。
本文约 2100 字
