月薪 8 万的 FDE，大厂为什么抢着把工程师送进客户现场？

8 月 12 日 广东

招聘网站上的 AI 岗位，正在出现一批新名字。

FDE、Agent 工程师、AI 解决方案工程师、AI 产品交付……职位名称各不相同，工作内容却在靠近：工程师走进客户的业务现场，把模型接入数据、系统和流程，并对上线后的效果负责。

薪资让 FDE 很快受到关注。此前的公开招聘信息显示，字节跳动的“豆包 AI 大模型 FDE”曾给出 3.5 万至 7 万元月薪、15 薪；蚂蚁数科相关岗位为 4 万至 6 万元、15 薪；智谱招聘 FDE 负责人，月薪区间达到 6 万至 8 万元。

这些数字集中在大厂和高级岗位，却释放出一个清晰信号：当模型能力逐渐成为标准供给，企业开始愿意为“把 AI 真正用起来”的能力付费。

FDE 到底在做什么

FDE 全称 Forward Deployed Engineer，国内一般称为前线部署工程师。这个职位最早由 Palantir 推广。工程师长期进入情报机构和大型企业，在真实数据与工作流程中修改产品。

大模型让这套工作方式重新流行。

企业购买模型或开通 Agent 平台，只完成了技术准备。真正上线时，工程师还要找到业务问题，确认数据能否使用，接入旧系统，设置权限和人工复核，再用真实任务测试效果。任何一个环节没有处理好，项目都可能停在演示阶段。

FDE 填补的就是这段空白。他既写代码，也参与需求判断和项目推进。客户提出“做一个 AI 客服”，FDE 需要继续拆解：哪类问题最耗费人力，答案来自哪里，哪些操作可以自动执行，什么情况必须转交人工，最后用什么指标验收。

这也解释了企业为什么重新把这类工程师推到客户面前。AI 项目的需求往往在现场才会逐渐清楚，隔着销售、产品和交付团队反复转述，最关键的业务细节很容易丢失。

国内岗位已经出现，边界还没有固定

财新采访的猎头团队从 2025 年下半年开始接触第一批国内 FDE 需求。到 2026 年中，FDE、Agent 工程化、AI 应用落地和 AI 转型交付，已经成为 AI 招聘中的重要类别。

另一项对招聘平台的梳理显示，截至 7 月初，猎聘上综合年薪 50 万至 100 万元的 FDE 岗位接近 300 个，年薪超过百万元的岗位超过 40 个。百万年薪主要属于负责人和资深岗位，市场同时存在月薪两三万元的初级职位，FDE 已经开始形成职级分层。

目前的需求主要来自三类公司。模型公司和云厂商要把模型带进大型客户；咨询、企业软件和 IT 服务商正在把原有的实施能力升级为 AI 交付；一些创业团队则面向中小企业，从场景梳理一直做到系统上线。

岗位名称仍然混杂。许多团队招聘的是 AI 解决方案工程师、Agent 应用工程师或行业交付专家，实际承担的已经是 FDE 工作。

国内现场还有几个鲜明特点。大型企业通常同时运行多套新旧系统，金融、能源、医疗和制造业还要处理本地部署、数据权限、审计与稳定运行。很多项目的难点因此落在系统兼容、组织协调和责任边界上，模型性能只占其中一部分。

一家电动车企业在部署 AI 客服时，FDE 团队直接进入客服席位，听用户的真实通话。“充电异常”和“车辆维修”听起来接近，背后连接的是不同知识库与售后流程。模型给出一段流畅回答并不难，困难的是识别真实意图、调用正确系统，并在高风险问题上及时转人工。

这类工作决定了国内 FDE 很难只懂模型，工程能力之外，还要理解行业规则与交付现场。

哪些开发者更适合转向 FDE

后端、全栈、数据和 AI 应用工程师是最直接的一批候选人。他们已经熟悉接口、数据库和生产系统，接下来需要补的是业务判断与客户沟通。

做过 ERP、CRM、供应链、支付、制造或医疗信息化的开发者也有优势。他们知道数据存在哪里，旧系统为什么不能轻易改动，也理解一次故障会影响哪些人。模型知识可以集中学习，行业经验很难在短期内补齐。

解决方案架构师、实施顾问和技术产品经理同样有机会。他们熟悉需求与项目推进，转型的关键在于动手能力。能够把方案独立做成可运行的系统，行业理解就会变成真正的竞争力。

这份工作也有明确的性格要求。FDE 经常面对模糊需求、现场变化和跨团队协调，写代码只是工作的一部分。喜欢接触真实业务、愿意为结果负责的人，通常更容易适应。希望长期专注底层研究，或者需要稳定节奏和清晰需求的人，可以继续选择更纯粹的研发岗位。

高薪背后，先看清这份工作在卖什么

招聘页上的高数字很容易让人误判。对成都、上海、杭州和深圳约 55 个职位的梳理发现，同一家公司、同一类岗位，在官网、猎头和实习渠道可能出现三套薪资。还有岗位列表写着 15 至 25K、14 薪，点进详情却是“协助、参与、辅助”为主的实习工作。招聘区间可能混入转正后的上限、资深候选人的报价或猎头渠道展示的上限，拿到正式 offer 之前，这些数字都不能算真实收入。

真正的高薪也有明确代价。一名 FDE 可能要跟进商机、制作演示、完成试跑和现场部署，再负责培训、维护与效果复盘。出差、加班和生产事故也可能随项目而来。薪水补偿的是从模糊需求走到业务结果的责任，以及这段过程里的不确定性。

更大的坑来自岗位与商业模式不匹配。有的 JD 把销售转化列为主要任务，有的长期按照合同范围执行，工程师没有调整方案和修改产品的权力；还有一些项目按驻场人数和人天收费，客户一验收，经验也留在了现场。这样的岗位即使挂着 FDE 名称，个人价值仍然和工时绑定，项目结束后也更容易被替换。

面试时可以直接问四个问题：过去半年，哪项产品功能来自 FDE 在现场发现的问题；合同描述与真实问题不一致时，谁有权调整方案；项目按人天、交付物还是业务结果收费；项目结束后，有哪些评测集、连接器、流程模板或产品能力被下一位客户复用。高薪值不值得拿，答案藏在这些细节里。

FDE 的第一份经验，要从真实交付开始

FDE 的入门路径可以来自实习、原有项目或一次主动交付，核心都是做出一个有人使用、能够衡量效果的系统。

先从自己熟悉的行业找问题。过去的同事、没有技术团队的小型机构，或者正在维护的开源项目，都可能提供第一个场景。第一单可以低价完成，交付范围和验收指标需要提前说清。客户说“做一个知识库”时，先去看资料怎样产生、员工怎样查询、错误由谁承担，再决定 AI 应该进入哪一步。

接着打通最小的一条完整链路。项目要使用真实数据，AI 要进入原有流程，系统能够部署运行，至少有一名开发者之外的使用者。日志、人工接管和失败处理也要同时存在。只有本机上的聊天页面，无法证明一个人具备现场交付能力。

上线前记录原流程的处理时间、正确率或人工投入，上线后再用同一组指标比较。失败案例要单独分类：问题出在数据、检索、模型判断、工具调用还是流程设计。FDE 的能力会在这些失败里显现，因为客户最终关心的是效果有没有达到要求。

项目完成以后，把需求访谈问题、评测集、连接器和异常规则整理出来，再放进第二个相近场景测试。它们能否复用，可以检验这次交付究竟留下了方法，还是只留下了一段工时。

简历可以沿着一条清楚的链路写：客户提出什么诉求，现场发现的瓶颈是什么，用多长时间跑通哪段流程，指标发生了什么变化。面试官继续追问时，还要说清备选方案、取舍依据和上线后的问题。

已经熟练使用 Codex、Cursor 或 Claude Code 的开发者，还可以从 AI Coding 落地切入。帮助团队建立代码库规则、权限边界、评测方法和使用流程，同样是在把 AI 工具嵌入真实工作，只是客户现场换成了研发团队。

FDE 最后要留下什么

FDE 能不能成为一门长期生意，取决于前线经验能否回到产品。经验留在单个项目里，公司只能依靠增加驻场人员承接更多客户；经验进入模型、工具和平台，下一个项目才可能做得更快。

这也是高薪背后的赌注。企业希望一个工程师能够缩短模型与业务之间的距离。开发者则要把现场积累变成可复用的能力。做完即散的项目，不值得用长期成长去换。