我的亲身经历告诉你，FDE工程师到底难在哪？

我干的活，原来就是FDE

最近我一直在给客户做 AI 落地的项目。做着做着我发现一个规律：不管客户是什么行业，到最后真正卡住的地方都差不多。不是模型不够好，不是算力不够用，而是 AI 不懂这个行业里"理所当然"的那些规矩。

后来我偶然了解到硅谷有个岗位叫 FDE（Forward Deployed Engineer，前置部署工程师）。这个角色最早是 Palantir 在 2010 年代发明的，现在 OpenAI、Anthropic、Databricks 这些公司都在大量招。我一看岗位描述，发现跟我干的事一模一样：带着通用的 AI 技术平台，扎进客户的真实业务里，搞清楚他们行业的逻辑，让技术真正跑起来。

不光我自己做的项目是这样。不少朋友给我介绍活、让我接项目，聊下来发现，这些需求的本质也是同一件事：客户有技术诉求，但真正需要的不是一个会写代码的人，而是一个能把他们的业务逻辑和 AI 能力对接起来的人。

这就是 FDE 的活。

FDE凭什么这么贵

这个岗位有多热？2025 年 FDE 相关职位同比增长超过 800%。在 Anthropic 和 OpenAI，FDE 的年薪从 38 万美元到 120 万美元不等。Palantir 早年的 FDE 人数甚至比普通工程师还多，可见这个角色对业务有多关键。

但这个岗位不是谁都能做的。

它要求你同时具备三种能力：能写生产级代码，能和业务专家深入沟通理解他们的领域，还能把模糊的业务经验提炼成清晰的结构。纯技术强但搞不定模糊需求的人做不了，沟通能力强但写不了代码的人也做不了。三者兼备的人太少，所以贵。

那到底难在哪？做了这些项目之后，我觉得核心就难在一件事：把专业领域的隐性逻辑提取出来。

为什么提取专业逻辑这么难

这件事难到什么程度？可以说，如果你能把某个专业领域的决策逻辑完整地提取出来，这个领域的 AI 自动化就基本通关了。也正因为如此，它极难完成。

第一，专家自己说不清。

一个干了二十年的老工程师，你问他"你是怎么判断这个方案该不该用的"，他说"凭经验"。你再追问，他能给你讲几条规则，但那只是冰山的一角。真正驱动他做判断的东西已经融进直觉里了，他自己都没有显式想过。你让他写成文档，他写出来的东西只有他自己能看懂，换个人照着做大概率会出问题。

第二，专业经验是三维的。

它不是一张规则表，也不是一棵简单的决策树。同一个变量在不同场景下权重完全不同，不同变量之间还有复杂的交互关系。我之前就总结过，专业经验至少是一个三维的结构，需要彻底想清楚才能建模。表面上看起来只有几条规则，背后其实是一整套立体的判断体系。

第三，真正值钱的知识藏在例外里。

教科书上的标准流程 AI 也能学，但"这种情况要特殊处理""这两个条件同时出现时常规方案会出问题""上次有个项目就是因为忽略了这个细节翻了车"，这些东西没有任何文档，只活在老师傅的脑子里。而恰恰是这些例外，决定了一个方案是"能看"还是"能用"。

第四，提取完了就等于通关。

如果你能把一个专业领域的决策逻辑完整地抽取出来，变成一棵清晰的决策树或者知识图谱，那 AI 照着执行就好了，剩下的全是工程问题。这也反过来说明了为什么这件事这么难。因为它的本质不是"整理文档"，而是"蒸馏掉一个专业"。

学术界也卡在同一个地方

我并不是受到什么论文启发才想明白这些的。是自己做项目踩了足够多的坑之后，才形成了这个判断。

但后来读到一篇 arXiv 上的论文（Knowledge Activation, 2026），发现学术界也在研究同一个问题，而且结论跟我的实践经验高度一致。

论文的核心观点是：AI 智能体在企业里表现不好，瓶颈不在模型能力，在于知识架构。它提出了一套框架，把专业知识打包成结构化的"操作卡片"喂给 AI。每张卡片写清楚该干什么、怎么干、用什么工具、什么不能干、干完之后干什么。这样 AI 拿到卡片就能直接照着做，不用自己瞎猜。

思路是对的。

但这篇论文最大的软肋恰恰是我说的那个点：它假设知识已经被提取出来了，然后教你怎么打包和投递。最难的"提取"这一步，基本跳过了。

这不是这篇论文的问题。这是整个行业共同面对的问题。从一线实践到硅谷产业到学术研究，所有人都卡在同一个地方。

反复迭代，是目前唯一走得通的路

既然一次性提取不现实，那怎么办？

做了这么多项目，我现在的体会是：反复迭代就是解决这个问题的法宝。

不要试图一上来就把专家脑子里的东西全倒出来。正确的做法是让 AI 先做，做出来让业务专家看，专家说哪里不对，记录下来，修正，再让 AI 做，再看，再修正。

很多人以为这个过程是在"训练 AI"，其实不是。这个过程的本质是在帮助业务人员总结和提炼自己的经验。AI 的工程化能力在这里起到了辅助提炼的作用。它逼着专家把模糊的直觉变成具体的修正意见，每一条修正意见都是一块知识碎片，这些碎片积累起来，那棵决策树就在一轮一轮的迭代中慢慢长了出来。

我现在有一个核心信念：只要专业的逻辑能梳理出来，AI 就一定能完成这个工作。 难的从来不是 AI 的能力，而是梳理逻辑本身。逻辑不会从天上掉下来，只有在实践中一轮一轮地迭代，让 AI 去试，让专家去纠，才能逼近最终的结果。

没有捷径。快不了。但只要在做，每一轮都在进步。

FDE为什么不可替代

所以现在回过头看，FDE 为什么贵，我完全理解了。

大模型再强，专业知识它学不会。训练数据里没有你们公司的审批流程，没有你们行业的特殊规范，没有那些只有老师傅才知道的例外情况。这些东西必须有人去提取、去结构化、去喂给 AI。

而能做这件事的人，需要同时跨越三个世界：能和业务专家深聊，听懂他们在说什么；能把听到的东西抽象成结构化的逻辑；还能把这些逻辑变成可运行的代码和系统。

这三样能力凑在一个人身上，确实太稀缺了。

模型会越来越强，上下文窗口会越来越大，推理能力会越来越好。但"理解一个行业到底是怎么运转的"这件事，模型做不了。它需要一个人扎进去，在混沌中找到结构，在模糊中建立规则。

模型能力是可以买到的，但对一个行业的深度理解买不到。

FDE 贵的不是写代码的能力，是把混沌变成结构的能力。

我建了一个AI学习研究群，目前几十来人，都是在真正动手搞AI的人。如果你也在自己跑模型、写代码、做项目，欢迎点赞关注转发一键三连，然后加我微信，备注写清楚"你在做的AI方向"，聊得来的话我拉你进群。纯围观的和小白就不加了，有一定门槛。