AI 不断进化FDE 的工作也需要进化。工程师在企业现场该把价值放在哪里先把四个问题连起来FDE 是谁AI 改变了什么场景与本体是什么关系以及真正落地该怎么选。01FDE把 AI 带进业务现场以前企业就会请工程师进门。今天AI 让工程师更有条件在现场把问题一路做到结果。售前工程师、解决方案架构师、顾问、实施顾问、交付工程师、售后技术支持长期承担着不同阶段的客户工作。职责会交叠具体边界取决于组织“外包”描述的是采购和用工关系不能当作这些岗位的统一旧称。FDEForward Deployed Engineer前沿部署工程师的关键是贴近客户现场参与问题定义连接产品能力与真实业务并把方案做到可运行、可维护的生产系统。它与 Palantir 的实践密切相关也早于这一轮生成式 AI 热潮。判断一个岗位是否具备这种工作方式比看头衔更有用的是三个问题能不能参与定义问题能不能交付生产系统能不能验证实际效果02AI 压缩了中间环节现场更要找对问题AI 越来越强FDE 做正确的事情比正确地做事情更重要。过去也能快速做原型也有驻场开发。今天变化更明显的地方是部分任务的代码、界面、文档和数据处理可以更快形成可讨论的样例。对边界清楚的局部问题原型可能在分钟到小时内出现接入真实系统、权限、安全、可靠性和验收仍需要工程工作。现场沟通因此有机会从“描述需求、层层传递、等待开发”变成“提出假设、做出样例、收集反馈、修正问题”。效率收益取决于数据可用性、系统开放程度和组织协作不能一概承诺驻场时间更短、成本更低。AI 可以推理、规划也可以在工具和授权范围内主动执行。但它不会天然拥有客户的全部目标、隐性规则和组织背景也不能独立替客户承担取舍。FDE 要发现局部请求背后的约束和业务负责人共同确定该解决什么再把现场的 know-how 变成 AI 能使用的规则、案例、数据和评测标准。FDE 也不能完全绕过行业知识。现场学习、业务专家协作和真实反馈是把原型推进到生产结果的必要条件。好的 FDE 应该逐步减少客户对自己的依赖并让后续客户拥有更好的起点。连接器、业务规则、评测样本和维护文档都应该成为可复用的资产。03场景驱动与本体驱动两种视角可以结合课程里“AI Worker场景驱动”和“Palantir本体驱动”的对比有助于理解两种常见视角。但它不是行业的穷尽分类。从场景出发可以先解决工单分类、文档审阅、排产辅助等具体问题较快检验局部价值挑战是避免每个场景各自连接数据形成新的孤岛。业务本体Ontology把订单、设备、人员等业务对象以及关系和可执行动作表达清楚帮助多个应用共享业务语义挑战在于建模、治理和组织协同的投入。实际项目可以从一个场景开始逐步沉淀共用对象、规则与动作本体平台也可以从局部用例起步。AI Worker 是宽泛的应用形态场景驱动是切入方式本体是架构能力Palantir 是厂商不能把这些不同维度直接拼成互斥的两派。04落地怎么选切入点、能力组合、执行授权我更愿意用三个问题观察项目。第一个问题从哪里切入可以从具体场景、已有业务系统或跨部门协同的问题切入。这些入口可以交叠。第二个问题组合哪些能力知识检索、规则与工作流、API 集成、Agent、共享业务语义、模型适配都可以按需组合。也不是每个问题都需要大模型、多 Agent 或完整本体。第三个问题交给 AI 多少执行权可以提供建议可以由人确认后执行也可以在明确规则和权限内自动执行并把异常交给人。选择取决于风险、可验证性、出错代价和业务约束。这个框架是依据代表性公开实践整理的分析不是行业统一标准也不是新的“三派论”。最后仍然要回到三项验收定义对问题交付生产系统验证实际效果。再看成果是否可维护、可复用客户是否逐步拥有自己运营和演进的能力。参考资料FDE 课程第 1、2 讲及用户提供截图OpenAI《What FDE means at OpenAI》Anthropic《Building effective agents》Palantir《Ontology overview》《Platform overview》Salesforce《How Agentforce Works》AWS 关于 Forward Deployed Engineering 的公开说明。图解为结合课程与公开资料整理的原创改编。零一道谯洪敏
