1. 硅谷正在疯抢一种人：他们不卖软件，只交付结果——FDE 到底是什么？

2025 年，硅谷出现了一个诡异的现象：其他岗位都在裁员，唯有一个职位的招聘量暴涨了 800%。

这个职位叫 FDE——Forward Deployed Engineer，翻译过来是「前沿部署工程师」。名字听着像特种部队，干的事也确实挺「特种」：驻扎在客户公司写代码，不卖软件，只交付结果。

更诡异的是，抢人的不光是 Palantir 这种老牌国防科技公司。

OpenAI 在 2025 年初组建了 FDE 团队，Anthropic 在招，Salesforce 放话要招将近 1000 个 FDE 来推 Agentforce，Databricks、Ramp、Cohere 全在抢。

YC 统计了一组数据：今天有超过 100 家 YC 初创公司正在招聘 FDE，而三年前这个数字是——零。

一个诞生于情报机构的奇怪岗位，怎么突然成了 AI 创业的「标配」？

这事得从一帮间谍讲起。

1.1. Palantir 的起源：你的客户没法跟你说需求

Palantir 这家公司，创始团队里有 PayPal 黑帮成员 Peter Thiel，有后来 OpenAI 的首席研究官 Bob McGrew。

但真正让 Palantir 成名的，是他们的第一个大客户：CIA。

给情报机构做软件，和给普通企业做软件，是两码事。

普通企业提需求，一般是这样的：销售总监找到你，说「我们的 CRM 系统太慢了，能不能优化一下？」你能聊，能问，能画原型图，双方坐下来开三次会，需求文档就出来了。

情报机构呢？分析师不能告诉你他们在分析什么，不能给你看他们的数据，甚至不能描述自己的工作流。

「我们需要一个数据分析平台」——然后就没有然后了。常规的 SaaS 需求调研流程，从第一天就彻底失效。

Palantir 被逼出了一个野路子：别问需求了，直接派人坐进客户办公室。

这个人就天天坐在分析师旁边，看他们在做什么，遇到什么卡点，当场写代码解决。今天发现数据格式不对，写个脚本清洗；明天发现两个系统之间缺个桥接，搭个 API；后天发现某个分析流程可以自动化，直接撸个工具出来。

一句话：不卖软件，只交付结果。

这个角色就是最早的 FDE。它不是一个销售岗，不是顾问，不是客户成功经理。它就是一个工程师，只不过他的办公桌在客户公司里。

1.2. 两个灵魂：Echo 和 Delta

时间一长，Palantir 发现光派一个工程师不够。于是 FDE 慢慢演化成了双人组。

第一类人叫 Echo。他们是领域专家——退役军官、前医疗管理者、金融老兵。

这些人身上有一种 Palantir 特别看重的气质：异端。不是那种礼貌性点头说「好的我理解你的需求」的顾问，而是敢盯着客户的流程说「你们这做法从根上就是错的」的那种人。他们负责理解客户业务、经营关系、发现真问题。

第二类人叫 Delta。他们是极速原型构建者。拒绝完美主义，核心能力是把一个想法极快地写成「能跑但粗糙」的代码，在短周期内交付成果。

他们不在乎代码优雅不优雅，只在乎能不能在客户失去耐心之前拿出一个能用的东西。

Echo 找到了该炸的碉堡，Delta 抄起炸药包就冲。两人的默契就是：一个问对问题，一个用代码回答。

Bob McGrew 后来总结过一句话：「FDE 本质上是一次微型的创业。」

一个两人小队，带着总部的重型武器（Palantir 的平台能力），空降到客户现场，在极端模糊的环境中探索、试错、交付——这跟创业公司在车库里的状态一模一样。

这也是为什么 Palantir 变成了一个惊人的「创始人训练营」。

今天有超过 350 家独角兽或科技公司由 Palantir 校友掌舵，包括估值 305 亿美元的国防科技公司 Anduril、合同管理平台 Ironclad、数据分析公司 Hex，甚至 ElevenLabs 这样的 AI 语音公司。

硅谷管这个叫「Palantir Mafia」。

1.3. 传统 SaaS 卖的是软件，FDE 卖的是「你的事办成了」

这里有一个底层逻辑的颠覆。

传统 SaaS 的剧本是这样的：找到一群有共同痛点的客户，做一套标准化的产品，按人头或用量收费，通过销售团队从外部敲门。核心目标是「流程的标准化」——越标准，越能规模化，边际成本越低。

FDE 的剧本完全反着来：驻扎在客户内部，深入理解极其异质化的需求，先交付高价值的业务成果，再回过头来把现场做法抽象化成产品。核心目标是「高价值业务成果」——客户花了钱，不是买了一个软件账号，而是买了一个「事办成了」。

用 Palantir 联合创始人 Stephen Cohen 的故事最能说明这事。

他当年带着产品 Demo 去见潜在客户，给对方演示完了，问「你们觉得怎么样？」对方直说：「这个产品太糟糕了，和我们做的事情完全没关系。」

换一般销售，这时候就该慌了。Cohen 没慌，反而继续问：「那你们希望它有什么不同？」对方说了一堆。Cohen 全部记下来，回去改，改完再来。

这不叫销售，叫「站在客户内部一起探索」。

定价方式也彻底不同。传统 SaaS 按席位收费，一个席位一个月多少钱，明码标价，合同小而统一。

FDE 模式呢？按解决问题的价值收费。合同金额极其庞大，而且会随着客户信任加深而灵活增长。

这个区别决定了商业模式的根本差异。卖软件，你赚的是功能费；卖结果，你赚的是价值费。

前者天花板是市场总席位数，后者天花板是客户觉得你值多少钱——这个数字可以大很多。

1.4. 「先亏后赚」的反直觉经济学

你一定在想：派人驻扎客户现场，一待几个月甚至几年，这不是亏死了吗？

没错，早期就是亏的。

FDE 模式在初期是负利润。创业公司要承担所有的部署风险，客户一开始根本不信你能成事。你得用执行力证明自己——甚至愿意亏钱做第一个项目。

但这笔账的妙处在后面。

随着你在客户现场越做越深，产品越来越贴合真实需求，交付成果的单位价值成本会不断下降。同时，客户对你的信任在不断积累。

一开始你只是帮他们解决了一个小问题；后来他们发现你能解决更大的问题；再后来，他们发现离开你不行了。

然后合同就从「小而试探」变成了「大而高壁垒」。

Palantir 自己的财报就是最好的证据。这家公司 2021 年 IPO 时股价大约 19 美元，2022 年跌到 6 美元，然后——五年内回报率 640%，市值突破 3000 亿美元。

这不是「模型质量」或「基准测试分数」的故事，这是一个「部署模式」的故事。

Palantir 的商业化负责人后来发明了一个词来描述这个模式：Land and Expand。

先降落，再扩张。降落的时候不惜代价，扩张的时候收割信任。

1.5. 本体层：FDE 最容易被抄错的地方

看到这里，你可能觉得：「不就是派人做定制化吗？咨询公司不是一直在干这个？」

恰恰是这个问题，杀死过无数想复制 FDE 模式的公司。

如果一个 FDE 在客户 A 那里给「船舶」写死了一张表，在客户 B 那里给「飞机」写死了一张表，然后把两套代码直接推给所有客户——恭喜你，你把自己变成了一家咨询外包公司。

不可扩张，越做越累，利润率越来越薄。

Palantir 的做法是相反的。他们不定义具体的人、船、飞机，而是提供底层的一层抽象：对象（Objects）、属性（Properties）、链接（Links）——任何东西都可以被建模为一个对象，对象之间有属性，属性之间有关系。

这层抽象叫 Ontology（本体层）。

FDE 到了客户现场，用这个本体层去「赋予语义」——客户 A 把某个对象定义为「船舶」，客户 B 把同一个对象定义为「飞机」。底层的平台能力是同一套，上层的业务语义是现场定制的。

这是 FDE 模式和咨询公司之间最本质的区别。

咨询公司做的是「硬编码」：每个客户的解决方案是孤立的，无法复用。

FDE 模式做的是「在极高的抽象层级上思考」：产品团队提供可配置的底层能力，FDE 在现场配置和组合，总部再把现场的发现反哺回平台。

一条「碎石路」修好之后，总部把它建成「高速公路」，下一个客户就能直接开上去。

1.6. Demo 当罗盘，不是需求文档

还有一个反常识的操作：FDE 不问客户「你需要什么」，而是直接给客户看 Demo。

这不是傲慢，而是在极高维度的企业需求空间里，需求访谈根本不管用。客户不知道自己想要什么，因为他们不知道技术能做什么。

你问一个 2007 年的人「你需要智能手机吗」，他会说「我需要一个按键更好用的诺基亚」。

Demo 的作用是两件事：第一，在客户心中创造对某个成果的极度渴望——「天哪，原来可以这样」；第二，迫使你自己思考功能之间如何真正协同工作，而不是孤立地造零件。

Palantir 把这种迭代方式叫做「Demo 驱动的产品进化论」：展示 Demo → 客户反馈 → 发现真实痛点 → 重构功能协作 → 再展示 Demo。

在这个过程中，客户从「你们这东西跟我没关系」变成了「你们什么时候能上线」。

这不是产品调研，这是在创造需求本身。

1.7. 为什么 AI 时代尤其需要 FDE？

前面讲的都是 Palantir 的故事，但你一定注意到了——OpenAI、Anthropic 这些纯 AI 公司为什么也在疯狂招 FDE？

因为这个行业出现了一个巨大的错位。

一边是 AI 模型能力在飞速进化。GPT-4 到 O3，推理能力、代码能力、多模态能力，每半年翻一个台阶。

另一边是企业实际采用率——极缓。Gartner 2024 年的报告显示，72% 的企业在 AI 试点阶段后就陷入了「无法规模化」的困境。

模型很强，落地很慢。中间隔着一道巨大的鸿沟。

这道鸿沟不是靠更好的算法或更强的模型能填平的。

它需要一种完全不同的能力：有人坐在客户的办公室里，理解他们的遗留系统、合规要求、数据隐私限制、组织内部的政治关系——然后把这些乱七八糟的现实，和世界上最先进的 AI 模型，强行对接在一起。

Bob McGrew 总结过一句很直白的话：「AI 大规模落地不是自然发生的。它需要极高的人类创造力、探索精神，去填补 AI 能做什么与企业如何采纳之间的巨大鸿沟。」

FDE 就是那个填鸿沟的人。

有一张图能很形象地说明这件事：OpenAI 这样的基础大模型公司，就像坐在总部办公室里的产品研发团队，不断提升通用能力的杠杆。

而千千万万的 AI Agent 创业公司，就是活跃在前线的 FDE——把最前沿的研究成果在企业现实中强制落地，转化为真实价值。

用 Emergence Capital 的话说：「AI 模型是金矿，FDE 是挖矿的人。」

1.8. 真实案例：FDE 在客户现场到底干了什么？

这些故事很能说明问题。

1.8.1. OpenAI × Klarna

OpenAI 的 FDE 团队最早的重要项目之一，是和瑞典金融科技公司 Klarna 合作。

Klarna 的客服场景极其复杂：不同的意图、不同的客户类型、不同的合规要求。

OpenAI 的 FDE 没有坐在总部发 API 文档，而是直接嵌入 Klarna 的客服团队，一起构建了一套复杂的 Agent 系统。

他们开发了一个内部框架来参数化指令和工具，为每个意图包裹建立评估集，最终把 Klarna 的 AI 客服策略从 20 个扩展到了 400 个。

1.8.2. OpenAI × 摩根士丹利

摩根士丹利想让 GPT-4 赋能财富管理部门——这是他们最大、最核心的业务之一。

目标是把公司庞大到让人类顾问根本读不完的投研报告，高效地呈现给每一位财富顾问。

OpenAI 的 FDE 团队深入摩根士丹利的内部系统，解决了数据接入、合规审核、报告结构化等一系列问题，把大模型真正嵌入了这个百年投行的核心业务流程。

1.8.3. Anduril

这家估值 305 亿美元的国防科技公司，本质上就是用 FDE 模式在打仗。

创始人 Palmer Luckey 与从 Palantir 出来的联合创始人团队，把 FDE 的逻辑应用到了硬件 + AI 的军工领域。

Anduril 的工程师直接驻扎在军事基地，和士兵一起训练、一起执行任务，在实战中迭代产品。

这些案例有一个共同点：没有一个是因为「模型不够好」才需要 FDE 的。

模型已经够好了。问题是现实世界太乱了——遗留系统、合规审核、数据孤岛、组织政治。

FDE 的价值不是调参，而是把这些乱七八糟的东西理顺，让 AI 真正跑起来。

1.9. Palantir 的 Bootcamp：五天，你的数据，一个能跑的东西

2023 年开始，Palantir 把 FDE 的逻辑浓缩成了一种叫 Bootcamp 的玩法。

流程很简单：一到五天，用客户自己的真实数据，针对客户的实际运营问题，在结束时交付一个能跑的能力——不是一份 PPT 写着「下一步计划」，而是一个当场就能用的东西。

效果呢？到 2025 年第四季度，Palantir 美国商业收入同比增长了 137%。

这个模式的精髓在于：它把「信任」从一个抽象概念变成了一个具体动作。

客户在五天之内看到了自己数据被跑通的结果，信任就建立起来了。而一旦信任建立，接下来的合作就水到渠成。

很多试图复制 FDE 模式的公司失败了，不是因为结构没搭好，而是招错了人。

他们把 FDE 当成了「高级顾问」来招——招进来的人擅长保持客户舒适，擅长说「好的我理解你的需求」，擅长写漂亮的 PPT。

但 Palantir 的 FDE 是工程师，他们和核心产品架构师通过同样的技术面试。他们不是顾问，只是恰好坐在客户办公室里写代码。

1.10. 终极洞察：所有 AI Agent 创业公司，本质上都是基础模型的 FDE

把这件事想透，会发现一个更大的格局。

OpenAI、Anthropic、Google DeepMind——这些基础大模型公司，就是坐在总部办公室里的产品研发团队。他们不断提升通用 AI 能力的杠杆，做出越来越强的模型。

而所有的 AI Agent 创业公司，本质上就是活跃在前线的 FDE。它们把最前沿的研究成果，在医疗、法律、金融、制造、物流——每一个高度异质化的行业里——强制落地，转化为真实价值。

这不是一个比喻。Bob McGrew 在 YC 的分享里明确说过：「这个类比一点也不差。也许，这正是让整个 FDE 策略再次变得热门的原因。」

理解了这个格局，就能理解为什么 Palantir 的校友能在 AI 时代遍地开花。

他们在客户现场练出来的本事——在极端模糊的环境中探索，在混乱的现实中发现真问题，把不成熟的技术强行落成可用的产品——恰恰是 AI 时代最稀缺的能力。

1.11. 写在最后：在规模化的前夜，做那些无法规模化的事

FDE 模式的本质，其实是一句矛盾修辞：在规模化的前夜，做那些无法规模化的事。

传统商业智慧告诉你：找到 PMF 之后，就要和客户拉开距离，专注于规模化，对所有客户一视同仁。

但 FDE 模式告诉你：你的每一个客户的需求都「稍微有点不一样」，而正是这些「不一样」里，藏着最深的护城河。

在 Agent 时代，真正的壁垒不是模型本身。模型会越来越强、越来越便宜、越来越同质化。

真正的壁垒是深入泥潭、一次次为客户交付成果的脏活累活——是那些坐在客户办公室里，盯着遗留系统报错日志，一边修数据一边调 Prompt，最后掏出个能用的东西说「来，试试这个」的工程师。

这就是 FDE。一个诞生于情报机构的奇怪岗位，正在成为 AI 时代最性感的职业。

没有之一。