过去两年，AI项目停留在一个尴尬状态：

演示时惊艳，一进真实业务就“水土不服”。

发布会上一句话调用全部跑通，到了客户现场——数据调不出来、权限对不上、回答开始胡说、成本蹭蹭涨，最后变成“领导看完鼓个掌，员工继续用Excel”。

这不是个别现象。Gartner 2026年调研显示，全球超过90%的企业推出过生成式AI试点，但真正进入生产环境、形成规模化价值的不足41%；代理式AI（Agentic AI）部署到生产的比例也只有16%左右。

问题不在模型不够强。

而是从“能跑的原型”到“能稳定干活的系统”之间，隔着一整条工程化鸿沟。

一、Demo工程师和“能交付的人”，差在哪

传统AI开发的习惯是：调API、跑通流程、做个漂亮界面，演示成功就算完成。

但企业真正的问题是另一组：

• 模型能不能布在私有环境里，数据不出内网？

• 推理一次花多少token，成本能不能压到业务可接受区间？

• 上百个系统里的客户、订单、库存口径不一致，AI该信哪一版？

• 智能体调错了工具、批错了单据，责任怎么追？

• 上线三个月后，知识库变了、流程改了，谁持续维护？

这些问题，不是换个大模型能解决的。

它们涉及数据治理、RAG检索、向量库、权限体系、审计日志、成本监控、评测集、人机协同和持续运维——是一整套“生产级交付能力”。

于是，一个原本小众的岗位被推到了前台：FDE，Forward Deployed Engineer，前沿部署工程师。

二、FDE不是“会写代码的售前”

FDE最早在Palantir这类公司成型，这两年随着大模型进入企业核心业务，被OpenAI、Anthropic、亚马逊等重新放大。

它和常规岗位的区别很清晰：

普通AI工程师对模型和代码负责，目标是“功能跑通”；

售前/实施对方案和合同范围负责，目标是“客户签字”；

FDE对“业务真的用起来”负责，目标是可运行、可衡量、可迭代。

一个客户说：“我们想做个AI客服。”

Demo工程师马上搭个对话框；

FDE会先问：

• 客服最耗人力的环节是哪一步？

• 历史工单存在哪些系统里，权限怎么隔离？

• 什么情况必须转人工，错误容忍度是多少？

• 怎么定义“答得好”，拿什么指标验收？

他既懂技术，也懂业务流程，还能亲自写生产代码、进场排障、把一线经验反哺给产品团队。

猎聘2026年数据显示，FDE相关职位需求快速上升，平均年薪达到40.8万元，技能关键词里“交付”排第一，后面才是Agent、RAG、解决方案、驻场。

高薪买的不只是会调模型的人，而是“技术+业务+交付”三合一的复合能力。

三、企业Agent为什么总卡在POC之后

把大量失败项目拆开看，卡点通常集中在四处：

1. 数据不通

ERP、CRM、MES、财务系统各一套口径。AI算得快，但算的是错数。没有“AI就绪”的数据，再强的模型也是空中楼阁。

2. 语义不通

老师傅脑子里的审批例外、行业黑话、隐性规则，从来没写进文档。模型看不到，就只能编。

3. 权限不通

研发、销售、财务看到的知识范围应该不一样。RAG建完才发现：没做权限过滤，涉密文档被任何人一句提问就检索出来。

4. 评测和运维缺失

Demo上线容易，证明“它没退化”很难。提示词改一句、模型换一版，智能体行为就会漂。没有评测集和观测体系，系统用两个月就变成摆设。

所以企业级Agent的竞争，早已不是“谁模型强”，而是：

谁能把动态行为管起来，没人盯着的时候也别乱来。

四、从实施/售前转向FDE，差的是三层能力

很多做实施、售前、解决方案的人，其实已经具备FDE最稀缺的底层能力：懂客户、会翻译需求。

但要从“方案漂亮”走到“系统能跑”，还要补三块：

① 工程手感

能自己搭RAG链路：文档解析、切片策略、向量检索、重排序、引用校验、权限过滤。不是套个框架，而是知道哪里会漏、哪里会幻。

② 生产思维

Demo阶段想“功能能不能用”，生产阶段想“数据怎么防泄漏、成本怎么控、故障怎么回滚、上线后谁运维”。

③ 上下文工程能力

Gartner把2026年的核心关键词定为“上下文工程”。企业不缺模型，缺的是把业务规则、语义层、工作流沉淀成模型能理解的上下文。

这意味着：FDE不是从零转码，而是在原有业务理解上，补一套“让AI进系统”的工程方法。

五、未来两年，这个角色会怎么演化

几个正在发生的趋势：

• FDE从岗位变成能力层。Gartner预测，到2028年，超过50%的AI技术和服务提供商会用FDE加速解决方案落地。

• 可复制大于可定制。一家家驻场做定制不可持续，行业会把共性场景沉淀成模板、组件、评估集和行业包。

• 企业自己要长出FDE能力。外部团队离场后，内部得有人会继续调优。未来抢手的，是能在业务线里带AI落地的人，而不只是外部顾问。

• 评测会成为新基建。谁能定义“做对了是什么样”，谁才握住AI质量的闸门。

AI行业正在过一个拐点：

上半场拼“模型能做什么”，下半场拼“系统能不能稳定交付价值”。

只会写Demo的工程师不会立刻消失，但会越来越难参与后半段——需求诊断、私有部署、权限治理、成本管控、持续运维，这些“不好看但致命”的环节，才是企业愿意付钱的地方。

FDE的走红，本质不是多了一个新头衔，而是行业终于承认一件事：

模型能力的终点，不是跑通一行代码；而是让一个组织，敢把关键流程交给它。

对于一个做了多年业务实施、售前或技术交付的人来说，这反而是最好的转身窗口——

你缺的从来不是技术天赋，而是一套把业务理解“工程化”的方法。

FDE前沿部署工程师，FDE解决方案工程师，北京青蓝智慧科技

丁老师13522094648