ポッドキャストノート｜シリコンバレーの AI 企業現場スタッフが FDE を詳細解説、AI 業界で現在最もホットな職種

2026.07.18

共有先

TechFlow厳選深潮セレクト

ポッドキャストノート｜シリコンバレーの AI 企業現場スタッフが FDE を詳細解説、AI 業界で現在最もホットな職種

FDE はまるでスタートアップ企業の CTO を一群雇ったようなものだ。案件を成約させ、AI を実装し、顧客を囲い込まなければならない。しかし同時に、CTO として、常に製品をどう改善するかを考えているわけではなく、むしろ自己革命さえ必要なのだ。

2026.07.18 - 04:57:59

Web3業界の深掘り報道に専念し潮流を洞察

整理 & 编译：深潮 TechFlow

嘉宾： Jove Zhong（钟钱杰），Cresta Head of FDE（Forward Deployed Engineering），负责 AI Agent 前线部署团队

主持人： 孙煜征（课代表立正），Superlinear Academy 创始人，前 Statsig 布道师（公司被 OpenAI 收购）

播客源： 课代表立正

原标题： 他的 FDE 团队从 30 人扩到 100 人，但为什么很多大厂工程师甚至不知道这个岗位？

播出日期： 2026 年 7 月 17 日

要点总结

Jove 目前在 AI 呼叫中心公司 Cresta 带领 FDE 团队，从去年接手时的几个人扩到 30 人，今年目标 100 人，全球招人。Cresta 本身是家成立 9 年的企业服务公司，客户包括万豪、美联航，一直做客服体验优化，AI 浪潮来之后自然过渡到 AI Agent 部署。

这场对话的核心张力在于：FDE 正在被 OpenAI、Anthropic 等顶级 AI 公司和 VC 圈追捧为"AI 时代最有前途的岗位"，但 Jove 在湾区办活动时发现，来自 Meta、Google 这样的大厂工程师甚至没听说过这个岗位。Jove 的观点很明确，AI Agent FDE 不是传统的外包或驻场工程师，一个新物种：你既要懂 AI 落地的全部坑（幻觉、RAG 延迟、VAD 调试、模型版本切换），又要能面对面赢得客户 CTO 的信任，还要把前线教训带回公司改进产品。本质上，是招了一群"创业公司 CTO"来让 AI 落地。

精彩观点摘要

FDE 的本质

"FDE 就像是招了一群创业公司的 CTO。你要把单子搞定，把 AI 落地，把客户锁住；但同时你作为一个 CTO，不是整天想怎么让产品更好，你甚至要自我革命。"

"FDE 在 AI 时代和之前的 FDE 是两个东西。之前的 FDE 和外包驻场工程师没有特别大区别，但 AI Agent FDE 是一个新物种。"

AI 落地的最后一公里

"这些模型不是很难拿得到。你只要肯花钱，就可以 access 到最好的模型。但是 so what？你不见得知道这个模型应该怎么用。"

"FDE 就像一个咖啡师。你可以买意大利辣妈咖啡机，买很好的豆子，但你不一定能做出一杯好咖啡。客户要的是一个 outcome，他要一个还不错的 AI Agent 体验。"

什么样的人适合做 FDE

"如果有人经历过很多失败的经验，对我来说是一个很好的事情。他能够把他过去的 lessons learned 讲出来，在哪个体场合是不是言多必失，是不是太早 jump to conclusion。"

"你是一个很好的 AI engineer？这基本上是废话。现在你哪个软件工程师如果不是 AI engineer，你都已经很出局了。你必须要会开发跟测试过 AI Agent。"

FDE 为什么很难被 AI 取代

"过去我们有一个 skill 就可以生存，现在不行了。但你可以为结果去负责。只要你越来越近地接触结果，你就越难被取代，因为 AI 没有办法为这个结果担责任，换个 prompt 它就说了另外一句话。"

FDE 在中国 vs 北美

"在北美，人工本来就很贵，大家对结果买单的需求比较强，SaaS 也成熟，FDE 模型在 AI Agent 这块比较容易落地。在国内，我只能心疼从业人员几秒钟。"

一、当一个岗位被 VC 和顶级 AI 公司集体看好，大厂的人却不认识它

课代表立正：你手下现在有多少 FDE？

30 个人，今年估计可以到 100 个。最近七八个月在 Cresta，我切身感受到 FDE 真的是现在让 AI 落地、让大家掏钱、让世界有所改变的一个很有效的方式。

课代表立正：我特别惊讶的是，OpenAI、Anthropic 都在招很多 FDE，VC 也说这是 AI 最需要的岗位，但办活动的时候，尤其是 Meta、Google 这些大厂的人，都会问"什么是 FDE"。

对，这个认知差确实很大。我是从 Palantir 涨的那一波开始比较了解 FDE 的，Palantir 作为这个模式的创造者，它的业务非常特殊，因为不是每个厂商都能做军方的业务。十到十五年前开始做的时候，很多军方客户想要什么是不高兴说得很明确的，你必须跟他们面对面，跑到同一个军营帐篷、看到数据，他才愿意说得很细。

所以 Palantir 招了两个团队：一个是偏前线驻场的软件工程师，另一个是偏业务的负责人，熟作战或抢救流程。一个偏技术，一个非技术。FDE 我们通常意义上讲，还是一个非常技术的工种。

二、AI Agent FDE 是新物种，不要和传统驻场工程师混淆

课代表立正：先给没听过这个词的同学解释一下 FDE 到底是什么。

FDE 的全称是 Forward Deployed Engineer，特点是它还是一个 engineer，但它是 forward deploy 到项目里面去的。但我觉得必须把 FDE 放在 AI Agent 这个框架里。

如果这是一个传统的场景，数据的 ETL、数据转换、网络搭建，你要说 FDE 跟驻场工程师、外包、咨询有什么区别，其实很难界定。但在 AI Agent 语境下就完全不一样：现在很多人想要 AI Agent，你可以拿到比较新的 model access，可以用 ElevenLabs、Deepgram 这些语音模型，但你不一定有能力做出一个符合你业务场景的 AI Agent。

FDE 起的作用就是：结合你的业务逻辑，利用 AI Agent 平台上的所有功能，做出一套满足你具体需求的 AI 系统，带着 guardrail、test、eval。这些东西是很难让客户自己去学的。他自己可能有工程团队，知道怎么 build 一个网站或手机 App，但 build 一个 AI Agent 就完全是另一回事：处理幻觉、让 RAG 或 knowledge base 低延迟、高准确，中间有很多难的东西，而且不太直观。

所以我们这些 AI 公司采用 FDE 模型，就是让 AI 专家清楚知道平台有什么、客户想要什么，然后把这个东西做出来、精打磨，而不是逼客户自己去学。就算他能学会，也要花半年一年，竞争对手已经抢跑了。

课代表立正：也就是说 AI Agent FDE 和之前的 FDE 是两个东西。之前的 FDE 和外包驻场工程师没区别，AI Agent FDE 是新物种，他们特别 AI native，真的懂做 AI 产品里遇到的各种坑。model access、feature 大家都有，但真的想做好，差距是很大的。

对，而且我们愿意并且有能力跟客户贴身服务。我们有句话说，你可以 Talk about API over IPA，可以和客户很快地打好关系，赢得 CEO、CTO 或者 API lead 的信任。大家都是做 engineer 的，有共同语言，你很快能理解他想要什么以及你的 limitation。

三、FDE = 客户面前的 CTO，FDPM = 客户面前的 CEO

课代表立正：听起来对能力要求特别高。要特别懂 AI（本身就稀缺），还要有 communication skills 得到用户信任，还要理解用户业务。

所以我们就像招了一群创业公司的 CTO。这些人能搞清楚哪里应该发力，哪里需要 say no，然后用 AI 技能把事落地。

但每个人的 bandwidth 有限，所以 partially inspired by Palantir，Cresta 的 FDE 团队之外，还有一个 FDPM 团队（Forward Deployed Product Manager）。他们不需要那么 technical，但就像一个公司有 CEO 和 CTO 一样：FDPM 更多关心 business logic、验收标准、风险管理、时间进度。

很多时候我们跟客户开会，他们自己内部都没很好 align 想要什么，SOP 每个人脑里不一样。如果每个会都让 FDE 参加，不是最好利用我们的方式。FDPM 就做这些非技术工作，把东西理顺。FDE 从技术角度确保实现合理、测试健全，还把经验教训带回公司改进产品。

所以你可以把 FDE 想象成 Forward Deployed CTO，FDPM 就是 Forward Deployed CEO。FDE 负责 AI 的行业最佳实践，SDK、工具包、CLI 的开发；FDPM 负责具体需求、风险上报，甚至追加销售，原先做了三个用例，是不是可以做成六个。这样分开，对招聘的要求就不会过于高。

课代表立正：工程师转 FDE 是比较自然的，还有其他的吗？PM 转 FDPM？

对。FDE 的 baseline 是 engineer。我面试会有一个环节让你不用任何 AI 写简单的 Python 程序，不是 LeetCode，就是证明你会写程序。还有一轮看 engineering practice：知不知道 unit test、end to end、分层这些概念。

如果一个完全没有技术背景的人去做 AI Agent FDE，看起来可以 work，但他自己不会 aware 到哪些东西有问题。比如做一个登录界面，做出来好像可以登录，但东西都塞在前端，用户很容易删掉 DOM tree 或篡改看到很多东西。没有工程素养的话，很多东西看起来 work，但其实缺乏 best practice。

在这之上，如果有 consulting 背景，Accenture、McKinsey，那很好。但要小心不要用过去的方式判断 deal size，或者按时间计件。我们本身是偏 SaaS 的公司，FDE 是 forward deployed product engineer，从属 product engineering 的一部分。FDE 的一大职责是：通过做 AI Agent 来证明产品 PMF 没问题，然后去改产品，改 REST API、microservice、UI、CLI、doc。不光把每个部署做成功，还让产品变得越来越成熟。

课代表立正：你们不光是驻场帮客户解决问题，还要回来改自己的产品。

对，我就是 part of product engineering。我的 peer 是做 microservice 的、做 Kubernetes Infra 的，我们都 report 给 VP engineering，VP engineering report 给 CEO。我知道有些公司把 FDE 放在 customer success 或 professional service，甚至是售前底下。我们之所以没这样做，是因为我们最终要做一家 platform 公司，希望有一个 AI Agent 平台能 enable 很多不同的 use case。

FDE 的理想状态是：简单的事情被自动化和平台改进取代，FDE 变得越来越专，成为 payment 专家、网络专家、RAG 专家，只做越来越难的事情。 这样我们也不会把自己培养成一个 consulting firm 养几百号人做重复劳动。

四、为什么 AI 落地这么需要 FDE？因为终端用户要的是 outcome，不是模型

课代表立正：我之所以非常看好 FDE，就是因为现在 AI 能力太强了，但大多数人没有落地能力。很多传统行业很需要用 AI，但他们完全没有这样的人才。这时候有个人去把不确定性变成确定性，对餐馆老板来说，他不用想能不能做好，有个 FDE 说"用我们的平台，我来帮你全都搞定"，落地就简单了。

完全正确。你让一个餐馆老板或他的 IT 团队去理解 AI Agent 的细节，比如说 VAD（voice activity detection，语音活动检测）：我在说话的时候你可以附和，但不应该打断我；我报电话号码或 email 的时候中间有停顿，但不意味着对方要 chime in；有杂音怎么办。光 VAD 就有不同做法，基于 silence-based 还是基于 LLM-based、基于语义的。让餐馆 IT 人员学这些，too much。

客户其实只关心：品牌是偏年轻人还是偏成熟稳重，菜品怎么介绍，怎么给 VIP 留位。这些是 business 层面的特殊需求。FDE 就是比较快地 apply best practice，挑最好的东西让它 work。而且我今天给饺子馆做，明天给西餐厅做，积累行业 knowhow，翻台率、怎么礼貌拒绝客户。到最后我们可能比餐馆还懂餐馆。

课代表立正：红杉的分析说过，软件市场其实没那么大，但整个 labor 市场是极大的。AI 要取代的就是这个 labor 市场。AI 想取代 labor，就需要既懂 AI 又懂 business 的人去真的把它做好。

五、Cresta 做的事：让万豪和美联航的客服中心用上 AI

课代表立正：讲讲这些传统行业是怎么用 AI 的，你们公司在做什么，你看到的 gap 有多大。

Cresta 2017 年成立的，做了 9 年，一直做 customer experience 这块，核心就是 call center。以前人工客服时代，新员工培训是大问题：打电话进来要做适当的披露（比如"这个电话被录音了"），电话被 transfer 过来你要拿过去的历史记录。有大量的事情可以让 AI 来辅助，让 human agent 更高效。

现在我们在做的事更多，不是所有 case 都需要真人回复。比如黑五期间要临时招很多人，高峰期过了又要让他们走，这个行业的离职率其实很高。但你某天掉了张信用卡，想打电话让人补寄一张，这个事情完全可以让 AI 做完。

我们有万豪、美联航这样的客户用了很多年，一直在 call center 和 human agent 场景中。现在让他们多用一个 AI Agent 产品，更像一个 upsell。他们可以挑一些 low-hanging fruit 的 use case 让 AI Agent 做。

我的团队现在 30 个人，后面可能变 50、变 100，worldwide 招人。目前以北美为主，但欧洲和 APAC 也在招。目标是让更多的电话、更多的 chat 被 AI 优化体验。没有人想打一个电话等半小时听音乐，或者打一个电话有两个 purpose，结果第二个还要被 transfer 过去再等半小时。

课代表立正：AI 应用的前三大赛道，你怎么看？

第一是 coding，Cursor、Claude Code、Codex 做了很多工作。第二是 multimedia，音乐、图片、视频的生成，有大公司烧很多钱在做。第三就是 enterprise AI，尤其是 voice AI/AI Agent。

coding 已经被证明是很好的市场，FDE 也可以不限量使用 coding 工具，但这个领域太卷了，你很少作为一个玩家进去。image 和 video 生成看起来 work，但需要大量投入。而 enterprise AI，你问 100 个 business owner，50% 以上都想要。如果你能让 AI 省人工、让客户等的时间更短，why not？而且这个技术快要 ready，没有完全 ready，所以你只需要找合适的人、找个 vendor，就可以实现。

课代表立正：但很难想象旁边的餐馆需要 call center 级别的语音 AI 吧？

有的。除了传统的 call center，我们越来越多遇到没有 call center 但需要 "AI receptionist" 的客户。客户或潜在客户打电话来，不需要每次都人工接，AI 就能像前台一样：你要干嘛？要不要帮你约个时间？想找谁聊？我可以发个短信或 summary 给 owner。

不管是牙医、咖啡馆、花店，甚至是你个人，可能很多人想找你课代表聊事情，但你可以先让 AI filter 一下。

六、做 FDE 的门槛：AI Agent 经验是入场券，创业失败经历是加分项

课代表立正：什么样的人适合做 FDE？你的招聘画像是什么？

首先，目前我不放招 junior，FDE 需要工作 3 年以上，本身是一个很好的 engineer。如果做过 founder、co-founder、founding engineer，加分。做过 consulting、customer facing，在 customer communication 和 negotiation 方面没问题，加分。

最关键的一条：需要做过 AI Agent。 我看到成堆的简历写着"我是 AI engineer，我很会用 Claude Code，我很会用 Codex"，这基本上是废话。现在这个时间点，任何一个 engineer 如果不会用 Claude Code，就像不会打字一样，没有意义。你必须会做 AI Agent 才有意义。

需要你做过的 AI Agent 大概到什么层次呢？我参考课代表的 AI 产品 6 个层次模型：第一层 prompt wrapper，第二层 grounded AI（带知识的），第三层 tool-using AI（能调用工具的），第四层 LLM workflow（固定流程里的 AI）。到第四层对我们来说就差不多够了。 因为做 voice AI 客服，很多时候你要退票就退票、要 refund 就 refund，不能去问客户"我这样做对吗？我应该给你 50% 还是 30% refund？"你更多是要清楚拿 knowledge base、SOP，低延迟做 tool call。

面试环节有一个 90 分钟实战，让你用 Claude Code 或 Cursor，基于我们给的 API 和 knowledge base，做出一个 agent，并且证明它是高质量的，包括设计 test eval、handle edge case。这比问一些道听途说的东西或者 toy project 具体得多。

课代表立正：win trust 这件事特别重要，但很多人就是不会。能 win trust 的人有什么特质？

如果一个候选人经历过失败的教训，对我来说是好事。他能讲出来在哪个体场合是不是言多必失，是不是太早 jump to conclusion，还是能从客户角度揣测出 motivation，然后以一个好角度切入你的 proposal，甚至让对方自己把方案 present 出来，而不是你强行 say no 或强行推。

这里有一个 red flag：面试的时候如果我问一个问题，对方给了我一个 6 分钟、10 分钟的回答，基本上就严重减分。 你没有好的沟通意识，不知道信息密度应该怎样。你列出 10 个点，不如讲两三点。如果太痴迷于把想的东西一股脑倒出来，这不是一个好的 FDE signal。

课代表立正：真正能 win trust 的人有两样东西：第一是他愿意 listen，能站在对方角度思考；第二是他的 EGO 不要大。你会就是会，不会就是不会，目的是把事做好。如果对方感觉到你特别在乎自己的 EGO，他就不 trust 你。

七、把 FDE 比作咖啡师和日料大师：最好的食材谁都能买到，做出好东西才是本事

我觉得 FDE 就像一个咖啡师。你可以买意大利的辣妈牌咖啡机，几千块钱的很贵，但买回来调试完，你不一定能做出好咖啡。你去买很好的豆子，也不一定有这个技术。

客户要的是一个 outcome，他要一个好的 AI Agent 体验。就像你想跟闺蜜有一个很好的 conversation，在舒服的咖啡馆喝一杯舒服的咖啡，你去 Blue Bottle 就好了。FDE 做的事就是用好的原材料、好的豆子、复杂的机器、好的技能，而且你还会跟他聊天，看他今天是心情比较 down 还是比较嗨，给他特调出一杯咖啡，他的感受就很好。

类似 Omakase（日式"おまかせ"，主厨推荐）：你都不用问今天有什么菜，你只要相信我们，我们肯定拿最好的技术、最好的食材给你一个很棒的体验。这些食材，咖啡豆、鱼，对应到 AI 领域就是这些 model。model 不是很难拿得到，你只要肯花钱就能 access 到最好的模型。但是 so what？你不见得知道这个模型应该怎么用。

举个简单例子：你有一个复杂的 mapping 关系，你是写成 Markdown 的 table 还是写成一大堆 bullet point？哪个更高效？当然省 token 是一方面，但哪个执行起来更容易犯错？我们会发现 ChatGPT 的 5.1、5.2、5.3、5.4 每个版本都不一样。FDE 有足够多时间去了解这些 AI best practice。

同时你又会察言观色，和客户有私交。AI 本身就是一大堆概率问题，很难保证永远不错。当你错的时候，怎么及时修复、怎么不 hurt 这个 relationship，FDE 在里面有很强的人格魅力和关系在里面。

课代表立正：这就是把 trust 具象化，落到人身上。名词和动词的区别。名词非常有限，10 分钟就能学会。但真正把事做好的都在动词里，无穷精深，而且你不学不知道，不做不知道。你说这个人的 routing 做得好，那个人的 routing 做得不好，你完全没有办法想象这里面的功夫差得有多深。

八、为什么 FDE 会越来越值钱：模型在逼着你不停重来

还有一个有意思的点。我以前很多年在 IBM、EMC 做企业软件，大家有一个常见的心态：这个东西只要不坏就不要改，尤其是做 on premise 的。

但现在做 AI Agent，如果你不改，你这个模型可能就不能用了，API 就不 work。 比如你原先用 4.1，现在不能用 4.1 了，必须要用 5.x。不管是作为 20% 的服务费还是新的 use case、新的 SOW，你需要不停地 engage、用最好的模型或对的模型把事情越做越好。这不是一枪头的买卖。

这对公司来说其实是好事情，push 大家用 ARR subscription model。我们甚至不提供任何 on premise 部署，只能用 SaaS。加上你的 SaaS 会用最好的 voice engine、最好的模型，这就变成一个很自然的 ARR。客户不会整天问"什么时候能在我这边装好，然后我就可以甩掉你"，他甩不开我们。

课代表立正：另外，FDE 是一个很难被 AI 取代的职业。过去我们有一个 skill 就可以生存，现在不行了。但你可以为结果去负责。只要你越来越近地接触结果，就越难被取代，AI 换一个 prompt 就说了另外一句话，它没有办法为结果担责任。