文 | 脑极体
鱼皮没想到，拿到月薪五万的 offer 之后，第一天上班是进厂贴二维码。
他应聘到的岗位叫 FDE，前沿部署工程师。招聘 JD 上写的是 Python 生产级编码、大模型系统经验、RAG 搭建，面试聊的是 Agent 架构和 Prompt 工程，但到了客户现场，一家制造业工厂，真实的工作画面是钻进车间，在轰鸣的机器声里记录每台设备的“外号”，并亲手把二维码贴到设备上做定位。
没有写字楼、没有落地窗、没有现成的数据管道，FDE 的一切仿佛都离 AI 的聚光灯很远。
但在社交媒体上，关于 FDE 的黄金叙事又层出不穷。AI 时代最不会失业的岗位、月入十万、复合型人才等词语从未离开过这个职位。据悉，整个行业都在裁员的两年内，FDE 招聘需求涨了四十多倍，OpenAI 开出的年薪折合人民币一百多万起步，字节跳动给“豆包 AI 大模型 FDE”开出的月薪最高能到 7 万。
一个过去几乎无人知晓的岗位，在短短两年内成为 AI 行业最炙手可热的“金饭碗”。它究竟是什么？为什么在裁员潮中逆势而起？光鲜的招聘数据背后，又有多少水分？
2026 年的科技行业，正在经历一场前所未有的撕裂。
一边是裁员潮的持续蔓延。根据美国就业咨询公司“挑战者”的月度报告，仅 2026 年上半年，美国科技行业累计裁员人数就接近 14 万人。亚马逊在一年内砍掉约 3 万个岗位，Meta 裁掉 8000 人，甲骨文过去十二个月员工总数从 16.2 万降至 14.1 万，降幅达 13%。甲骨文在年报中报告：“AI 技术在我们运营中的应用和部署，已经导致并且可能继续导致员工人数减少。”
另一边，一个名为 FDE 的岗位正在以令人瞠目的速度逆势暴涨。LinkedIn2026 年劳动力报告显示，2023 至 2025 两年间，全球 FDE 招聘岗位增长了 42 倍，而同期 AI 工程师岗位的增长仅为 13 倍。字节跳动为 FDE 专家开出月薪 3 万至 5 万、全年 15 薪的待遇，蚂蚁数科给出 4 万至 6 万的月薪，智谱华章的 FDE 负责人岗位月薪达到 6 万至 8 万。在美国，OpenAI 为 FDE 岗位提供的年薪在 16.2 万至 28 万美元之间，Anthropic 则开出了 20 万至 30 万美元的价码。
鱼皮看到这些数字的时候，正坐在上一家公司工位上刷手机。那是一家做企业服务的中厂，他做了六年后端开发，写过 Python，调过 API，也搭过一些小规模的 RAG 项目。公司年初裁了一轮，他留了下来，但隔壁工位的同事走了，留下来的人业务也愈发繁重。鱼皮开始刷招聘软件，刷着刷着，FDE 这个词反复出现。
几经了解后，鱼皮决定投递简历，去北京面试的时候，面试官问他怎么理解“生产级的大模型系统”，他讲了自己搭过的检索增强生成流程和对接的客户便通过了面试，在头部大厂做起了 FDE。
鱼皮离职的同事里，有人在大厂做算法，有人在创业公司做 Agent，听说他去做 FDE，反应分成两种，一种说“这不就是高级外包吗”，另一种说“听说这岗位火得不行，你运气真好”。
要理解 FDE，得先回到它的发源地。这个词最早由 Palantir 在 2000 年中期提出。当时它的政府和国防客户数据环境极其敏感、架构又高度个性化，远程交付根本行不通。一个交付完方案就飞走的架构师，留给客户的只是一堆待处理的工单，而不是能跑起来的系统。于是 Palantir 干脆把自己的工程师长期嵌入客户现场，既写代码又懂业务，FDE 由此诞生。
与传统的 AI 工程师或 ML 工程师不同，FDE 不写核心模型代码，而是把模型能力嵌入客户业务系统，打通从模型到价值的“最后一公里”。简单来说，AI 工程师对模型指标负责，FDE 对业务结果负责。
技术、业务、信任，三者缺一不可，也正因如此，薪酬被一路推高。LinkedIn 数据显示 FDE 中位年薪约 19.9 万美元，而 OpenAI、Anthropic 等前沿实验室的中级 FDE 总包普遍落在 35 万至 55 万美元区间，资深乃至 Principal 级别突破百万美元并不罕见。换算到国内语境，字节跳动、阿里巴巴等头部大厂的 FDE 开出百万人民币年薪也比比皆是。而鱼皮，就是被这股高薪招聘浪潮卷进去的其中之一。
那么，FDE 为何突然爆火？出圈背后有哪些不可忽视的推手？
FDE 爆火的根本原因藏在一个简单的判断里：模型能力在被快速拉平，但把模型接进老旧系统、过安全合规、让一线员工愿意用，这三件事短期拉不平。
2026 年 5 月，三家全球最顶尖的 AI 公司几乎同时做出了同一个动作。Anthropic 联合黑石、高盛等机构，推出总承诺资本 15 亿美元的合资企业，核心业务就是帮企业落地部署 Claude。OpenAI 成立独立部署子公司 DeployCo，初始投入超 40 亿美元。相隔不到两周，谷歌云 CEO 公开发文大规模招募 FDE，内部开放超 1500 个 AI 落地相关岗位。三家公司的判断高度一致：光卖 API 不够了。客户拿到模型后，经常卡在“不知道怎么用”“数据接不上”“效果不稳定”“上线后不敢用”这些地方，需要一个角色下到现场，把东西真正做出来。
猎聘报告显示，FDE 岗位高度集中在上海、北京、深圳、杭州四座城市，合计占比 68.33%。行业分布上，AI/互联网仍是最大需求来源，占比 72.36%。
初入 FDE 职场的鱼皮天真地以为，对接客户或许只是小部分时间，大多数时候他还是需要在写字楼里不停开会、写代码、对齐方案。
但鱼皮很快发现，对接客户里，零售业、制造业等传统行业已经逐渐成为尾部、大头，FDE 正在从 AI 圈的内部热词逐渐向全行业全社会扩展。
而这个过程不会轻松。他接手的第一个客户是一家制造业工厂。客户想要 AI 预测维护，但工厂内部连温度、振动、运行时间这些基础数据都没有采集过。鱼皮只能退而求其次，先把报修流程理顺，让 AI 帮工人整理报修信息，同时把每次的故障描述和维修结果结构化地保存下来，为以后积累数据。
不仅仅是 AI 能力，FDE 面临的是一个关于组织能力、流程成熟度、数据基础设施的问题。FDE 能做的是把这些问题一个一个暴露出来，然后用最小的可行方案先走通一步。
驻场三个月后，鱼皮才慢慢琢磨清楚 FDE 卖的是什么。
卖外包式项目定制是最常见也最累的一种。客户给钱就进场定制交付，赚项目费。他们是把“搞清楚问题”这件事丢给你。很多客户自己都没想清楚要什么，聊着聊着需求就没了。过于定制也难沉淀成产品，天花板肉眼可见。鱼皮接的第一个项目就是这种，客户一开始说要“AI 预测维护”，聊到第三周才发现，真正的问题是质检标准本身就没统一。
第二种是卖产品实施，是手里有成熟 Agent 产品，派人帮客户接数据、接系统。名字叫 FDE，本质是实施。鱼皮后来转到这条线上，才算用上了招聘 JD 里写的那些东西。
第三种是卖认知，是做咨询和培训，不碰重交付，帮老板和员工搞懂 AI、改造工作方法。鱼皮认识的一个同行，一人公司做传统行业 AI 基建咨询，三个月排满项目，已经在准备扩招。
还有人不做交付做撮合，办社群、组黑客松，连接想转型的人和急需 AI 化的企业。
鱼皮发现，从这个角度看，FDE 更像是一个翻译器，把 AI 的能力翻译成企业能听懂的方案；也是一个传感器，把企业的真实痛点传回给产品团队；还是一个催化剂，在某些环节用 AI 提效的结果证明，这件事值得继续做下去。
但凡是爆火的岗位，都难免被注水，FDE 也不例外。
百万年薪的叙事在网上流传，但一线 FDE 工作者的真实体验远没有招聘文案那么光鲜。
甚至有国外员工吐槽：“FDE 简直是他从事工程师以来接触过最糟糕的岗位。”
从鱼皮的个人体验来讲，驻场是常态、漂泊是代价，前期，销售、交付、售后全是你一个人。最忙时一周近 50 小时，每周三天驻场或出差。早上到客户现场开几小时会确认需求，剩下时间写代码，工期紧时连续写七八个小时，甚至睡前给 AIAgent 留超长任务让它夜间执行。Palantir 的前 FDE 则描述，一周有 3 到 4 天驻场，在一个客户处工作约一年，团队 4 到 5 人。
但累还不是最难的。最难的是，你永远不知道明天要扮演什么角色。
国内某 AI 公司的 FDE 坦言，几乎没有固定办公地点，周末临时支援是常态，长期异地奔波让不少人作息紊乱。既要像研发一样写高质量代码、查 bug，又要像售前一样对接需求、讲方案，还要像运维一样处理现场故障、协调多方团队推进项目，一人分饰数角，容错率却很低，客户满意度直接挂钩绩效，现场问题必须即时解决。
鱼皮在工厂的第三周，客户老板拉着他问：“你们这个 AI，能不能帮我预测一下哪台机器明天会坏？”鱼皮说，需要先有数据。老板说：“数据不是一直在记吗？”鱼皮跟着工人去看，所谓的“记录”是手写在一本沾着油污的台账上，字迹潦草，有些日期还写错了。他花了不少时间把台账敲进 Excel，又花了一周说服车间主任让工人每天多填两栏。
讽刺的是，这些和 AI 没有任何关系的前期工作却直接决定了 AI 能不能开始。
并且，并非所有想靠 AI 提质增效的公司负责人都懂得 AI 最基本的原理，所以身兼数职的前线 FDE 还需要练习如何用大白话向传统企业老白通俗易懂地讲 Agent、skill 等业务。毕竟最后的成单率也靠 FDE 员工。
这解释了为什么 burnout（职业倦怠）会成为 FDE 圈的高频词。频繁出差、复合压力、职业边界模糊等问题，是几乎所有一线从业者的共同痛点。
不过，即使身兼数职、昼夜奔波，社交媒体上“单人接单月入十万”“零基础转行年薪百万”的故事也并非适用于每一个人。真正能拿到百万年薪的 FDE 集中在头部 AI 公司和顶级咨询机构，且通常要求像鱼皮这样有 5 年以上工程经验并有面向客户的工作经历，并且并不稳定。因此，FDE 也有另一个花名“驻场外包”。
做过中国 ToB 生意的人都懂一个痛：客户要定制，要私有化，要驻场。最后 SaaS 做成了项目，产品公司做成了外包公司。十年间，不少 ToB 创业公司折戟沉沙在这条路上。
FDE 在硅谷的叙事之所以值钱，是因为两个前提成立：一是背后有能复用的平台，二是一线发现能反哺产品，让下一个客户的部署更快、更便宜。
定制化交付意味着人力成本随客户数量线性增长，这与软件行业追求的边际成本递减逻辑相悖。Palantir 能撑住这个模式，是因为它的客单价足够高，客户集中在政府和大型企业。但当 FDE 模式向下渗透到需要 AI 的中小客户时，单客利润能否覆盖驻场成本是一个尚未被验证的问题。
不少 FDE 工作人员吐槽，部分客户其实只是白嫖思维，花小本钱拿到 AI 知识论后便毁单自己搞工作流，但在 AI 还未全面渗透的时代，如果前期就定价过高又会失去 90% 的客户源。
不过，把 FDE 完全斥为换皮也过于简单。当一项技术从实验室走向生产环境时，总会诞生一个专门负责“让它跑起来”的岗位。云计算时代催生了 SRE 和 DevOps，大模型时代正在催生 FDESRE 曾经也被认为是运维的变体，后来成为独立的技术分支。FDE 可能正在走同样的路。
FDE 的火爆有坚实的需求基础，但它不是一个适合所有人的金饭碗。
从积极的一面看，这个岗位提供的成长速度是稀缺的。一个在客户现场泡过三个月的工程师，对 AI 落地的理解可能顶得上后方团队三年的迭代。但从另一面看，这个岗位的边界正在被稀释。有分析指出，随着需求暴涨，越来越多挂着 FDE 头衔的岗位，实际工作内容在向售前、解决方案架构甚至客户成功滑落。
AI 从实验室走进业务流程确实需要一批既懂工程又懂业务，还愿意扎进现场的人。这部分需求不会随泡沫退潮而消失。但 42 倍增长的数字里，也确实混着 title 通胀、岗位合并和尚未被验证的价值预期。
闯入其中的鱼皮不知道自己是踩上了风口，还是走进了一扇被包装过的窄门。他只知道，明天早上八点，他还要准时去车间。