今年上半年最火的AI组织/岗位是OPC，下半年最火的应该就是FDE了。最近和业界做了一些交流，我比较确信这个职能需求的确定性。
正巧AI Engineer World's Fair 2026组织了一场会议，专门讨论Forward Deployed Engineering。我看了其中八场演讲。讲者分别来自Anthropic、Factory、Cognition、Ramp、Sierra、Decagon、Kepler和Varick Agents。
感觉很有价值，就根据演讲做了这样一本开源电子书。
FDE这个岗位，真正想解决的，是一个很具体的问题：
模型已经越来越会写代码了，为什么企业里的AI项目，还是经常停留在演示和试点？
第一课先讲FDE这个职位是怎么来的。借着Palantir的发展过程，看看FDE为什么会从基础设施、数据整合，一路做到解决方案、客户培训和产品战略。也能理解为什么有人会说，FDE这个名字已经装进了太多不同的工作，甚至有点失去意义了。
第二课先不急着招人，而是判断一家公司到底需不需要FDE。我在书里整理了一张二维图：一边看平台成熟度，一边看客户之间的差异度。如果平台还没搭好，FDE很容易变成给每个客户单独写代码；如果客户需求都差不多，那问题可能本来就应该由产品团队解决。
第三课开始进入客户现场。客户往往不是带着问题来的，而是带着一个他自己想好的方案来的。FDE要做的，是继续往下挖：到底是哪一步出了问题？谁真的在用？什么结果才算成功？
第四课讨论怎么把一家公司的隐性流程画出来。很多企业流程并没有完整写在文档里，而是存在于人的习惯、部门分工和各种例外处理里。如果不先把这些东西弄清楚，AI只是把一条原本就有问题的流程跑得更快。
第五课讲范围控制。Ramp举了一个周五晚上突然要求接入SAP的例子。技术上可能不是不能做，但FDE必须先判断：这件事是不是当前目标的一部分？现在做，会不会把一个本来两周能验证的项目拖成半年？
第六课讨论另一个很现实的问题：AI写代码越来越便宜以后，为什么反而更要克制“一次性做掉”的冲动？
第七课讲评测。模型跑了多少token、生成了多少行代码，当然都可以统计，但这些数字不能证明客户得到了结果。
第八课从单个编码Agent讲到“软件工厂”。模型只是一个零件。Agent能自主工作多久，还取决于任务有没有边界、环境是否稳定、结果能不能验证、出错能不能回滚。
欢迎看，欢迎勘误，也欢迎Star。
项目地址：github.com/feigaobox10/fde-reader
在线阅读：feigaobox10.github.io/fde-reader/
