播客筆記｜硅谷 AI 公司一線人員詳解 FDE，AI 行業當下最火的崗位

整理 & 編譯：深潮 TechFlow

嘉賓： Jove Zhong（鍾錢傑），Cresta Head of FDE（Forward Deployed Engineering），負責 AI Agent 前線部署團隊

主持人： 孫煜徵（課代表立正），Superlinear Academy 創始人，前 Statsig 佈道師（公司被 OpenAI 收購）

播客源： 課代表立正

原標題： 他的 FDE 團隊從 30 人擴到 100 人，但為什麼很多大廠工程師甚至不知道這個崗位？

播出日期： 2026 年 7 月 17 日

要點總結

Jove 目前在 AI 呼叫中心公司 Cresta 帶領 FDE 團隊，從去年接手時的幾個人擴到 30 人，今年目標 100 人，全球招人。Cresta 本身是家成立 9 年的企業服務公司，客戶包括萬豪、美聯航，一直做客服體驗優化，AI 浪潮來之後自然過渡到 AI Agent 部署。

這場對話的核心張力在於：FDE 正在被 OpenAI、Anthropic 等頂級 AI 公司和 VC 圈追捧為"AI 時代最有前途的崗位"，但 Jove 在灣區辦活動時發現，來自 Meta、Google 這樣的大廠工程師甚至沒聽說過這個崗位。Jove 的觀點很明確，AI Agent FDE 不是傳統的外包或駐場工程師，一個新物種：你既要懂 AI 落地的全部坑（幻覺、RAG 延遲、VAD 調試、模型版本切換），又要能面對面贏得客戶 CTO 的信任，還要把前線教訓帶回公司改進產品。本質上，是招了一群"創業公司 CTO"來讓 AI 落地。

精彩觀點摘要

FDE 的本質

"FDE 就像是招了一群創業公司的 CTO。你要把單子搞定，把 AI 落地，把客戶鎖住；但同時你作為一個 CTO，不是整天想怎麼讓產品更好，你甚至要自我革命。"

"FDE 在 AI 時代和之前的 FDE 是兩個東西。之前的 FDE 和外包駐場工程師沒有特別大區別，但 AI Agent FDE 是一個新物種。"

AI 落地的最後一公里

"這些模型不是很難拿得到。你只要肯花錢，就可以 access 到最好的模型。但是 so what？你不見得知道這個模型應該怎麼用。"

"FDE 就像一個咖啡師。你可以買意大利辣媽咖啡機，買很好的豆子，但你不一定能做出一杯好咖啡。客戶要的是一個 outcome，他要一個還不錯的 AI Agent 體驗。"

什麼樣的人適合做 FDE

"如果有人經歷過很多失敗的經驗，對我來說是一個很好的事情。他能夠把他過去的 lessons learned 講出來，在哪個體場合是不是言多必失，是不是太早 jump to conclusion。"

"你是一個很好的 AI engineer？這基本上是廢話。現在你哪個軟件工程師如果不是 AI engineer，你都已經很出局了。你必須要會開發跟測試過 AI Agent。"

FDE 為什麼很難被 AI 取代

"過去我們有一個 skill 就可以生存，現在不行了。但你可以為結果去負責。只要你越來越近地接觸結果，你就越難被取代，因為 AI 沒有辦法為這個結果擔責任，換個 prompt 它就說了另外一句話。"

FDE 在中國 vs 北美

"在北美，人工本來就很貴，大家對結果買單的需求比較強，SaaS 也成熟，FDE 模型在 AI Agent 這塊比較容易落地。在國內，我只能心疼從業人員幾秒鐘。"

一、當一個崗位被 VC 和頂級 AI 公司集體看好，大廠的人卻不認識它

課代表立正：你手下現在有多少 FDE？

30 個人，今年估計可以到 100 個。最近七八個月在 Cresta，我切身感受到 FDE 真的是現在讓 AI 落地、讓大家掏錢、讓世界有所改變的一個很有效的方式。

課代表立正：我特別驚訝的是，OpenAI、Anthropic 都在招很多 FDE，VC 也說這是 AI 最需要的崗位，但辦活動的時候，尤其是 Meta、Google 這些大廠的人，都會問"什麼是 FDE"。

對，這個認知差確實很大。我是從 Palantir 漲的那一波開始比較瞭解 FDE 的，Palantir 作為這個模式的創造者，它的業務非常特殊，因為不是每個廠商都能做軍方的業務。十到十五年前開始做的時候，很多軍方客戶想要什麼是不高興說得很明確的，你必須跟他們面對面，跑到同一個軍營帳篷、看到數據，他才願意說得很細。

所以 Palantir 招了兩個團隊：一個是偏前線駐場的軟件工程師，另一個是偏業務的負責人，熟作戰或搶救流程。一個偏技術，一個非技術。FDE 我們通常意義上講，還是一個非常技術的工種。

二、AI Agent FDE 是新物種，不要和傳統駐場工程師混淆

課代表立正：先給沒聽過這個詞的同學解釋一下 FDE 到底是什麼。

FDE 的全稱是 Forward Deployed Engineer，特點是它還是一個 engineer，但它是 forward deploy 到項目裡面去的。但我覺得必須把 FDE 放在 AI Agent 這個框架裡。

如果這是一個傳統的場景，數據的 ETL、數據轉換、網絡搭建，你要說 FDE 跟駐場工程師、外包、諮詢有什麼區別，其實很難界定。但在 AI Agent 語境下就完全不一樣：現在很多人想要 AI Agent，你可以拿到比較新的 model access，可以用 ElevenLabs、Deepgram 這些語音模型，但你不一定有能力做出一個符合你業務場景的 AI Agent。

FDE 起的作用就是：結合你的業務邏輯，利用 AI Agent 平臺上的所有功能，做出一套滿足你具體需求的 AI 系統，帶著 guardrail、test、eval。這些東西是很難讓客戶自己去學的。他自己可能有工程團隊，知道怎麼 build 一個網站或手機 App，但 build 一個 AI Agent 就完全是另一回事：處理幻覺、讓 RAG 或 knowledge base 低延遲、高準確，中間有很多難的東西，而且不太直觀。

所以我們這些 AI 公司採用 FDE 模型，就是讓 AI 專家清楚知道平臺有什麼、客戶想要什麼，然後把這個東西做出來、精打磨，而不是逼客戶自己去學。就算他能學會，也要花半年一年，競爭對手已經搶跑了。

課代表立正：也就是說 AI Agent FDE 和之前的 FDE 是兩個東西。之前的 FDE 和外包駐場工程師沒區別，AI Agent FDE 是新物種，他們特別 AI native，真的懂做 AI 產品裡遇到的各種坑。model access、feature 大家都有，但真的想做好，差距是很大的。

對，而且我們願意並且有能力跟客戶貼身服務。我們有句話說，你可以 Talk about API over IPA，可以和客戶很快地打好關係，贏得 CEO、CTO 或者 API lead 的信任。大家都是做 engineer 的，有共同語言，你很快能理解他想要什麼以及你的 limitation。

三、FDE = 客戶面前的 CTO，FDPM = 客戶面前的 CEO

課代表立正：聽起來對能力要求特別高。要特別懂 AI（本身就稀缺），還要有 communication skills 得到用戶信任，還要理解用戶業務。

所以我們就像招了一群創業公司的 CTO。這些人能搞清楚哪裡應該發力，哪裡需要 say no，然後用 AI 技能把事落地。

但每個人的 bandwidth 有限，所以 partially inspired by Palantir，Cresta 的 FDE 團隊之外，還有一個 FDPM 團隊（Forward Deployed Product Manager）。他們不需要那麼 technical，但就像一個公司有 CEO 和 CTO 一樣：FDPM 更多關心 business logic、驗收標準、風險管理、時間進度。

很多時候我們跟客戶開會，他們自己內部都沒很好 align 想要什麼，SOP 每個人腦裡不一樣。如果每個會都讓 FDE 參加，不是最好利用我們的方式。FDPM 就做這些非技術工作，把東西理順。FDE 從技術角度確保實現合理、測試健全，還把經驗教訓帶回公司改進產品。

所以你可以把 FDE 想象成 Forward Deployed CTO，FDPM 就是 Forward Deployed CEO。FDE 負責 AI 的行業最佳實踐，SDK、工具包、CLI 的開發；FDPM 負責具體需求、風險上報，甚至追加銷售，原先做了三個用例，是不是可以做成六個。這樣分開，對招聘的要求就不會過於高。

課代表立正：工程師轉 FDE 是比較自然的，還有其他的嗎？PM 轉 FDPM？

對。FDE 的 baseline 是 engineer。我面試會有一個環節讓你不用任何 AI 寫簡單的 Python 程序，不是 LeetCode，就是證明你會寫程序。還有一輪看 engineering practice：知不知道 unit test、end to end、分層這些概念。

如果一個完全沒有技術背景的人去做 AI Agent FDE，看起來可以 work，但他自己不會 aware 到哪些東西有問題。比如做一個登錄界面，做出來好像可以登錄，但東西都塞在前端，用戶很容易刪掉 DOM tree 或篡改看到很多東西。沒有工程素養的話，很多東西看起來 work，但其實缺乏 best practice。

在這之上，如果有 consulting 背景，Accenture、McKinsey，那很好。但要小心不要用過去的方式判斷 deal size，或者按時間計件。我們本身是偏 SaaS 的公司，FDE 是 forward deployed product engineer，從屬 product engineering 的一部分。FDE 的一大職責是：通過做 AI Agent 來證明產品 PMF 沒問題，然後去改產品，改 REST API、microservice、UI、CLI、doc。不光把每個部署做成功，還讓產品變得越來越成熟。

課代表立正：你們不光是駐場幫客戶解決問題，還要回來改自己的產品。

對，我就是 part of product engineering。我的 peer 是做 microservice 的、做 Kubernetes Infra 的，我們都 report 給 VP engineering，VP engineering report 給 CEO。我知道有些公司把 FDE 放在 customer success 或 professional service，甚至是售前底下。我們之所以沒這樣做，是因為我們最終要做一家 platform 公司，希望有一個 AI Agent 平臺能 enable 很多不同的 use case。

FDE 的理想狀態是：簡單的事情被自動化和平臺改進取代，FDE 變得越來越專，成為 payment 專家、網絡專家、RAG 專家，只做越來越難的事情。 這樣我們也不會把自己培養成一個 consulting firm 養幾百號人做重複勞動。

四、為什麼 AI 落地這麼需要 FDE？因為終端用戶要的是 outcome，不是模型

課代表立正：我之所以非常看好 FDE，就是因為現在 AI 能力太強了，但大多數人沒有落地能力。很多傳統行業很需要用 AI，但他們完全沒有這樣的人才。這時候有個人去把不確定性變成確定性，對餐館老闆來說，他不用想能不能做好，有個 FDE 說"用我們的平臺，我來幫你全都搞定"，落地就簡單了。

完全正確。你讓一個餐館老闆或他的 IT 團隊去理解 AI Agent 的細節，比如說 VAD（voice activity detection，語音活動檢測）：我在說話的時候你可以附和，但不應該打斷我；我報電話號碼或 email 的時候中間有停頓，但不意味著對方要 chime in；有雜音怎麼辦。光 VAD 就有不同做法，基於 silence-based 還是基於 LLM-based、基於語義的。讓餐館 IT 人員學這些，too much。

客戶其實只關心：品牌是偏年輕人還是偏成熟穩重，菜品怎麼介紹，怎麼給 VIP 留位。這些是 business 層面的特殊需求。FDE 就是比較快地 apply best practice，挑最好的東西讓它 work。而且我今天給餃子館做，明天給西餐廳做，積累行業 knowhow，翻檯率、怎麼禮貌拒絕客戶。到最後我們可能比餐館還懂餐館。

課代表立正：紅杉的分析說過，軟件市場其實沒那麼大，但整個 labor 市場是極大的。AI 要取代的就是這個 labor 市場。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：讓萬豪和美聯航的客服中心用上 AI

課代表立正：講講這些傳統行業是怎麼用 AI 的，你們公司在做什麼，你看到的 gap 有多大。

Cresta 2017 年成立的，做了 9 年，一直做 customer experience 這塊，核心就是 call center。以前人工客服時代，新員工培訓是大問題：打電話進來要做適當的披露（比如"這個電話被錄音了"），電話被 transfer 過來你要拿過去的歷史記錄。有大量的事情可以讓 AI 來輔助，讓 human agent 更高效。

現在我們在做的事更多，不是所有 case 都需要真人回覆。比如黑五期間要臨時招很多人，高峰期過了又要讓他們走，這個行業的離職率其實很高。但你某天掉了張信用卡，想打電話讓人補寄一張，這個事情完全可以讓 AI 做完。

我們有萬豪、美聯航這樣的客戶用了很多年，一直在 call center 和 human agent 場景中。現在讓他們多用一個 AI Agent 產品，更像一個 upsell。他們可以挑一些 low-hanging fruit 的 use case 讓 AI Agent 做。

我的團隊現在 30 個人，後面可能變 50、變 100，worldwide 招人。目前以北美為主，但歐洲和 APAC 也在招。目標是讓更多的電話、更多的 chat 被 AI 優化體驗。沒有人想打一個電話等半小時聽音樂，或者打一個電話有兩個 purpose，結果第二個還要被 transfer 過去再等半小時。

課代表立正：AI 應用的前三大賽道，你怎麼看？

第一是 coding，Cursor、Claude Code、Codex 做了很多工作。第二是 multimedia，音樂、圖片、視頻的生成，有大公司燒很多錢在做。第三就是 enterprise AI，尤其是 voice AI/AI Agent。

coding 已經被證明是很好的市場，FDE 也可以不限量使用 coding 工具，但這個領域太捲了，你很少作為一個玩家進去。image 和 video 生成看起來 work，但需要大量投入。而 enterprise AI，你問 100 個 business owner，50% 以上都想要。如果你能讓 AI 省人工、讓客戶等的時間更短，why not？而且這個技術快要 ready，沒有完全 ready，所以你只需要找合適的人、找個 vendor，就可以實現。

課代表立正：但很難想象旁邊的餐館需要 call center 級別的語音 AI 吧？

有的。除了傳統的 call center，我們越來越多遇到沒有 call center 但需要 "AI receptionist" 的客戶。客戶或潛在客戶打電話來，不需要每次都人工接，AI 就能像前臺一樣：你要幹嘛？要不要幫你約個時間？想找誰聊？我可以發個短信或 summary 給 owner。

不管是牙醫、咖啡館、花店，甚至是你個人，可能很多人想找你課代表聊事情，但你可以先讓 AI filter 一下。

六、做 FDE 的門檻：AI Agent 經驗是入場券，創業失敗經歷是加分項

課代表立正：什麼樣的人適合做 FDE？你的招聘畫像是什麼？

首先，目前我不放招 junior，FDE 需要工作 3 年以上，本身是一個很好的 engineer。如果做過 founder、co-founder、founding engineer，加分。做過 consulting、customer facing，在 customer communication 和 negotiation 方面沒問題，加分。

最關鍵的一條：需要做過 AI Agent。 我看到成堆的簡歷寫著"我是 AI engineer，我很會用 Claude Code，我很會用 Codex"，這基本上是廢話。現在這個時間點，任何一個 engineer 如果不會用 Claude Code，就像不會打字一樣，沒有意義。你必須會做 AI Agent 才有意義。

需要你做過的 AI Agent 大概到什麼層次呢？我參考課代表的 AI 產品 6 個層次模型：第一層 prompt wrapper，第二層 grounded AI（帶知識的），第三層 tool-using AI（能調用工具的），第四層 LLM workflow（固定流程裡的 AI）。到第四層對我們來說就差不多夠了。 因為做 voice AI 客服，很多時候你要退票就退票、要 refund 就 refund，不能去問客戶"我這樣做對嗎？我應該給你 50% 還是 30% refund？"你更多是要清楚拿 knowledge base、SOP，低延遲做 tool call。

面試環節有一個 90 分鐘實戰，讓你用 Claude Code 或 Cursor，基於我們給的 API 和 knowledge base，做出一個 agent，並且證明它是高質量的，包括設計 test eval、handle edge case。這比問一些道聽途說的東西或者 toy project 具體得多。

課代表立正：win trust 這件事特別重要，但很多人就是不會。能 win trust 的人有什麼特質？

如果一個候選人經歷過失敗的教訓，對我來說是好事。他能講出來在哪個體場合是不是言多必失，是不是太早 jump to conclusion，還是能從客戶角度揣測出 motivation，然後以一個好角度切入你的 proposal，甚至讓對方自己把方案 present 出來，而不是你強行 say no 或強行推。

這裡有一個 red flag：面試的時候如果我問一個問題，對方給了我一個 6 分鐘、10 分鐘的回答，基本上就嚴重減分。 你沒有好的溝通意識，不知道信息密度應該怎樣。你列出 10 個點，不如講兩三點。如果太痴迷於把想的東西一股腦倒出來，這不是一個好的 FDE signal。

課代表立正：真正能 win trust 的人有兩樣東西：第一是他願意 listen，能站在對方角度思考；第二是他的 EGO 不要大。你會就是會，不會就是不會，目的是把事做好。如果對方感覺到你特別在乎自己的 EGO，他就不 trust 你。

七、把 FDE 比作咖啡師和日料大師：最好的食材誰都能買到，做出好東西才是本事

我覺得 FDE 就像一個咖啡師。你可以買意大利的辣媽牌咖啡機，幾千塊錢的很貴，但買回來調試完，你不一定能做出好咖啡。你去買很好的豆子，也不一定有這個技術。

客戶要的是一個 outcome，他要一個好的 AI Agent 體驗。就像你想跟閨蜜有一個很好的 conversation，在舒服的咖啡館喝一杯舒服的咖啡，你去 Blue Bottle 就好了。FDE 做的事就是用好的原材料、好的豆子、複雜的機器、好的技能，而且你還會跟他聊天，看他今天是心情比較 down 還是比較嗨，給他特調出一杯咖啡，他的感受就很好。

類似 Omakase（日式"おまかせ"，主廚推薦）：你都不用問今天有什麼菜，你只要相信我們，我們肯定拿最好的技術、最好的食材給你一個很棒的體驗。這些食材，咖啡豆、魚，對應到 AI 領域就是這些 model。model 不是很難拿得到，你只要肯花錢就能 access 到最好的模型。但是 so what？你不見得知道這個模型應該怎麼用。

舉個簡單例子：你有一個複雜的 mapping 關係，你是寫成 Markdown 的 table 還是寫成一大堆 bullet point？哪個更高效？當然省 token 是一方面，但哪個執行起來更容易犯錯？我們會發現 ChatGPT 的 5.1、5.2、5.3、5.4 每個版本都不一樣。FDE 有足夠多時間去了解這些 AI best practice。

同時你又會察言觀色，和客戶有私交。AI 本身就是一大堆概率問題，很難保證永遠不錯。當你錯的時候，怎麼及時修復、怎麼不 hurt 這個 relationship，FDE 在裡面有很強的人格魅力和關係在裡面。

課代表立正：這就是把 trust 具象化，落到人身上。名詞和動詞的區別。名詞非常有限，10 分鐘就能學會。但真正把事做好的都在動詞裡，無窮精深，而且你不學不知道，不做不知道。你說這個人的 routing 做得好，那個人的 routing 做得不好，你完全沒有辦法想象這裡面的功夫差得有多深。

八、為什麼 FDE 會越來越值錢：模型在逼著你不停重來

還有一個有意思的點。我以前很多年在 IBM、EMC 做企業軟件，大家有一個常見的心態：這個東西只要不壞就不要改，尤其是做 on premise 的。

但現在做 AI Agent，如果你不改，你這個模型可能就不能用了，API 就不 work。 比如你原先用 4.1，現在不能用 4.1 了，必須要用 5.x。不管是作為 20% 的服務費還是新的 use case、新的 SOW，你需要不停地 engage、用最好的模型或對的模型把事情越做越好。這不是一槍頭的買賣。

這對公司來說其實是好事情，push 大家用 ARR subscription model。我們甚至不提供任何 on premise 部署，只能用 SaaS。加上你的 SaaS 會用最好的 voice engine、最好的模型，這就變成一個很自然的 ARR。客戶不會整天問"什麼時候能在我這邊裝好，然後我就可以甩掉你"，他甩不開我們。

課代表立正：另外，FDE 是一個很難被 AI 取代的職業。過去我們有一個 skill 就可以生存，現在不行了。但你可以為結果去負責。只要你越來越近地接觸結果，就越難被取代，AI 換一個 prompt 就說了另外一句話，它沒有辦法為結果擔責任。

九、FDE 在中國：理念好但現實骨感

可能還有一個話題值得講。我們有一些朋友和觀眾在國內。不管是金蝶還是很多公司，對 FDE 模型其實有很多顧慮。

我的觀點是：橘子種哪裡很關鍵。在北美，人工本來就很貴，大家對結果買單的需求比較強，SaaS 也比較成熟，這些東西加在一起，FDE 模型在 AI Agent 這塊比較容易落地。 至於數據庫實施、數據清理、政務相關，FDE 不適合那麼複雜的形式。

我也很心疼國內的從業人員幾秒鐘。國內 SaaS 有好多問題，其中最重要的問題就是沒有 enterprise 市場。沒有客戶。國內其實沒什麼特別大的大企業，或者說……FDE 在北美是一個相對成熟和有效的方案，在國內還很難講。