Forward Deployed Engineer：
从 Palantir 到捷安高科的落地可行性研究

FDE 模式在 AI 时代的全面复兴——为什么这套方法论天然适合复杂定制化交付的企业，以及如何从 0 到 1 构建落地路径。

执行摘要

本报告的核心内容：

1. 模式解析：FDE 不只是一个岗位名称，而是一套被 Palantir 验证了 20 年的客户交付方法论。Palantir 用它实现了上市以来最快增速，OpenAI 和 Anthropic 分别投入 40 亿和 15 亿美元复制这套模式。
2. 适配分析：本文不止于 Palantir 科普。核心篇幅用于分析 FDE 模式与 B 端定制化交付企业（以捷安高科为例）的结构性契合，以及从产品经理视角出发的落地路径。
3. 行业全景：覆盖 Palantir 财务数据、硅谷 FDE 扩散趋势、中国厂商类 FDE 实践、AI 工程演进阶段，提供完整的决策参考框架。

FDE 是什么：一个五分钟入门

在深入分析之前，先回答四个最基本的问题。无论你是产品经理、工程师、销售还是管理者，这个章节都能帮你在五分钟内建立对 FDE 的完整认知。

什么是 FDE？

FDE（Forward Deployed Engineer，前线部署工程师）是一种由 Palantir 在 2005 年左右首创的工程角色。用一句话概括：

这个定义并非事后总结。FDE 模式的发明者、前 Palantir 高管、后任 OpenAI 首席研究官的 Bob McGrew，在 Y Combinator 的一次分享中给出了更原始的表述：

FDE 是这样一种技术人员：他驻扎在客户现场，带着公司现有的产品，在产品团队的支持下，想方设法交付一个对客户真正有价值的成果——用真正奏效的方式把软件落地。
—— Bob McGrew，FDE 模式发明者，前 OpenAI 首席研究官（Y Combinator《The FDE Playbook for AI Startups》）

McGrew 还有一句更精炼的概括：FDE 的本质，是 Palantir 破解了"把那些不可规模化的事，规模化地做出来"（doing things that don't scale, at scale）这道算术题。这句话点破了 FDE 模式表面矛盾的内核——既要现场定制的"不可规模化"，又要平台沉淀的"规模化"。

拆开来看，这个定义有四个关键词，缺任何一个都不是真正的 FDE：

FDE 日常做什么？

一个 FDE 的典型工作日跟传统工程师完全不同。以下是 Palantir FDE 的真实工作场景：

FDE 需要什么能力？

FDE 之所以稀缺，是因为它要求的能力组合在传统岗位中几乎不存在——它横跨了工程师、产品经理和咨询顾问三种角色的核心能力：

反直觉的发现：拉开 FDE 差距的不是代码，是客户调研

上面六项能力里，最容易被低估的是"业务理解力"和"沟通与共情"。一份 2026 年的实证研究给出了量化证据。Perspective AI 调研了 1,500 名在职 FDE，得出三个反直觉的结论：

这组数据颠覆了"FDE = 超级程序员"的刻板印象。真正区分顶尖和平庸 FDE 的，不是谁代码写得快，而是谁更系统地搞懂了客户到底要什么。对想转型 FDE 的人来说，这是一个解放性的结论：你不需要先成为顶级工程师，但你必须学会像顶级产品经理那样做结构化的客户调研。这也解释了为什么 Palantir 的实施单元里，"听"（Echo）和"做"（Delta）是分开的两个角色——把最难的"听懂客户"单独拎出来，作为一项可训练、可评估的核心能力。

FDE 跟其他岗位有什么区别？

很多人会把 FDE 跟已有岗位混淆。以下对比帮助厘清边界：

一个简单的判别标准：如果一个人在客户现场写了生产代码，并且这些代码的价值最终反向沉淀进了公司的产品平台——他就是在做 FDE 的事，不管他的名片上写的是什么头衔。

为什么 2025-2026 年 FDE 突然火了？

FDE 这个概念存在了近 20 年，为什么在最近两年突然成为"科技界最热门的工作"（Andreessen Horowitz 语）？根子上只有一句话：

关键在于"越来越宽"。这道鸿沟不是静态的，而是在加速扩大：模型以月为单位迭代，企业以年为单位适应。Sonnet 3.5 → Opus 4 → Opus 4.6，每一代能力曲线都很陡；而企业这一侧，决策链、安全审查、员工训练、流程改造，每一环都慢得多。结果是——等企业好不容易"学会"用上一个版本，下一个版本已经让它之前辛苦搭的 workaround 过时了。FDE 的价值，正是把"模型发布 → 企业感知 → 评估 → 试用 → 部署"这条链路的每一环都大幅缩短，让企业能用的 AI 尽量追上已经存在的 AI。

下面三层原因，本质上都是在解释这道鸿沟为什么恰好在 2025-2026 被撑到了临界点：

理解了以上背景，接下来的分析会更清晰。下文将从传统交付模式的结构性问题出发，逐步展开 FDE 模式的技术架构、行业验证、企业适配分析和落地路径。

1. 问题：传统交付模式的结构性困境

1.1 信息衰减定律：每转一手，需求少几毫升

B 端定制化交付的核心矛盾不在技术，在信息传递。一个客户需求从签单进来，要经过以下流水线：

从客户到最终交付，需求要经过多个工位的层层转述。每跨一道信息衰减一次，而跨岗位的 KPI 隔离让每个人只对自己那段负责——这不是态度问题，是结构问题。

这个规律在每个 B 端定制交付公司都存在，但程度不同。交付物越复杂、涉及的专业领域越多，信息衰减就越严重。

1.2 AI 时代放大了这个问题

2025-2026 年，几乎每家企业都在推 AI 提效。但一个被忽略的事实是：

结果就是"每个人都快了，但整体没快"——每个工位用 AI 把自己的活干得更快了，但工位之间的信息损耗没有减少，甚至可能因为产出速度加快而增加了误解的传播速度。

行业数据印证了这一点：据多份行业报告统计，企业 AI 项目的失败率在 80% 以上。失败的原因绝大多数不是模型不好，而是模型没有正确地接进业务——卡点高度集中在"最后一公里"。

1.3 捷安高科的具体痛点

以职教仿真行业的捷安高科（300845.SZ）为例，其业务结构使信息衰减问题比一般软件公司更为严重：

• 交付物是"教学解决方案"，不是一个软件系统——它包含设备、软件、课程、师资培训、考核体系，至少 5 个专业维度
• 客户需求极度模糊——教学场景需要老师、学生、教务三方需求统合，且每个院校的教学标准、设备条件、师资水平都不同
• 定制化程度极高——几乎每个项目都需要二次开发，标准产品直接适配的比例很低
• 必须现场调试——硬件 + 软件 + 教学法都要在现场落地，远程交付根本不可能

这种交付复杂度远超传统软件公司，天然要求团队深入客户现场。但如果组织结构仍按"销售→产品→开发→实施"的瀑布模式运行，就会出现结构和业务本质之间的巨大错配。

2. 解法：FDE 模式的本质

2.1 Palantir 做了什么

Palantir 卖的不是软件，是"把客户业务跑通"这件事本身。

软件公司传统上分两类：平台型（AWS、Salesforce）让客户自己开发；应用型（SAP、Workday）把最佳实践打包成 SaaS。Palantir 走了第三条路：派最强的工程师物理嵌入客户现场，跟客户一起把业务流程数字化，然后把个性化的工作流中抽出的共性反向沉淀进自家平台。

这条路的核心飞轮叫 "碎石路到柏油路"（Gravel Road to Paved Highway）：

这个飞轮带来三个商业上极其重要的结果：

1. 粘性极强：客户的业务流程长在 Palantir 平台上，换供应商等于换骨髓
2. 可扩展性：FDE 看似不可规模化，但每一次部署都在让平台变厚
3. 定价权：交付的不是软件功能，是业务结果，定价对标 ROI 不对标功能数

定制化陷阱：为什么大多数 B 端公司越做越乱

飞轮听起来简单，但绝大多数 B 端定制化公司并没有跑通这个飞轮——它们陷入的是一个相反的循环：

这不是个别公司的问题，而是整个 B 端定制化交付行业的结构性困境。咨询公司把知识留在 PPT 里，传统软件外包把代码留在客户的服务器上，驻场实施团队把经验留在项目组的脑子里——所有这些模式的共同特征是：做完一个项目，公司什么都没留下。

Palantir 对这个问题的回答不是口号式的"要反哺平台"，而是一套架构层面的强制机制：

这个架构设计让"碎石路→柏油路"飞轮真正能转起来。具体机制是：

1. 模式识别：当同一类问题在不同客户出现——比如"实体解析"先后出现在政府机构、制药公司和金融机构，表面形态不同但结构内核相同——核心工程团队就会注意到
2. 向上抽象：把这个反复出现的结构性问题抽象为一个可复用原语（Reusable Primitive），拉进核心平台
3. 边际成本递减：后续客户遇到类似问题时，FDE 直接调用平台原语，不用重写。每一次部署的成本都比上一次低

这套机制有一条简单但严格的操作纪律——"三次法则"：如果同一个功能被 3 个客户需要，它就必须进入核心产品库，由总部研发团队（Dev）收编、重构并标准化。Dev 和 FDE（Delta）的代码职责边界也非常清晰：

a16z 对此有一个精准的警告："'我们稍后会产品化'最终一定会变成'我们从来没有腾出手来做这件事'。" 如果不设定明确的回收机制和时间约束，FDE 模式必然退化为带着好看前端的外包公司。

一位 Palantir 前工程师的总结精准地点出了这套模式的本质：

咨询公司为一个客户做一次定制，然后收费了事。Palantir 也做一次定制，但它会观察这个定制在实际使用中怎么失败、怎么变形，然后把失败的教训编码成平台基础设施。
——Palantir 不是一家软件公司，它是一台制度化学习机器（Institutional Learning Machine），软件只是它的主要输出物。软件越来越好，是因为学习在复利式累积。

这段话解释了为什么 Palantir 的美国商业收入在 2025 年 Q4 同比增长 137%——不是因为他们卖出了更多拷贝，而是因为平台变厚了：第 500 个客户的部署成本远低于第 50 个。

2.2 不是一个岗位，是一种协作结构

媒体经常把 FDE 描述成"一个超人工程师跑到客户现场单挑"，这是误解。Palantir 真正的实施单元是小团队制：

这个组合是迷你版的产品团队：Echo 像产品经理 + 客户成功，Delta 像全栈工程师。两人朝夕相处在客户现场，决策回路极短——今天聊出来的需求今天可能就有 demo。

把 FDE 跟其他常见角色对比，差异最清楚：

FDE 的判别标准就一条：他写出来的东西在客户那里跑生产，并且公司平台因为他的工作变得更厚。

FDE vs 传统咨询：为什么咨询公司也在转型

FDE 模式与传统管理咨询（McKinsey、Deloitte、Accenture）存在根本性差异。值得注意的是，咨询巨头们正在主动向 FDE 模式靠拢——Deloitte 于 2025 年 12 月正式成立了 FDE 实践部门，EY 于 2026 年 4 月跟进，行业分析师预计 PwC 和 KPMG 将在 12 个月内效仿。

咨询巨头转型 FDE 的核心驱动力是：AI 时代，"建议"的价值急剧贬值，"能跑的系统"才是客户愿意付费的东西。正如一位行业分析师所说：FDE 是"建造者（builder），不是建议者（advisor）"。

2.3 Ontology：把垂类知识变成公司资产

Palantir 平台的核心不是算法或界面，是 Ontology——一套把企业的"名词（数据）+ 动词（业务逻辑）"统一建模的系统。

Ontology 由三个概念层组成：

Ontology 的革命性在于：它让业务专家和技术人员可以用同一套语言对话。传统软件开发中，业务需求要"翻译"成技术文档，翻译过程中信息必然损耗；Ontology 把业务概念直接建模为可操作的对象，消除了翻译环节。

对于定制化交付企业，这一理念的应用价值非常直接。以捷安高科为例，如果将"轨交仿真实训"领域的核心概念（工种、工序、设备、故障类型、考核标准……）建模为一套 Ontology，那么每次新项目的定制化就不再是从零开始，而是在已有的概念网络上增量扩展。这一逻辑适用于任何存在大量领域知识沉淀需求的 B 端企业。

2.4 AIP：LLM 如何接入这套体系

2023 年，Palantir 推出 AIP（Artificial Intelligence Platform），把 LLM 接入了 Ontology。AIP 的核心设计原则是：

AIP 支持的 LLM 包括 GPT、Claude、Gemini、Grok、Llama 等全系列，客户也可以接入自己的模型。关键的安全保障是：传输给第三方模型的数据不会被保留或用于再训练。

AIP Boot Camp：5 天从 0 到可用

Palantir 的 Boot Camp 是 FDE 模式在 AI 时代的加速版：

Boot Camp 与传统企业软件部署的核心区别：传统模式交付的是"下一步计划"，Boot Camp 交付的是"跑起来的东西"。

3. 验证：谁在用，效果如何

3.1 Palantir 的数据证明

FDE 模式的商业效果，Palantir 的财务数据是最直接的证据：

更值得关注的是增速趋势：

从 Q1 2025 的 39% 增速飙升到 Q1 2026 的 85%，这种加速增长极为罕见。美国商业收入从 $2.55 亿增长到 $5.95 亿（+133%），说明 AIP + FDE 组合正在企业市场快速复制。

3.2 硅谷的 FDE 扩散

FDE 不再是 Palantir 的专利。2025-2026 年，几乎所有头部 AI 公司都在复制这套模式：

FDE 岗位市场的整体趋势：

FDE 薪酬与人才市场

FDE 的薪酬水平反映了市场对这一角色的高度重视：

这一薪酬溢价的底层逻辑是：FDE 同时拥有工程能力和业务理解，这种复合型人才在市场上极度稀缺。

2026 年的转折点：顶级实验室把"部署"独立成公司

如果说招聘数据反映的是"FDE 这个岗位变热"，那么 2026 年 5 月发生的两件事，标志着整个行业的战略共识发生了质变：部署能力，而非模型能力，正在成为决胜的关键。OpenAI 和 Anthropic 在同一周内，几乎以同样的方式下注：

两件事指向同一个判断：光有最强的模型不够，谁能把模型真正部署进企业、产生确定性的业务结果，谁才能赢。而"把模型部署进企业"这件事的执行主体，正是 FDE。值得注意的是，这两家合资公司都瞄准了 Palantir 的传统腹地——咨询与系统集成市场，Fortune 直接将其形容为"对咨询行业的正面开火"。这也从侧面印证了本文反复强调的观点：FDE 不是给传统咨询打补丁，而是用"产品化交付"取代"卖人天"。

全球扩展：FDE 走出硅谷

除了顶级实验室的战略下注，FDE 模式也在快速突破硅谷的地理边界：

• 欧洲：10Clouds（波兰）等公司开始在欧洲市场推广 FDE 概念；Anthropic 合资公司主攻欧美中端市场
• 亚洲：多家公司开始从亚洲招聘高级 FDE 人才，印度和东南亚成为重要人才来源
• 中国：尚未出现以"FDE"命名的岗位，但类 FDE 实践已在头部 AI 公司中出现（见下节分析）

3.3 中国的类 FDE 实践

国内没有公司完整复制 Palantir 的 FDE 模式，但有不少"形似"的实践。下表从 FDE 的五个核心维度进行横向对比：

国内公司与 Palantir 的核心差距集中在一个维度：反向沉淀平台。

国内 B 端 AI 公司不缺驻场能力（有大量项目交付人员），缺的是把驻场经验系统性沉淀为产品资产的机制。项目经验留在项目组的个人脑子里，不会反哺到可跨客户复用的产品平台。这导致：

• 项目 50 和项目 10 花的时间一样长——飞轮转不起来
• 人员流动导致知识流失——公司永远在重新发明轮子
• 无法形成定价权——只能按人天/工时计价，不能按业务结果计价

3.4 诚实面对：FDE 模式的批评与局限

FDE 不是万能药。行业对这套模式有严肃的批评，需要正视：

4. 适配分析：什么样的企业天然适合 FDE

4.1 FDE 适配度评估框架

并非所有企业都适合 FDE 模式。以 Palantir 典型客户（情报机构/工业/医疗）作为基准，可以建立一套评估框架。以下以职教仿真企业捷安高科为例进行分析：

在 7 个维度中，捷安客户有 5 个维度的 FDE 需求度达到"极高"，2 个达到"高"。综合契合度评分：96/100。

a16z 压力测试：你的公司真的适合 FDE 吗？

维度评估只是第一步。a16z 在一篇深度分析中提出了五个更尖锐的压力测试，用来区分"真正适合 FDE"和"只是给驻场外包换了个名字"的企业：

a16z 的核心判断：对定制工作说"不"的意愿，往往是把产品公司和"有漂亮前端的服务公司"区分开来的关键。如果上面五个问题有三个以上答不出来，说明公司还没有做好 FDE 模式的基础设施准备——此时贸然推行 FDE，只会加速滑入"定制化陷阱"。

4.2 企业 AI 战略 × FDE 理念的映射

当企业推进 AI 转型时，高层通常会提出一系列要求。以下分析这些典型要求与 FDE 理念的对应关系：

结论：FDE 不是另起炉灶的新战略，而是给企业现有 AI 转型战略配上一套可执行的方法论。

4.3 垂类 AI 平台项目 = 天然的 FDE 试验田

对于正在建设垂类 AI 平台的企业，这类项目是 FDE 模式的天然试验田。以捷安高科的"基于职教垂类大模型的 AI 职教平台建设项目"为例：

• 需要深入客户场景：垂类大模型必须理解真实的业务流程、行业标准、用户行为，这些信息不可能在办公室里想出来
• 需要快速迭代：LLM 在垂直场景的效果必须现场验证，迭代周期越短越好
• 需要沉淀垂类知识：项目的核心资产不是代码，是领域知识模型——这就是 Ontology 理念的应用
• 投入规模匹配：垂类 AI 平台通常有千万至亿级预算，足以支撑 FDE 模式的试点成本

5. 路径：从 0 到 1 怎么落地

5.1 "行为先行"策略：不需要新岗位，先把模式跑起来

在大多数组织中，直接设立"FDE"岗位面临阻力。更务实的策略是先把 FDE 行为做出来，让结果说话，再推动组织层面的正式化。

具体动作框架：

1. 建立前线信息通道——跟 2-3 个销售/客户经理建立合作，确保涉及 AI/智能化的客户需求第一时间触达
2. 主动介入售前阶段——哪怕项目还在售前，也争取去现场看一次，建立一手信息通道
3. 携带 demo 工具链走访客户——利用 AI Coding 工具（如 Claude Code、Codex、Cursor 等），现场跟客户互动出原型
4. 每次走访标准化产出：需求 patterns、解决方案 patterns、反共识 insights——全部进知识库

5.2 谁最适合转型 FDE？——B 端企业岗位适配分析

FDE 需要四项核心能力。在典型 B 端企业的现有岗位中，哪些人最适合往这个方向发展？

基于这四项能力，分析捷安现有三类岗位的转型路径：

转型路径详解

5.3 AI 工程的演进：从 Prompt 到 Harness

理解 FDE 在 AI 时代为什么如此重要，需要理解 AI 工程本身经历的范式迁移。这不是 FDE 调研的核心内容，但它解释了为什么 2026 年是做 FDE 的最佳时机。

每一次范式迁移的驱动力都是同一个：上一个范式无法兑现它的承诺。

• Prompt Engineering 发现：再好的提示也挡不住模型的不确定性和上下文缺失
• Context Engineering 发现：即使上下文完美，工具调用失败、安全漏洞、成本失控都需要系统级方案
• Harness Engineering 的核心公式：Agent = Model + Harness——模型之外的一切（约束、验证、反馈回路）才是工程化的重点

严谨性从未消失，它只是迁移到了更高的抽象层次——从编写代码，到设计上下文，再到构建系统架构。
—— Chad Fowler，《Relocating Rigor》，2026

5.4 AI Coding = FDE 的加速器

2026 年做 FDE 比 2016 年做 FDE 最大的优势是：AI Coding 工具让 1 个人能做到以前 3 个人的产出。

工具链全景：

信息输入层    [客户访谈] [需求文档] [飞书消息] [行业资讯]
                 ↓
笔记/知识层    Obsidian（个人长期知识库）+ 飞书知识库（团队共享）
                 ↓
思考/讨论层    Claude / ChatGPT（思辨、写作、调研）
                 ↓
生产/落地层    Claude Code（复杂工程）+ Codex CLI（快速原型）
                 ↓
团队协作层    飞书智能伙伴（纪要、协作）+ 飞书智能体（流程自动化）
                 ↓
交付层        前端 demo / 文档 / 分析报告 / 知识沉淀

5.5 六个月路线图

5.6 成本与收益估算

6. 风险：会遇到什么问题

以下是最可能遇到的反对意见和应对策略：

附录

A. 术语表

B. 参考资料

• Palantir 官方文档 — Ontology Overview
• Palantir 官方文档 — AIP Architecture
• Palantir AIP Boot Camp
• SaaStr — Palantir Q1 2026 财报分析
• The Pragmatic Engineer — Forward Deployed Engineers 深度解读
• FDE Academy — Palantir FDE 模式起源
• MindStudio — Anthropic 和 OpenAI 复制 FDE 模式
• FDE Pulse — 2026 年 FDE 招聘趋势
• FDE 是谁：AI 落地的最后一公里由人来扛
• Palantir 12 层 Agentic 架构解析
• Deloitte — Announcing Forward Deployed Engineering Practice
• Fast Company — FDE Job Postings Up 800%
• Gainsight — How FDEs Transformed Outcomes for Intercom
• Rocketlane — FDE Efficiency & Anti-Patterns
• Security Boulevard — Why AI Projects Fail & How FDEs Change the Equation
• PostHog — What is a Forward Deployed Engineer
• Medium — FDE: AI's Answer to the SaaS Customization Paradox
• Medium — A Comprehensive Analysis of Palantir's FDE Model (2026.4)
• Palantir 官方文档 — Ontology Core Concepts（Interface & Polymorphism）
• a16z — 为什么所有公司都在学 Palantir，却几乎都走偏了（FDE 非银弹）
• CSDN — Palantir FDE 揭秘：代码后的特种部队（三层工具链 & 三次法则）
• Y Combinator — The FDE Playbook for AI Startups with Bob McGrew（FDE 发明者本人讲解）
• OpenAI 官方 — Launches the OpenAI Deployment Company（$40 亿融资 / $100 亿估值）
• Blackstone 官方 — Anthropic 联合黑石/高盛成立 $15 亿企业 AI 服务公司
• Perspective AI — 1,500 名 FDE 调研：顶尖者结构化客户调研时间是末位 2.4 倍
• AOL/Indeed — FDE 岗位从 643（2025.4）增至 5,330（2026.4），年增 729%

C. 数据来源说明

本文 Palantir 财务数据来源于 SEC 公开文件（Form 8-K）和官方 earnings release。FDE 岗位数据来源于 FDE Pulse、Glassdoor、ZipRecruiter、6figr 等公开平台。薪酬数据来源于 Bloomberry 对 1,000+ FDE 岗位的分析。AI 项目失败率数据来源于 MIT 和 RAND 研究报告。Deloitte FDE 实践信息来源于 Deloitte 官方公告。所有数据截至 2026 年 5 月。

© 2026 Karaithy Research
本文为个人调研。
← 返回 Research 首页