02|FDE 与咨询、外包、驻场、售前有什么区别?
你好,我是曹犟。
这节课,我们来直面一个争议。你只要在中文互联网上搜一下 FDE,很快就会刷到一片冷嘲热讽。有人说,看 FDE 的 JD 非常像驻场开发,先拿一个 Demo 把客户唬住,再把需求总结一下,丢给产品团队;也有人说,这不就是新时代的外包团队;还有人调侃,中国软件公司 80% 已经是 FDE 了,驻场、外包、ISV、行业解决方案商,我们玩了十几年了。
英文社区也一样。有人直接说,Forward Deployed Engineer 不过是给解决方案架构师换了个名字而已;还有人说,这就是 Palantir 造出来的军事化营销词,本质就是老掉牙的驻场工程师。
这也是我为什么要在课程这么靠前的位置,专门花一整讲来回应这些质疑。
因为这是 To B 圈子里关于 FDE 最大的争议,也是你判断是否要入这一行绕不开的第一道坎。如果 FDE 真的只是外包换皮,那它完全不值得你的投入。可如果它真的有本质上的新东西,你又分不清,就很容易兴冲冲跳进一个挂着 FDE 名头、其实不过是传统实施或者售前的坑里。
较真这件事的,不只是中国 To B 圈。Srinivas Bommena 写的 FDE 实战手册《Shipping Enterprise AI》,也干脆单列一章,专门讨论 FDE 和其他所有岗位到底有什么不同,标题就叫 FDE vs. Everyone Else。你看,把这件事弄清楚,是想进入 FDE 这一行绕不过去的基本功。
需要说清楚的是,上面这些质疑,并不是无理取闹。市面上一大半挂着 FDE 名头的岗位,确实就是售前或者实施换了个名字。这一点,我也完全承认。到了今年,这个现象反而更热闹了:招聘平台 Indeed 上 FDE 的相关岗位,一年涨了 7 倍还多;36 氪 7 月的一篇报道,把其中相当一部分直接定性为“概念套利”;B 站上甚至出现了几百集的 FDE 转行课。
但情况也没有这么糟。就在今年 5 月,OpenAI 专门成立了一家企业部署公司,还收购了一支团队,一口气得到约 150 名 FDE;Anthropic 也在几天内跟进。如果 FDE 真的只是一个换名营销词,这些最顶尖、最不缺工程师的 AI 公司,何必为它单独成立公司、重金招人?
所以真相,多半在两个极端之间。既有大量浑水摸鱼的套壳营销,也有真正有价值的东西。这恰恰说明,我们自己需要知道如何分辨真假好坏。
那么,这节课我们的目标很明确了:把 FDE 和咨询、外包、驻场、售前这四个最容易混淆的角色之间的区别,一个一个讲清楚。讲完后,我也会给你一套判断标准,一张真假 FDE 的判断清单。以后再看到任何一个 FDE 岗位、任何一支 FDE 团队,你都能判断,它到底是真的,还是只换了层皮。
为什么大家会觉得“FDE 就是外包”?
这里面肯定有一些容易让人误解的地方。
例如,如果只看表面,FDE 和外包、驻场几乎一模一样。都是去客户现场办公,都要写代码,都要解决客户提出的具体问题,都免不了大量的出差。招聘要求也是这样。下面一份是 FDE 的招聘要求,一份是资深交付实施工程师的招聘要求,我把它们放在一起。

你会发现,前面那些技能项几乎重叠:都要能驻场出差,都要能独立把项目交付上线,甚至都要求熟悉大模型这套技术栈。光看这些,你确实分不出谁是真 FDE。但你再往下看两行,两份要求不一样了。而那两行,恰恰是这节课要讨论的关键。
要想把它们分清楚,必须往下看一层,看表面动作背后的两样东西:第一,他到底对什么结果负责;第二,他做完这一单,给公司沉淀下了什么。
这两个问题才是真正把 FDE 和其他角色区分开的分水岭。我们带着这两个问题,来做四组辨析。
第一组:FDE 和咨询有什么区别
先说 FDE 和咨询的区别。咨询交付的是什么?是一份诊断报告、一套方案、几条建议。咨询顾问通常很聪明,分析也很到位,但他交付的核心,只是认知和判断。项目一结束,这些知识往往就仅仅停留在报告里、停留在顾问自己的经验里。下一个客户来,很多分析还得从头做一遍,当然,这种从头再来也符合咨询行业的收费模式。
而 FDE 交付的是什么?是一个能在客户生产环境里真正跑起来的系统,是可衡量的业务结果。更关键的一点是, FDE 在现场踩坑得到的经验,需要能沉淀回自己的产品中。
前 OpenAI 首席研究官 Bob McGrew 有一句话说得非常到位。他说,FDE 的最终目标,是打造一个越来越强大的平台化产品;而咨询的目标,是完成一个又一个独立的交付项目。
从这个区别可以看出来,咨询公司做一百个项目,是一百次独立的智力劳动,规模越大,需要的人也越多。而 FDE 模式做一百个项目,理想状态是让同一个产品被打磨一百遍,产品越做越强,项目却越做越轻。
还有一句话概括得也很准:传统定制服务是成本中心,靠服务交付赚钱;FDE 模式则是投资行为,靠深度服务做产品探索。说白了,咨询和外包赚的是这一单的钱, FDE 投资的则是产品的未来。
第二组:FDE 和外包有什么区别
外包的经济模型,是按人/天做结算的。需求方给一份 spec,外包团队照着实现、交付、验收、结账。外包通常不需要自己定义问题,更重要的是,项目交付之后,外包团队也不负责把经验沉淀进产品。
而 FDE 则不一样。FDE 到现场最重要的是 把真问题挖出来。FDE 自己定义要做什么,自己写产品里还不存在的生产代码。FDE 在前线做的每一件事,都要连着一条反馈通道,把客户的需求和模式,反哺给总部的产品团队。
ExplainThis 的作者杨芳贤有一句话很好地说清楚了二者的区别,他说:“如果只是去客户那里写一堆定制代码,那不叫新范式,那叫高级外包。”
他还给了一个特别明确的检验方法,就看一件事:每做完一个客户,下一次是否更容易?如果第一次部署要十个人干三个月,第二次还是十个人干三个月,第三次依然如此,那这就不是一家产品公司,而是一家外包公司。
第二个客户 做的时候 是不是更容易,是检验真假 FDE 最朴素、也最有效的一条标准。 外包的增长往往是线性的,做十个客户,就要投入十份人力。而真正的 FDE,第二个客户应该比第一个轻松,因为第一个客户的经验,已经内化成了产品里的能力。
退化成外包,是 FDE 天生要面对的风险。专门研究 FDE 的 Sho Shimoda,在书里总结了几种常见的失败模式,其中有两种值得单独拿出来。一种叫“咨询陷阱”,就是不知不觉又做回了咨询,交付的还是一次性的方案,没能沉淀成产品。一种叫“每客户雪花化”,雪花的特点,是每一片都独一无二、没法复制,也就是说,每个客户的系统,都被单独手工雕琢成了独一无二的一套,下一个客户来,什么都用不上,只能从头再来一遍。这两种失败模式,其实指向同一个问题:FDE 一旦失去沉淀和复利的能力,每个客户都要从头定制,项目之间没法复用,就会退化成咨询和外包。所以,担心 FDE 变成外包,并不是杞人忧天,而是每个 FDE 都需要时时自检的事。至于他书中完整的六种失败模式,我们留到第 18 讲展开讨论。
而到了 AI 时代,这个“退化成外包”的风险,变得更有迷惑性了。
现在 AI 编码这么强,一个工程师带着 Claude Code 和各种 Agent,进到客户现场,几天就能搭出一套定制系统,跑得还不错,客户也挺满意。这个工程师会很自然地觉得:我进了现场,用 AI 写了生产代码并且交付了结果,这不就是 FDE 吗?
我个人的判断是:还不是。这种情况只能叫做“基于 AI 的定开”。它依然是定开,依然是给单个客户写定制代码,说到底还是上面描述的那种外包,只不过手里多了 AI,写代码更快了而已。AI 确实能提效,但它改变的只是交付的效率,没有改变交付的性质。判断一个公司是不是 FDE,不是看是否使用了 AI,最重要的标准依然是: 在客户现场得到的认知,到底有没有回流到产品里。
而且这里有个反直觉的地方,AI 让单次交付变得又快又爽,反而容易让人停在“快”里。反正下一个客户来,我用 AI 飞快地再做一遍就行,何必费劲去沉淀到产品里?可能的结果就是,AI 非但没让你从外包里解脱出来,反而让你陷进“很高效的高级外包”这种陷阱,却还以为自己在做 FDE。所以越是到了 AI 时代,“认知能不能回流到产品”这条主线,反而越值钱。

第三组:FDE 和驻场实施有什么区别
这一组也很容易混淆,因为两个岗位都要“驻场”。
实施工程师做的是什么?是把一个已经成型的产品,在客户那里装好、配好、接好、培训好。实施工程师的工作范围,是“让这个产品在这个客户这儿跑起来,解决客户的实际问题”。产品的能力边界是确定的,实施是在这个确定的边界之内,让它落地。所以,实施是产品的下游。
而 FDE 则是产品的上游。FDE 往往出现在产品能力还不够、甚至产品形态还没定型的阶段。FDE 去现场,不是为了把成品安装上线,而是为了搞清楚“客户的问题到底是什么,这个产品到底应该长什么样”。 FDE 构建的,是产品里此刻还不存在的能力。
可以用一句话来记住这一组区别:实施是把已有的产品交付给客户,FDE 则是带着半成品去现场,把客户的真实需求变成产品的下一版。一个是在产品定型之后,一个是在产品定型之前。
第四组:FDE 和售前、解决方案架构师有什么区别
这一组的区别,可以用 KPI 和薪资结构来判断。
售前也好,解决方案架构师也好,他们的核心使命是促成签单。他们需要懂技术,方案也做得漂亮,但他们的考核指标是销售额,薪资里通常带着销售提成。立场决定动作,他们的目标是“把东西卖出去”。
FDE 的考核指标,则是交付可衡量的业务结果。FDE 的目标是“把东西做出效果”。这两个目标,在很多关键时刻是会冲突的。售前为了签单,可能会承诺一个其实做不到的效果;而 FDE 如果发现这个场景根本没有价值,该做的是叫停,而不是硬上。
这种立场的冲突,我经历过很多次。一个场景,客户很想买单,售前自然倾向于把它讲成能落地、效果好;但真正的 FDE 到现场则会发现,这个场景的数据条件根本不具备,非要做只会交付一个毫无效果的烂尾工程。售前的成功,在签约那一刻就兑现了;而 FDE 的成功,要等到几个月后业务指标真正改善,才能算数。考核的时机不一样,目标不一样,关键时刻的取舍自然就不一样。
所以,这里就有一条很明确的判断标准:看薪资结构里有没有销售提成。网上有一个流传很广的说法,我觉得很在理:市面上一大半挂着 FDE 名头的岗位,其实是售前或者实施换了个名字。如果这种 FDE 的薪资结构里有提成,那的确只是售前换了层皮。
真假 FDE 判断清单
四组岗位对比讲完了,我把它们浓缩成一张清单,你可以拿去对照任何一个 FDE 岗位,或者任何一支号称在做 FDE 的团队。
第一, 看薪资结构。里面有没有销售提成?如果有,它更可能是售前换皮。
第二, 看沉淀。客户现场得到的经验,能不能反哺产品?如果不能,每个项目都从零开始,那就是高级外包。
第三, 看复利。第二个客户是不是比第一个更容易?如果永远是十个人三个月,那就是咨询公司。
第四, 看代码。构建的是产品里还不具备的新能力,还是只在做配置和集成?如果只是后者,那是实施。
第五, 看对什么负责。这一条也是对前面四条的总结。对签单负责的,是售前;对工时和人天负责的,是外包;对“产品跑起来”负责的,是实施;对可衡量的业务结果负责、还要把经验沉淀回产品的,才是 FDE。
在这五条里,我个人最看重第二条和第三条,也就是“能不能沉淀回产品”和“第二个客户是不是更容易”。因为薪资、代码这些还可能被包装,但“产品”和“复利”是装不出来的。一家公司是不是真的在做 FDE,你只要观察它做到第三个、第五个客户的时候,项目是越来越轻,还是越来越重,答案就很明显。
上面五条,我也整理成下面的表格,方便你对照使用:

这张清单还差最后一个维度。上面五条,全部是站在乙方这一侧,看团队、看岗位。但对于同样一家客户来说,对接外包和对接 FDE 两种服务模式,要付出的东西也是完全不一样的。外包进场,客户给一份需求文档,按文档验收就行,自己什么都不用变。FDE 进场,客户要让你进业务会议,要给你真实的数据和权限,还要安排懂业务的人陪你磨合。所以我还想补一句客户这一侧的判断: 外包客户不用改变自己,FDE 的客户必须改变自己。
从这个角度来说,FDE 模式能不能成立,本质上是一场双向筛选:一头筛选人和团队,一头筛选客户。这一讲,我们把人和团队这一头讲清楚了。客户那一头怎么筛,进场之前要过哪几问,我会在第 5 讲专门给出一张清单。
中国语境:“80% 都是 FDE”既是讽刺,也是机会
最后,我们回到开头那句调侃:“中国软件公司 80% 已经是 FDE 了”。
这句话的讽刺意味很重,驻场、外包、行业解决方案,我们干了十几年了,你换个英文名,它就变成新东西了?
这个讽刺当然有道理。过去十几年,中国 To B 行业确实有大量“人肉填 gap”的工作。工程师驻场,把客户的窟窿一个一个堵上,堵完就撤。但这些经验始终沉淀不下来,第二个客户来了,还是从零开始。所以这套模式,最后大多做成了成本中心,做成了外包,利润越来越薄,人也越堆越多。
这就是为什么我会说,FDE 是机会,而不是新瓶装旧酒?
因为变量变了。过去,“把现场踩出来的泥路,铺成产品里的柏油路”这件事,技术上太难、成本太高,所以大家做不到,只能停留在外包那一层。而 AI 第一次让这件事变得可行。借助 Agent 和知识库,你在现场积累的行业 know-how、客户的真实流程、踩过的坑,有可能被低成本地抽取、整理、脱敏、结构化,变成可复用的产品资产。
这一点,我自己在神策深有体会。神策做大数据分析十几年,我们一直在避免走“定制开发”的路:客户要什么,我们就驻场给他写什么。写完一个项目,团队撤场;下一个客户来了,很多东西又得从头再来一遍。如果走这条路,我们只能活得很像一家“带着软件估值的外包公司”。
我们必须逼着一线团队,把每一次客户定制里那些通用的部分抽象出来、沉淀回产品,让第二个、第三个客户能直接复用。现在看来,这个区别恰恰就是“外包”和“FDE”之间那条分界线。FDE 的本质,是在 AI 的加持下,用产品化的手段,弥补企业 IT 中台和前台业务人员之间巨大的 gap;如果没有弥补上这个 gap,AI 的能力也好,大数据的能力也好,都产生不了价值。
所以我们换个角度看那句调侃,结论就完全反过来了:正因为国内 80% 挂着 FDE 名头的还是换皮,所以谁能真正把“沉淀回产品”这件事做成,谁就能从这一片“高级外包”里杀出一条血路。 FDE 不是噱头,而是一个困扰行业十多年的老问题终于在 AI 时代有了新的解法。
而且,这件事已经在发生了。国内的基础模型厂商,比如 MiniMax、月之暗面、智谱,以及通义、混元背后的团队,这两年都在招聘“AI 售前解决方案”“前置部署”一类岗位;Dify 则早在 2025 年初,就公开发布过名称明确写着“前置部署工程师,Forward Deployed Engineer”的职位。到了 2026 年,腾讯云也挂出了“前线部署工程师”的岗位,字节、阿里云都有类似的招聘。虽然国内目前还没有公开的 FDE 岗位数量和薪资中位数,这些招聘更多是上面这些公司在探索的一种形态,而不是已经跑通的成熟模式。但风向其实已经非常清楚了。
关于 FDE 在中国市场的具体机会,我们会在第 4 讲,结合中国 To B 的情况再做展开。
对于个人来说,这一讲其实有一个很实际的用处。如果你想入行,那么你要找的团队,是那种会 逼着你把经验沉淀回产品的团队,而不是那种把你当人天卖出去的团队。前者让你越做越值钱,后者让你越做越像一颗螺丝钉。用今天这张清单去面试,去反问对方,你就不会单凭一个名字就被对方骗进坑里。
课程总结
这节课,我们直面了 FDE 最大的争议:“它是不是就是外包换皮?”
答案是:表面动作可能像,但本质完全不同。区别就藏在两个问题里:他对什么结果负责?做完一单,又给公司沉淀下了什么?
我把这节课六个角色的对照,整理成一张图,方便你保存。这张图里,我也把前面讲到的“基于 AI 的定开”放了进来,你能一眼看清楚,它和 FDE 到底差在哪里:

判断 FDE 的真假,记住最硬的两条就够了:现场经验能不能沉淀回产品;第二个客户是不是做得更容易。其余的薪资、代码、负责对象,都只是辅助验证。
如果你想转型 FDE,这个判断标准可以直接带进面试,帮你分清自己要去的,到底是产品上游,还是外包流水线。如果你是 To B 创业者或者技术决策者,也可以用它来审视自己的团队:你以为在做 FDE,但如果第五个客户还是和第一个一样重,那你做的其实只是外包,得赶紧调整方向。
思考题
留两个问题,欢迎你在留言区聊聊。
第一,用今天这张判断清单,回头看看你现在的工作,或者你了解的某个“FDE 岗位”、某支交付团队,它更接近真 FDE,还是更接近外包、实施、售前?是哪一条让你做出了判断?
第二,“第二个客户是不是做得更容易”这条标准,你认同吗?在你的行业里,有没有那种表面上做项目、其实越做越重,最后把自己拖垮的公司?
期待你在留言区分享你的思考。如果这节课对你有启发,也推荐你把它分享给身边更多朋友。下一讲,我们来聊聊:AI 已经这么强了,为什么 95% 的 AI 项目仍然失败?这背后又藏着什么机会?