FDE，大模型落地的最后一公里

本文摘自《云栖战略参考》，这本刊物由阿里云与钛媒体联合策划。目的是为了把各个行业先行者的技术探索、业务实践呈现出来，与思考同样问题的“数智先行者”共同探讨、碰撞，希望这些内容能让你有所启发。 经年累月，系统越做越重，数据越积越多，跨系统、跨部门的数据流动非常难。那时候，信息化数字化就是买服务器、上系统、做实施，不过等系统上线，可能也错过了最初的那个业务诉求。 于是，另一种力量开始生长。过去二十年，Palantir 最具有标识性的能力，并不是 Ontology、Foundry 的某个技术功能，而是它的方法论：FDE(Forward Deployed Engineer)，也就是前沿部署工程师。这些工程师会扎根到客户现场和核心业务中，将模糊的需求、分散的数据、无法落地的业务目标，梳理成可标准化的工具和方法论，以可量化的业务结果为客户完成交付。 从信息化到数字化、智能化，直到最近三四年的大模型热潮。我们看到，尽管大模型技术开始深入企业场景，但大量的企业仍不知道哪里应当用，应当怎样用，以及用了后怎样评测。大模型从炫技到生产力的鸿沟，远比想象中要深。 于是，FDE 的价值又被重新发现了。有很多人疑惑：这不就是驻场？外包？售后运维？其实不然。今天的 FDE 不同于二十年前的模式，要转变为更轻量的专家模式：懂业务、懂模型、懂数据治理的复合型人才，带着方法论和可复用的工具链，在客户现场快速验证、快速迭代、快速交付可衡量的成果。 中国信息化时代的进程与国外不同，以及中国特色的客户需求和市场环境，导致建成的企业信息系统差别各异。这就带来一个问题：依赖于重度定制化的系统集成项目，甲方习惯于交钥匙工程，乙方习惯于派一支几十人的实施团队驻场半年，模式重、周期长、成本高。 如今，FDE 除了要有过硬的技术工程能力，还要有能够在真实数据上稳定跑通系统的实力，更要有对客户场景的清晰判断，算清楚账，能够将模糊的业务诉求转化为可落地方案。 正如 Palantir CEO Alex Karp 所言，大模型不是不重要，但在至少未来几年里，价值在于落地实施。FDE 已经成为大模型的技术价值转化为业务价值的最后一公里。 当下，AI 行业掀起了一股 FDE 部署的热潮。在国际上，OpenAI 部署公司(OpenAI Deployment Company) 于 2026 年 5 月创建，由 TPG 领投，融资超过 40 亿美元。同月，Anthropic 与黑石集团、Hellman&Friedman 和高盛集团创建了一家规模约 15 亿美元的 AI 服务合资企业。这两家公司都采用嵌入式工程师模式，并赋予其对最终成果的所有权，而后者以部署为主导的业务同比增长了 85%。几周内，头部云厂商也纷纷效仿。 OpenAI、Anthropic、微软、亚马逊等已投入超过 90 亿美元用于 FDE 部署项目，全球数千名工程师已经被派往各个企业客户内部。埃森哲、德勤、麦肯锡等知名咨询公司则对内部数万名员工进行再培训，重新搭建了 FDE 实践体系。此外，市面上出现了一批专业中立的 FDE 服务企业，如 Distyl AI、Tribe AI、Plank。 Indeed 数据显示，截至 2026 年 4 月的一年中，FDE 职位发布量增长了 729%，这些职位的年薪通常在 20 万至 30 万美元以上。FDE 从 Palantir 的一项职位名称，在不到一年时间内开展成为一个价值数亿美元的行业，足以证明其商业价值的潜力。 多个研究组织指出，大多数企业 AI 项目从未真正投入到使用，并且这一现象还在恶化。其中，标普全球数据显示 AI 弃用率高达 42%，而一年前这一比例仅为 17%；Gartner 预计，到 2027 年，超过 40% 的 Agent 项目将被取消；IDC 与联想联合发布的报告 (2025 年)显示，88% 的 AI 概念验证项目从未投入生产。问题不在于模型能力，而在于对企业决策背后隐性推理的整合、评估和所有权。 结合当前 Palantir 等公司的实践来看，FDE 与传统驻场工程师还是有本质区别。传统软件的交付模式下，厂商往往采取瀑布式开发与标准化产品输出，客户需要被动适配软件功能。 对于政府、央国企等客户，定制化程度较高的同时也导致成本极高。FDE 具备极强的技术穿透力和业务解构能力，能够深入客户现场，与客户共用一套数据环境、共担同一个业务 KPI，能够在真实业务流中快速检验并迭代适配。 FDE 更深层的意义则在于，它能有效打破“懂技术的不懂业务，懂业务的不懂技术”的僵局，顺利获得将工程能 力前置到决策一线，技术赋能从厂商的标准化交付转化为与客户共创的、按需生长的组织能力。 现在国内企业也在争相学习 Palantir 的 FDE 模式，有人说放在国内这件事情学不了，因为 Palantir 的客户都是美国军方和政府。可是在最近一个季度 Palantir 的民用商业营收同比增长了 149%，这至少说明一点，客户环境的不同，或许产品功能和界面应有不同，但针对用户的方法论核心不应该有差异。 长期以来，中国企业服务市场习惯于按人天计价的外包模式，甲方对驻场工程师的期待往往是随叫随到完成指定任务，而非深度参与业务决策并给予战略建议。这导致 FDE 在进入客户现场后，容易被视作高级外包人力，其本应发挥的业务洞察和方案设计能力被琐碎的日常需求所淹没。 一些独立 FDE 指出，现在最大的问题在于人力成本还是太高，做一个项目必须得深入企业内部，自己摸清一个行业，还得教员工怎么用上 AI。同时，企业内部往往会存在一线业务需求与 IT 部门责任协同的矛盾，要么是需求太具体、变化太快，FDE 常陷入往返沟通、反复确认的问题中，真正用于技术攻坚的时间被大幅压缩。 另一方面，FDE 虽然是 Palantir 打磨二十年的能力，但放在如今的 AI 时代仍然是新兴岗位，在国内也尚未形成成熟的人才培养体系和行业共识。每家公司的 FDE 团队都在摸索一套工作方法论，重复踩坑的现象普遍存在。 Gartner 的一位分析师预测，70% 的企业最终会放弃顺利获得 FDE 主导的项目构建 Agent，原因在于供应商成本高昂且缺乏内部技能，尤其是那些只为企业做平台优化、不留下任何贡献的工程师。建议可组建中立的供应商团队，将代码放在客户的代码库中，并记录所有模式，以便内部团队能够掌控全盘。 近两年，国内包括阿里云在内的多家云计算公司及大模型企业，开始系统性组建 FDE 团队。部分头部厂 商开始将 FDE 团队在各类行业场景中积累的部署手册、调优指南、常见问题排查方案等以开放文档的形式沉淀下来，供行业共享参考。越来越多有经验的咨询人员、研发工程师也开始转行做个人 FDE。一套适合中国产业土壤的 FDE 方法论体系正在实践中逐步成型。 总结来看，FDE 需要具有如下特征：一是深入理解客户行业的业务逻辑并将其转换成为业务代码；二是在真实数据环境中能够快速试错并进行调整的工程实战能力；三是将技术价值转化为业务老板可理解的 ROI 叙事能力。 站在客户的视角，有模型并不等于就能产生结果，模型之下还需要一个执行层才能完成从技术能力到业务价值的转化。这个执行层，可以依靠客户自身，也可以依靠第三方的 FDE 团队。模型、FDE、数据和上下文，这些共同决定了企业最终落地 AI 的结果。 以央视体育客户端的世界杯“AI 观赛助手”为例。世界杯有一个不会等待项目流程的时间表，比赛持续发生，赛程、球员和比分随时变化，用户提问的时间又可能与数据更新时间错开。系统既要及时回答，也要以官方信源为依据，避免大模型编造内容。阿里云 FDE 团队用一周左右把应用推入生产环境，让真实用户和实时数据尽早进入验证。 传统项目喜欢在交付以前尽量消除不确定性，这个项目则把真实使用本身变成了验证的一部分。系统先进入比赛，再根据现场问题，在结果可控的情况下不断优化调整。 在中石油昆仑数智项目中，FDE 团队与昆仑数智一道前往客户一线进行调研，基于收敛的十个场景，最终选择能源炼化的第一道工序——常减压装置的异常报警作为 AI 落地的突破口。阿里云采取了通识大模型加传统时序数据库进行分析预测，为操作员给予建议，然后再顺利获得 Skill 蒸馏把老师傅几十年的隐性经验补进模型。这种做法，不仅极大降低人工审核的工作量，也能让一线的操作员真正持续有效地用上 AI。 常减压装置是炼化生产的第一道工序，后续环节建立在它稳定运行的基础上。AI 应用进入这类系统，面对的不只是一次回答是否准确，还要考虑陆续在运行、异常处置以及与原有系统的协同。据阿里云转述客户反馈，这是其系统内第一个在生产系统中 24 小时运行的 AI 应用。到这里，FDE 要证明的已经不再是模型能不能回答，而是 AI 能不能留在核心业务里。 在与北京大学国际医院的合作中，FDE 团队仅用 3 周即完成 7 大患者服务场景的 AI Agent 全链路交付—— 从架构设计、24 个业务系统接口联调到微信小程序“小安”AI 健康管家灰度上线，意图理解与召回准确率均达 90%，让 150 万患者实现 7×24 小时“挂号 - 导诊 - 报告解读 - 随访”一站式智能服务。验证了“小切口快速落地、标准化方案跨院复制”的 MaaS 交付模式，为医疗 AI 患者服务从单点试点走向规模化普惠给予了可参照的落地样本。 例如，在技术工程方面，要懂大模型(何时微调、何时后训练、何时用 LoRA 等等)、甚至能做模型，能写 Python 代码，熟悉主流开源框架，并具备一定的模型与 Agent 评估能力。在沟通等软能力方面，要有需求理解、方案设计和推进能力，既要应对客户给出的模糊方向，也要识别并纠正客户错误的技术路线。 在场景理解上，以上述三个项目为例，呈现出的当然不是一条所有企业都能照搬的标准路线，但它们却呈现出高价值场景的一些共同信号：AI 应用能够 Always On，使用过程持续产生新的高质量数据，基础模型升级以后，业务效果还能继续获益。 除此之外，阿里云 FDE 团队还有一条对于商业价值判断标准则：业务价值必须大于“Token 综合成本 ×10”才值得去做(Token 综合成本包含人力投入、计算资源等全部开销)，否则视为“昙花一现”，无长期意义。而且，即便在 POC 阶段也必须回答一个关键数字：日吞吐量是多少，若无法估算此值，则场景不具备可行性。 FDE 的学习能力也需要快速跟上。一方面在于客户需求和技术在快速变化，方案在过程中也在不断修改，但同时，随着基础模型能力的快速提升，FDE 也存在其自身的职业开展路径。 例如，传媒行业的数据飞轮逻辑可复制到所有内容平台；能源行业的 Skill 蒸馏路径可迁移到制造、电力等工业场景；医疗行业“小切口快速落地、标准化方案跨院复制”的交付模式可推广至教育、政务等公共服务场景...... 但复制的核心不是技术方案的照搬，而是那套万变不离其宗的方法论。 中国产业门类丰富、企业组织形态多样、数据环境复杂，决定了 FDE 必须在本土实践中摸着石头过河。或许，正是这种充满不确定性的探索，让 FDE 在中国有机会从一个岗位名称，真正进化为一种融合技术、咨询、培训与组织变革的复合型新职业。当越来越多的企业因为 FDE 拥有了自主驾驭 AI 的能力时，这个角色才算完成了它的使命。 当大模型卷落地的时代悄然来临，阿里云 FDE 体系揭示了一个朴素的真理：AI 落地的核心不在模型层，而在模型之下的执行层。这个执行层不仅需要工程化的硬实 力，更需要对行业 Know-how 的敬畏、对组织痛点的洞察，以及敢于向客户不合理需求说“不”。