上篇聊了 FDEForward Deployed Engineer前线部署工程师为什么火了——42 倍岗位增长、OpenAI/Anthropic/Google 同周扩编、字节和华为争着招。但你读完可能更困惑了所以怎么进去FDE 不是后端开发不是刷完 LeetCode 面进去就能干活。它的工作方式是你被派到客户现场把 AI 系统在真实业务里跑起来。这意味着技术只是入场券行业认知才是真正的护城河。没有一个FDE 培训班能批量制造合格的 FDE因为这个岗位的根基不在技术栈里在行业场景里。但我说没法培训不等于没法入门。只是入口不在 MOOC 上在一条更笨的路上——我把它拆成三步找行业 → 定方向 → 以身入局。三步递进缺一不可。而且你永远不会从第三步毕业——每换一个行业、每进一个新客户就是一轮新的三部曲。一、为什么 FDE 不能从学技术开始先搞清楚一件事FDE 和后端开发有本质区别。后端开发的需求是明确的——产品经理把需求写清楚架构师把技术方案定好你负责实现。你的战场在编辑器里你的交付物是代码。FDE 的需求是模糊的——客户说帮我们用 AI 提升一下效率没有需求文档没有架构评审没有现成的数据管道。你的战场在客户现场你的交付物是**“AI 系统在客户的真实业务里跑起来了并能稳定产出结果”**这件事本身。所以如果你被派到一家银行的 AI 项目你不懂对公信贷的业务流程你连客户在说什么都听不懂更别说把 AI 嵌进去了。技术可以学一个月上手一个新框架不稀奇。但行业认知只能靠泡——你在那个行业里待过、跟业务人员开过会、看过他们的数据长什么样、理解过他们流程为什么这么绕这些没法速成。所以第一步不是选技术栈是选一个行业。二、第一关找行业——四个赛道先选一个扎进去选什么行业不是说选最火的是选你能扎进去的。FDE 适合的行业有三个特征①正在被 AI 改造但门槛高定制化程度高 → 需要人驻场②客户付费意愿强 ③你有切入点或已有行业经验。按这三个标准国内推荐四个赛道金融/银行为什么适合 FDE数据合规门槛最高、定制化极强、付费意愿最强。AI 落地需求明确——风控、客服、信贷审批、精算每条业务线都在问AI 能不能帮我省点钱。但数据安全法和个人隐私保护的约束决定了你不能远程调 API 解决问题必须到现场搞数据治理和合规方案。可选方向零售银行智能风控/反欺诈/个性化推荐、对公银行供应链金融/信贷审批自动化、保险理赔自动化/精算/智能核保、证券量化策略/投研 AI 辅助。国内信号银行 AI 投入年增 30%大行都在建 AI 中台但能落地的人极度短缺。医疗/医药为什么适合 FDE受个保法严格约束流程极其复杂需要深度集成到 HIS医院信息系统里。这不是远程部署一个模型能解决的事——你得在医院现场理解医生的工作流、在数据不出院的条件下做模型调优。可选方向临床决策支持CDSS、药物研发 AI 加速、医保控费与 DRG 分组、医院运营管理。国内信号国家AI医疗政策强力推动但合规门槛天然筛掉了一批只会调 API 的团队——这恰恰是 FDE 的壁垒。制造/工业为什么适合 FDE中国制造业体量全球第一AI 在工业场景的落地需要深度集成到产线系统里。工业质检的摄像头装在哪、节拍多少、不良品怎么回流——这些不是技术问题是工艺理解问题。可选方向工业视觉质检、预测性维护、供应链优化、排产与调度。国内信号工信部大力推智能制造但懂 AI 又懂工业的人才极度稀缺。电商/标准化信息化为什么适合 FDE中国电商生态全球最复杂平台电商、直播电商、私域电商三轨并行背后是海量的系统集成需求——ERP、OMS、WMS、CRM每个系统都要接入 AI。标准化程度越高越需要有人把 AI 标准化地嵌进去。可选方向智能客服与导购、供应链与仓储自动化、个性化推荐与搜索、商家运营工具 AI 化、直播电商 AI 辅助。国内信号电商 AI 渗透率快速提升但深度集成到商家后台和供应链系统的 FDE 人才供给几乎空白。选行业的标准不是哪个最火是三个问题的答案这个行业正在被 AI 改造吗正在 → 有机会改造它需要人现场去干吗需要 → 才是 FDE 的活你能找到切入点吗能 → 就选它三、第二关定方向——在行业里再切一刀行业定了不代表你能干了。同一个行业里不同方向对能力栈的要求天差地别。拿金融举例零售银行方向——智能风控和反欺诈。需要的能力特征工程、图算法、实时决策引擎、理解信贷生命周期。技术栈偏机器学习 规则引擎。对公银行方向——供应链金融和信贷审批。需要的能力NLP 做文档解析、知识图谱做企业关联分析、理解贸易融资流程。技术栈偏 NLP 知识图谱。保险方向——理赔自动化和精算。需要的能力多模态理赔照片文本、自动化流程编排、理解保险产品设计。技术栈偏 CV 工作流引擎。同一个行业三个方向三种不同的能力侧重。你不可能同时精通所有方向——找到你最愿意钻 3-5 年的那个切口就行。其他行业同理。行业方向A方向B方向C金融/银行零售银行风控反欺诈对公银行信贷供应链保险理赔精算医疗/医药CDSS临床决策药物研发AI加速医保控费与DRG制造/工业工业视觉质检预测性维护供应链优化电商/信息化智能客服与导购供应链仓储自动化商家运营工具AI化定方向的本质是在行业里找到你愿意钻 3-5 年的那个切口。四、第三关以身入局——这也是最难的一步前两步是做选择这一步是真正上手。而以身入局不是比喻它是 FDE 这个词的字面意思。拿几个真实案例说。Palantir 的做法行业最成熟的 FDE 模式早期 FDE 被直接派到 CIA 和 FBI 的站点跟情报分析师坐在一起工作。分析师怎么查数据、怎么串线索、怎么出报告FDE 坐在旁边看看懂了再写代码。不是远程对需求是物理上坐在你旁边。后来扩展到 NHS英国医疗系统FDE 嵌入医院运营团队跟医生和护士一起梳理患者数据平台怎么落地。Anthropic 的做法2025-2026 年爆发的新模式FDE 需要在 ambiguity 下做架构决策。客户说一句帮我们提升一下效率没有需求文档FDE 要去现场把这句话拆成可执行的技术方案。年薪 $200K-$300K 股权总包可达 $350K-$630K。国内字节豆包的 FDE 招聘月薪 3-5 万15-16 薪要求全栈 大模型 Post-Training。这意味着什么你不是去调 API 的——你是去客户现场理解业务流程回来可能要自己微调模型、搭 RAG 管道、写前端展示、做 CI/CD 部署。一个人顶一个团队。以身入局的核心不是出差去客户现场而是跟业务人员一起开会听懂他们在说什么看他们的数据长什么样数据在哪、多脏、能不能用理解他们的流程为什么这么绕——通常不是因为没人想改是因为有历史包袱和合规约束把AI这个东西切成他们能接受的小块一块一块塞进去这是一个没法远程完成的过程。FDE 的公司花几十万甚至上百万年薪雇你不是为了让你写代码——是为了让你在现场判断。五、三部曲不会毕业——它是循环的这一步很重要但容易被忽视你永远不会从第三步毕业。你以为你入局了金融行业做完一个项目就成为金融 FDE了不对。下一个项目可能是保险再下一个可能是供应链金融。同一个大行业场景一变又是一轮新的找行业→定方向→以身入局。资深 FDE 的壁垒是什么不是 Python 写得多溜、LangChain 用了多久。是他经历了多个行业的入局—交付—复盘—再入局周期后形成了一种跨行业的模式识别能力。他看到一个新行业能快速识别这个场景跟之前做过的哪个案子类似它的核心痛点是什么什么技术方案能最快跑通 MVP这个客户最怕什么合规安全稳定性这种能力不在书里不在课程里只在循环里。六、写在最后回到开头那个问题FDE 怎么入门不是刷题不是报课不是追最新的 AI 框架。是认真走这三步选一个行业——花时间研究它理解它的痛点和机会。在里面切一个方向——找到你愿意钻 3-5 年的那个切口。然后想办法把自己放进去——进项目、进客户现场、进业务一线。三部曲不是理论是你必须自己走一遍的路。走完一轮你就是一个能独立交付的 FDE。走完三五轮你就有跨行业的判断力。走完十轮——市场上真正能称得上资深 FDE的人少之又少。而且整个三部曲的逻辑不只是FDE 入门指南你可以把它当做一个通用的方法论用在任何领域。下一篇我想跟你聊的是这三部曲的反面——为什么有些看起来不错的方向走进去才发现是个坑。以及当你卡在某一步的时候怎么判断是该硬扛还是该换牌。咱们下篇见。关于 ArchAIHarness这篇文章是「看懂 AI 与智能体」专栏的一部分由ArchAIHarness持续输出。ArchAIHarness 是一套面向 AI 时代软件工程的人机协同架构哲学与公开工程资产主张架构师定义秩序AI 在秩序中生长。人立法AI 执行体系审计。如果你也希望 AI 在明确的架构边界内协作而不是在混沌中碰运气欢迎到 GitHub 上看看我们在做什么组织主页github.com/ArchAIHarness — 了解完整理念与资产全景本专栏zhuanlan-ai-and-agents— 所有文章的源码与发布记录实践指南docs— 架构哲学、工程方法和落地指南开源工具agent-workflows— 可复用的 AI 协作 Agents、Skills 与 Tools工程样例framework— DDD AI 协作的工程底座Engineered by Architects · Empowered by AI · Audited by Discipline