FDE 到底在做什么？把 AI agent 带进传统行业

为什么写这篇文章

2026 年 8 月 19 日，一位在 X 上介绍自己为 OpenAI 前线部署工程师（Forward Deployed Engineer，FDE）的人问大家：希望他们写哪些技术主题？

我问：这个角色的核心工作是什么？每天真正在解决什么问题？要做好它，需要哪些能力？

回复是一篇被 Tech in Asia 付费墙挡住的文章。这些基础问题应当有公开可读的答案，所以我整理了这份公开版。

第一个问题：FDE 是做什么的

我的理解：听完约 40 分钟的 Cresta FDE 介绍，我的理解是：FDE 主要就是把 AI agent 带进客服、物流、餐饮等传统行业和现有流程，帮它们提高效率。

它很像新一轮互联网改造传统行业。上一轮是把信息和流程搬到网上；这一轮是让软件在明确权限内，开始查询资料、调用系统、完成部分工作，并在必要时把任务交回给人。

一句话：FDE 和客户一起挑出一个值得改造的工作流程，把 AI 或 agent 接进现有系统，真正上线，再用结果证明它有没有用。

第二个问题：每天在解决什么问题

以客服为例，一个 agent 可能要确认用户身份、查询订单、读取退款规则、更新系统；超出权限时，还要把完整信息交给人工客服。FDE 每天处理的，就是让这种流程真正跑起来：

• 客户只说「我们要用 AI」。FDE 要把口号变成一个具体、值得解决、能够验收的任务；有时答案是根本不需要 AI。
• 旧系统彼此不通。数据可能很乱，API 不完整，权限复杂，真正的工作往往是把这些东西安全地接起来。
• Agent 不是每次都答对。需要准备真实测试案例，决定哪些错误可以接受，哪些必须停止或转人工。
• Agent 会执行动作，错误会有后果。更新订单、退款或修改记录之前，必须有权限、审批、日志和回滚。
• 做出来不等于有人用。还要培训用户、修改原有流程，并确认它真的节省时间、减少错误或改善结果。

所以一天里既可能写后端或全栈代码，也可能在和客户梳理流程、测试 agent、看生产日志或修复上线问题。公开分享中，Baseten 的 Het Trivedi 曾估算自己前六个月约 75% 在做工程和模型优化；Cresta 的 Hanze Li 则说自己的编码时间从早期超过一半，后来降到不足三分之一。没有固定比例，项目阶段不同，工作内容就会变。

第三个问题：需要什么能力

我的技术判断：和我目前的后端工作相比，我没有感觉常见 FDE 工作在纯技术上更深。

FDE 真正难的是跨度：同一个角色经常要同时覆盖下面几件事。

• 工程：能自己写代码、接系统并处理生产故障。
• AI：知道什么时候用普通程序、简单模型调用、检索或 agent，并会测试模型和工具是否可靠。
• 业务：快速听懂客服、物流、餐饮或其他行业的实际流程。
• 沟通：能向一线员工问清问题，也能向管理层解释成本、风险和取舍。
• 交付：能砍掉不重要的范围，把一个小但有用的版本真正上线。
• 结果：不以「代码合并了」为完成，而以「有人使用、效果可测、出错可处理」为完成。

所以对我而言，FDE 更像横向拓宽，而不一定是纯技术等级上升。它的稀缺之处是工程、AI、行业理解和客户交付这几种能力同时存在。

结语

上一轮互联网把传统行业的流程搬到线上；这一轮 FDE 把 AI agent 接进这些流程，让软件开始完成部分工作。它未必比后端更深，但更靠近行业、客户和最终结果。

资料来源：岗位和 agent 内容依据 OpenAI 的公开职位、Presence和Frontier；日常例子参考 Baseten与Cresta员工自述。那场约 40 分钟的 Cresta 介绍带给我的理解，以及技术比较，都是我的个人判断。