从风口到靶子，FDE到底经历了什么？
文｜赵艳秋
编｜牛慧
“不想谈FDE了。”阿里云智能集团副总裁霍嘉在云栖大会上告诉数智前线，“现在说什么都有可能被挑刺儿。”在FDE最热的时候，数智前线联系了几位资深人士，有的认为FDE太过理想化，有的认为现在还谈不深，还有的说，FDE已经落后了。
短短两个月，FDE从风口变成了靶子。一边是大批拥趸，科技公司纷纷组建FDE团队，工信部发文要求培养FDE人才；脉脉数据显示，上半年FDE职位发布量飙升21倍。支持者认为，模型落地，缺的是有人把它搬进企业现场，而FDE就是“大模型能力的搬运工”。
另一边是质疑。“FDE在中国，就是驻场牛马的新名词。”有人调侃，实施工程师换个头衔，人天单价就想从1500涨到15000。批评者认为，驻场定制在中国本是常态，一家云厂商负责人告诉数智前线，FDE“没有特别新增的功能”，就是面向客户的服务团队，只是名字更时髦。
霍嘉说，FDE在中国很容易“变味”，会被说成新瓶装旧酒、挂羊头卖狗肉，“但你不在产业一线，很难回答清楚这些问题。”平凯星辰副总裁刘松则对数智前线开门见山说，FDE的讨论还处在早期，大规模验证还未开始，“所有预测和判断都有一定道理，也都带着一定主观性”
那么，FDE究竟是什么？它为何偏偏在今年掀起风潮？
01
FDE，一个被AI放大的“老模式”
FDE，全称是前线部署工程师。它把工程师派到客户现场，和客户一起做方案落地，交付的不是报告，是能跑起来的系统；同时把一线声音反馈回去，沉淀成自家的产品能力。
有人认为，FDE不就是我们以前的定制开发、外包吗？”腾讯研究院资深专家、FDE报告作者王鹏告诉数智前线，两者有根本区别。过去项目做完，经验更多留在专家脑子里、需求文档和代码里，传递效率极低；如今AI可以通过双向蒸馏机制、通过Skill把个人经验固化下来，也可以把业务知识沉淀成“本体”，“AI让这件事变得可普及”。
图表来源：腾讯研究院《FDE模式行业观察与实践》
“FDE是软件企业Palantir、而不是互联网大厂做出来的一套模式。”在AI圆桌派上，中科软董事长左春明确说，FDE是为“约束类软件而生的”
软件大致分两类：记录型软件负责记录企业业务发生了什么，ERP、CRM、财务系统、银行核心系统都属于此类，它们需求相对稳定、规范性强；约束类软件则包括军事指挥、航空航天任务规划、工厂生产排程（APS）、金融风控等，它针对一个目标，要在一组资源、规则和风险约束下，求一个最优行动方案，因而带有灵活性。
Palantir当时服务的正是军事机构。它创造了一种模式，传统咨询交付的是一份报告，而Palantir交付的是方案原型，左春把这称为“知行合一”。这获得了客户的高度认可，FDE也随之产生。
也因此，“FDE显然是一个团队。”Palantir将其分为两个角色，其中Echo负责理解业务、定义问题；Delta负责把方案变成可运行的东西。在左春看来，最近火热的Agent在方法论上与此完全一致，只是Delta一端被极大加速，Palantir当年还在用IBM低代码这类工具，今天因为AI技术，交互实验周期已不可同日而语。
中软国际副总裁、AIGC研究院院长万如意认为，FDE的一些好东西“被AI时代放大了”。最大的一点是效果前置，AI coding极大压缩了从想法到结果的过程。之前政企项目是先problem driven，然后是test driven。这轮因为大模型是概率输出，benchmark和测试集也必须前置。这部分内容，是传统FDE里原本没有、被AI逼出来的。
“FDE有不同维度。”神州数码集团副总裁兼CTO李刚分析，它是一个岗位，也是一个新型组织。神州数码内部还在探讨它该是实体组织还是虚拟组织。它也是一套新流程，售前、产品经理的边界都随之变化。而更要害的是是商业模式。“如果没有变革，像神州数码、中软这类企业，严格意义上讲是没有兴趣的。”他认为，FDE最先的抓手，是超级团队的建立
02
为什么FDE此时会火？
去年10月，王鹏开始写FDE报告时，他查询发现国内还没有公司招聘这类岗位，而美国已大量成立这类公司、招聘FDE人才。“他们比我们早半年看到这个东西。”王鹏说。
图表来源：a16z2026年发布的《FDE岗位研究》
为什么FDE会在今年突然爆火？“因为今年才是AI应用落地的元年。”霍嘉说，AI不再是聊天和娱乐工具，开始走到生产力工具的早期。霍嘉观察，从去年9月起，企业开始非常认真地思考怎么把AI加进核心流程。但这一步非常难：AI人才极度匮乏，真正落地的实践也很少；Harness工程、Loop Engineering层出不穷，很难再用“先规划、后执行”的传统IT项目方式驾驭，需要一种非常敏捷的开发方式。
阿里云的FDE也是在客户现场摸索出来的。去年云栖大会期间，霍嘉接待了昆仑数智，对方想把AI用到核心生产流程中。阿里云解决方案团队跑了很多客户现场后发现，一开始设想的一些场景并不能落地；即便能落，如果不能很快看到效果，项目也很难坚持下去。
传统做法行不通了。这次是团队先和客户一起验证哪些场景值得做，是一个边做边谈的过程，与传统售前阶段先把需求范围谈清楚不同。拿给客户的也不是PPT，而是能实际跑起来的demo，并快速做成生产级系统上线。
这套做法奏效了。去年底的一次项目复盘中，霍嘉突然意识到：“这感觉就是FDE。”昆仑数智也这么认为。而实际上，很多客户都卡在同样三处：找不到场景，不知道如何验证技术可行性和投入产出比，也不知道怎么把试点做成生产级系统上线。因为客户呼声很高，阿里在今年1月战略会上专门讨论了FDE，决定“先试一试”。
放眼更大范围，平凯星辰刘松认为，今年3月之后行业形成一个共识：企业级生产力是AI的主线。大型制造业、金融企业、制药厂都在严肃地把核心业务推进到企业级智能体时代。
但从个人提效走到企业提效，中间经历了一道坎。王鹏观察，一些公司做“token maxing”，给员工大量发放token，个人提效确实上去了，但时间长了却发现，企业并没有从中获益。刘松他们也踩过这个坑：去年11月，他们300多人的研发团队人人都在大量消耗token，却没有换来企业级提效。今年6月他们做的一次客户调研显示，中国金融机构使用vibe coding一年多，整体提效基本没有超过15%
王鹏把原因归结为两堵墙：一个是组织壁垒，一个是业务流程壁垒。在他看来，FDE是要打穿这两堵墙，“它绝不仅仅是一个定制开发”。而真正的Echo，是能给客户高层讲清楚“怎样用一套AI原生方法重构企业”的人，这对人的要求非常高，现在99.9%自称FDE的人并不具备这个能力。
刘松解释，AI开发速度太快，引发功能重叠、互相冲突。“我们不得不从大规模使用vibe coding，转向协同。”一是让所有人在同一个项目、同一个频道里；二是让Agent更自主，大多数工作由Agent自主推进。转向之后，在多智能体协作模式下推动软件工程全流程，新应用的效能提升约10倍，老应用因为要与既有系统协同，约4倍。他问过包括字节在内的互联网企业，这基本是共识水位。
刘松相信，长远来看，严肃、大型、复杂的任务和组织都会走向多智能体。而FDE最重要的不是替客户把系统做完，而是“授人以渔”：先选一个最小场景把这套体系跑通，再由客户自己接手，开发下一个范围更大的应用。
Gartner提出授人以渔的关键：留住系统，沉淀产品
03
FDE定价，业内最大的一个悬疑
“它不是好坏问题，是存废问题。”万如意这样形容FDE商业模式的重要性。
刘松读到一位行业人士的文章，“FDE绝对不能按过去人天来付费，应该按效果付费”。但部分行业人士对此并不完全乐观。“国内企业软件走到人天模式，根源在项目制：方案的所有权在甲方IT部门，需求由他们翻译，架构由他们拍板，乙方只是‘出人干活’，计价单位自然是人天。”一位人士说，“只有交易对手变成业务部门，由乙方定义问题、对结果负责，才有可能按价值收费。”
霍嘉对结果付费的态度经历过一次转变。在他看来，按功能付费的SaaS容易同质化，陷入价格战的恶性循环；按结果付费的好处在于，只要你真有能力交付结果，就有谈判空间。但他坦言，此前并不相信这个模式，“当年也搞过很多项目，觉得不太靠谱”。上一轮AI浪潮中，一些按结果付费的公司也经营困难。直到今年5月后，他才逐渐想明白：之前问题不在商业模式，而在于实践还不够多，“你不知道在哪个地方敢交付结果”。但AI时代确实有所不同，因为技术进步，大家对交付能力的信心开始提升。
万如意分析，“按结果付费”有几个层次，最基础的一层是准确率、采纳率，最高、最理想的是把企业的财务指标改变了。为此，FDE的理想状态只有一个——就是去解决难题难题解决不了，甲方不会支付有溢价的钱，乙方也不会投入高水平的人才，两边同时降级。“这件事向下的引力很重。”稍一松手，FDE就会被拽回传统的定制开发甚至外包服务。
这也是OpenAI的FDE负责人强调“只做核心业务、高价值场景”的原因。但高价值对应什么价格，至今没有答案。一家建了FDE团队的公司，最发愁的是定价：按人天定“亏死了”，交付的价值可能10倍甚至20倍于这些人的成本。
王鹏在报告中统计，目前一个FDE项目的投入在百万级，常见区间是100万到500万元，而且是纯服务费。而愿意付这笔钱的客户并不多。王鹏估算，传统行业中约有10%的企业有动力做AI转型，其中又只有约10%愿意为FDE付费，合起来约占整体的1%，基本都是头部企业。
“FDE早期成本必然更高，因为要额外做本体等工作；而一旦在某个行业代表性企业做成，就能快速复制到同行，成本会大幅下降。”他说，慢慢地，这些能力会沉淀进产品，成为行业标配，长尾客户直接用产品就够了。
平凯星辰目前的做法是一种组合：一种方式是把产品和FDE做一种组合，产品按照用户部署收费，FDE 按照项目复杂度；另一种方式是按业务效果分成；总体也还是在探索中。即便如此，刘松仍说：“FDE到底怎么定价，是业内最大的一个悬疑。”
另一种思路是“羊毛出在猪身上”。业界看到，ISV想改善商业模式，新的可能来自大厂。大厂做FDE是为了让客户把它的模型用起来、消耗它的token，动力远大于ISV。它可以找ISV做项目，实际是把token收入的一部分分出去。李刚认为，这套逻辑与当年卖大机很像：用户当时要求大机软件免费，最终供应商做方案的钱是从丰厚的硬件利润里分得的。今天，这笔钱可能从模型那一端出
霍嘉认为，问题最终要归结到护城河上。“对厂商而言，护城河一定是产品。”在阿里云，带动产品是FDE团队一项重要的考核指标。”而另一条路是客户签长期服务合同。此前，国内企业习惯按项目签合同。不过，霍嘉观察，北京、上海一些以90后为主的创业团队，三年前就开始用service contract方式工作，证明价值后拿到了客户长约，有的已扩张到近百人，并且赚到了利润
04
FDE怎么干，比ERP实施更重？
FDE进场的第一步，是选场景。李刚认为，目前最大的空白是知识处理。“过去几十年，知识领域只有一个产品做得非常伟大，就是Office，但它只解决了知识的记录和分享，处理知识基本做不到。”大模型恰好打开了这块市场，知识密集、岗位工资高的场景都会有爆发性增长；coding则是另一个大领域。
场景之外，FDE很重要的一件事，是把过去数字化没能还原出来的企业知识构建起来，这类似Palantir的本体（ontology）。本体听起来有点“玄”，其实是给AI准备的一份“企业业务说明书”：企业里有哪些东西，各是什么意思，彼此是什么关系，要守哪些规矩。
本体一定要做得很重吗？左春主张做轻量本体。知识图谱时代，大厂到企业端建图谱，“光建图库就要投入好几百人，这条路根本走不通”。他认为应由FDE根据具体目标决定本体的复杂度，一个目标一个目标地垒起来。AI也让本体变便宜了。王鹏说，在他们接触的保险行业项目里，专家对本体“不是亲手搓，只是审核微调”，工作量降低了一两个数量级。
节奏上，霍嘉说，现在的FDE和传统最大的区别，是不等SOW（工作说明书）就动手，并想办法让合作尽可能灵活。“过去为了卖人天，大家喜欢把项目周期拉长；FDE要把周期压短。”在一家央企的项目上，起初计划三个月后才首次上线。“这样做100%失败。”霍嘉直接去见了这家央企的董事长，最终把交付改成每月发布一次，后来又变成每周一次。
图表来源：腾讯研究院《FDE模式行业观察与实践》
刘松团队在一家金融机构的项目，通过平凯Loop多智能体协同平台，展示了FDE在现场的具体动作。客户要开发一套大型证券业务软件，先拿出一个组件交给自己的开发团队和平凯星辰团队一起试水。这家客户已用了一年vibe coding，却出现需求失真、代码质量失控、缺乏规范等一连串问题。
团队先给客户讲清工作机制和能力边界。FDE团队进场后，先定下开发治理和“好不好用”的标准，用智能体做自动质检。需求阶段，FDE和AI一起对业务方做“苏格拉底式”盘问，追问边界条件和异常场景；开发阶段，每次AI产出不超过三天工作量，给人留出把关空间，并用测试驱动开发。一个月后，组件跑通闭环，包括知识库中台MeshX在内的整套体系搭在客户那里，经验沉淀成一套playbook（操作手册），客户团队接手开发下一个模块。
最后一道坎在组织。刘松团队曾想把人与智能体一体协作的方式推广给金融和医疗客户，对方提出“尊重现有管理规范、业务流程和责任分工”。于是，他们把多智能体能力做成PaaS，拆成原子能力，通过接口嵌入客户现有系统。最终界面不变，底层换成以大模型和智能体为主的平台。
王鹏分析，AI本质上是在消除企业层层上传下达的摩擦，中层很可能抗拒这种改变，FDE要先说服一把手。霍嘉的经验是，甲乙双方要做成one team，“还用甲乙方那种工作方式，项目大概率会失败”。业界看到，好在这一轮AI落地，不少70后、80后乃至90年前后出生的处长开始操盘，“他们很想做事情”。
刘松不久前参加了一次会议，不少做过ERP实施的CIO都认为，AI落地就像当年上ERP，是一场非常重的实施。在他看来，这件事甚至比ERP还重，因为FDE最终要把一套数字员工系统嵌进客户的组织。当年ERP重塑的是流程和数据，这一次，Agent最终将重塑企业的工作方式、决策机制和组织结构。
05
FDE江湖，几路人马？
FDE江湖有多派背景不同的参与方。
一类是大模型企业和云大厂做FDE，目的是带动模型调用、token和云资源，还看重前线需求回流给AI产品。OpenAI和Anthropic分别联合投资机构和咨询公司组建FDE公司，扎入金融等高价值场景进行验证和产品开发。阿里云做FDE，前线需求实时回流给千问办公、Qoder等产品团队。
一类是平凯星辰这类产品平台企业，它以开源数据库TiDB起家，近两年向AI延伸，推出了多智能体协作平台Loop和知识库中台MeshX，它用FDE在关键行业如金融、医疗和制造行业，验证并落地自己的多智能体产品体系，“理论上，早期我们帮助客户一起建立标杆场景，用好平凯Loop，客户未来不再买我的FDE，买的只是产品体系，他们自己的FDE可以借助这套Loop多智能体平台更快搭建自己的数字员工体系。”
还有专做应用的ISV、大型外包厂商，也都在做智能体平台。对它们来说，FDE本身就是生意，关键在于能否借此提升毛利。
FDE人才从哪里来？Palantir式的FDE分Echo和Delta两种角色。王鹏说，Palantir有个说法，能做Echo的人“就是一个小CEO”，要有跨行业、跨领域的知识结构，既懂业务也懂AI。
左春也更看重Echo。在他看来，这个角色实战性很强，年龄可能会稍微偏大，更关键的是能动性和学习、理解、沟通的能力。如果知识边界太窄，“说了半天，客户根本不认可你”。Delta则可以年轻一些，新技术靠培训就能补上。刘松观察，目前能胜任的基本是中阶以上、又有很强AI sense的人，初级人员很难承担。
各家的组队方式也不同。阿里云不分Echo和Delta，将技术出身、长期做客户工作的解决方案架构师“往前推一步”。霍嘉发现，决定一个人能否成为好的FDE，不只是懂技术，还要会沟通，“能不能听得懂、把话说清楚”，最基本的是告诉客户一件事是否要做以及它的代价。
几乎所有人都强调能动性，真正能解决问题的FDE，不一定是经验最多的人，但可能是能动性最强的人。
FDE最终未必都来自外部。王鹏观察，像大模型公司、自动驾驶企业这样的AI原生公司，“人人都是FDE”，不需要第三方；传统行业慢慢也会自己长出这样的角色。他举了前一阵走红的“谢局”的例子：今年汛期，这位北京市规划和自然资源委员会密云分局副局长自购10亿token，花了近一个月，借助AI编写了防汛小程序。预警发布和群众转移统计都在小程序里实时完成。“他本质上是在扮演FDE的角色，这才是比较理想的状态。”在王鹏看来，厂商真正该做的，是把AI、编程门槛降到足够低，让越来越多的行业专家能亲身做FDE。
这也对教育提出了新问题。FDE很难归入现有学科：做金融软件既要懂经济，又要懂技术，而学科设置只能慢慢改，所以各家目前仍以在职培养为主。王鹏判断，像Echo这样要求跨文理、跨行业、具备创新思维的人，现有教育体系“几乎培养不出来”。他注意到，海外越来越多的FDE人才是从高中生中培养的：他们有扎实的基础知识，又还没被行业流程和习惯束缚，“中国也会有这样一个趋势”。
而刘松认为，未来几年能落地多少好的AI项目，取决于有多少合格的FDE。（联系作者入群，a36942587)
热门跟贴