GPT-6都来了，OpenAI 为什么还要把工程师派到客户现场？

GPT-6 Astra 又在刷新基准，OpenAI 的内部 Agent 已经开始按“自动化研究实习生”来衡量，一次能连续完成原本需要熟练研究员花几天处理的任务。

按这个速度发展，工程师应该离客户越来越远才对。需求交给 Agent，代码自己长出来，部署完事。

但 OpenAI 也干了一件完全相反的事。

它专门成立了一家 Deployment Company，把工程师直接派进客户公司，跟业务负责人、一线员工和客户的技术团队一起工作。

这类人叫 FDE，Forward Deployed Engineer，前沿部署工程师。

Anthropic 也在往这个方向走。它和 DXC 的合作计划里，要从现有开发团队中训练大批经过 Claude 认证的 FDE，再让他们进入银行、航空、保险、制造等行业的核心系统。

模型越强，顶级 AI 公司反而越要把工程师送到现场。

因为企业买到一个更强的模型，跟企业真的用好 AI，中间还隔着很长一段路。

数据散在不同系统里，权限不能随便开，业务流程也很少像 PRD 写得那么整齐。同一句需求，业务、技术和管理层理解的可能都不是一件事。

模型能生成方案，却不会替公司承担判断的后果。

该做哪个场景，做到什么程度，什么时候可以上线，效果变好到底是不是 AI 带来的，这些才是企业 AI 项目真正难的部分。

也是 FDE 要解决的问题。

很多朋友第一次听到 FDE，可能会觉得这不就是驻场开发，换了一个更贵的英文名字吗？

这个怀疑很合理。

FDE 确实要进客户现场，也确实要亲手写生产代码。但如果只是客户给工单、工程师照着开发，做完一个需求再接下一个，那不管职位叫什么，工作方式都没有变化。

真正拉开差距的，是他要不要寻找问题，要不要对业务结果负责，以及现场得到的认知能不能沉淀回产品，让下一个项目更容易。

扫码免费领取《FDE 实战第一课》（随课赠送「FDE 入门手册」）

说真的，这几件事讲清楚并不容易。

所以最近看到这门免费的「FDE 实战第一课」，我觉得选题还挺及时。

讲师曹犟，神策数据联合创始人和前 CTO，做了十一年 ToB 产品与交付，带过数百人的技术团队。现在他又回到客户现场，带着一个三人小团队做 AI 营销产品。

这堂课讲的不是他很多年前做过的一套标准案例，而是正在发生的项目。

这一点很重要。因为 AI 项目的模型、工具和交付方式都在快速变化。只讲成功以后总结出来的方法，很容易把当时那些模糊、冲突和判断省略掉。

而 FDE 最值钱的部分，偏偏都藏在这些不整齐的地方。

这堂试听课大约两个小时，主要回答了这些问题：

1、FDE 到底是什么？

它为什么会在这两年突然变得重要？又怎样和程序员、售前、咨询、外包驻场区分开？

2、企业 AI 项目实际会经历哪些阶段？

一次企业 AI 项目从进场到验收，实际会经历哪些阶段？老师会用正在推进的项目带着走一遍，但具体发生了什么，我就不在这里剧透了。

只能说，真实交付里的决定，跟“客户提需求，我们来实现”差得挺远。有些选择甚至会让习惯接需求的工程师觉得反常。

3、什么样的人适合转向 FDE？

不是只看代码写得好不好，而是看能不能进入陌生业务，能不能拆开模糊问题，能不能在客户环境里把系统兜住。售前、交付、解决方案和研发工程师，各自离这个岗位有多远，缺的东西也不一样。

而且它不会把 FDE 包装成零基础高薪捷径。

这个岗位收入高，恰恰因为门槛不低。既要有能落到生产环境的技术深度，也要懂数据、基础设施和安全，还得愿意面对客户、需求变化和组织里的各种现实问题。

试听课里有一套自评方法，可以先判断自己停留在跑通 Demo、独立上生产，还是已经能在客户现场兜底。

这里不看平均分。看短板。

这堂课，最适合两类人

一类是已经做过 Agent，发现从「能跑」到「有人敢用」之间，比想象中麻烦得多。

另一类是做了几年研发、售前或交付，隐约感觉代码能力正在被 AI 放大，但还没有想清楚，自己接下来应该把能力长到哪里。

只要 AI 还要进入真实企业，就总要有人走进现场，把业务、数据、系统和人接在一起。

AI 负责把东西做出来。

人负责判断，做出来的到底是不是正确的东西。

写在最后

如果你也好奇 OpenAI 为什么开始重金招 FDE，或者想看看自己离这种工作方式还有多远，可以来听听。

扫码领取《FDE 实战第一课》

领取后同步获赠「FDE 入门手册」。