在国内叫驻场，在硅谷叫 FDE：模型满分之后，最缺的是这种人

在国内的技术圈，“驻场”不是个好词。

它意味着背着电脑住进甲方的办公室，工位在角落，需求一天三变，系统上线那天，没人记得你的名字。招聘软件上，带着“驻场”两个字的岗位，往往要在薪资后面多解释几句。

但同一件事，换一个地方，是另一种待遇。

2026 年 11 月，OpenAI 的公开招聘页上，有 36 个岗位的名称里带着同一个词：Forward Deployed。它们分布在 14 座城市，从纽约、伦敦、东京，一直到阿布扎比。

OpenAI 公开招聘页的时点快照，岗位数不等于从业人数

36 份职位描述，每一份都提到了客户现场和出差，有的写明出差最多占到一半时间。其中 25 份用了同一个动词：embed，嵌入。意思是，坐到客户的办公室里去。

这群人叫 FDE（Forward Deployed Engineer，前沿部署工程师）。

干的是驻场的活，却是模型最强的那几家公司抢着招的人。

这里有两个问题值得想清楚。模型都这么强了，为什么还要派人去现场？同样是驻场，为什么一个被嫌弃，一个被争抢？

PART 01

 模型满分，业务没及格

先看模型有多强。斯坦福《AI Index 2026》给了几个数字：在专门测真实软件工程任务的 SWE-bench Verified 上，前沿模型的成绩一年内从约 60% 涨到接近 100%；在测试操作电脑的 OSWorld 上，Agent 的任务成功率从约 12% 升到约 66%；企业的组织采用率达到 88%。

能力接近满分，采用接近九成。按理说，剩下的只是时间问题。

可很多团队的体感正相反：试点做了不少，真正跑进业务的没几个。

落差出在哪，看一个具体的场景就明白了。

一家企业想用 AI 处理退款。模型能读懂邮件，也能写出得体的回复。但项目上线之前，有人得先回答：订单数据在哪个系统？哪一版退货政策有效？超过多少钱必须审批？误退了钱，由谁负责？

基准测试之所以能打分，是因为任务、输入和评分方式都已经给好了。真实项目里，这三样东西要先自己找出来。

而企业流程里，藏着大量从没写进文档的知识。某个字段叫“库存”，实际却包含了已被预订的货；某类退款原则上要审批，老员工却知道哪些情况可以例外。

这段路没人走，模型再聪明，也只能停在演示里。

PART 02

 同样是驻场，差在三件事

FDE 这个词，最早成体系地出现在 Palantir。

Palantir 卖的是给政府和大企业用的数据分析软件。客户的数据乱，流程各不相同，标准产品装不进去，它就派工程师住进客户现场，边干边改。这套做法在硅谷长期不被看好，不少人说它是披着软件外衣的咨询公司。

直到大模型出现，所有 AI 公司都撞上了同一堵墙，才回头去抄这份作业。

那么，FDE 和国内的驻场到底差在哪？单看每天干的活，几乎一样：进现场，读业务，接数据，写代码，上线。差别在三件事上。

第一，谁来定义问题。假设一家电商提出：“我们想用 Agent 接管售后。”（这是一个用来说明方法的假设场景。）

按驻场的做法，需求既然写好了，就照着开发。团队会把大量时间花在对话、工具调用和自动执行上。

FDE 的第一步是反过来的：先判断哪些事不该交给 AI。现场真正的问题，也许是退货政策没有版本管理，主管审批太慢，或者物流信息根本没接进来。

把混乱的流程交给模型，只会让混乱跑得更快。

所以要先把“接管售后”改写成几个能验收的问题：查物流，能不能减少等待？解释政策，能不能降低重复咨询？发起退款，哪些情况必须保留人工审批？

第二，对什么负责。驻场的验收，是功能清单逐项打勾。FDE 的验收要回到业务上：同类问题平均多久解决，返工和投诉有没有减少，严重错误怎么处置。

模型的回复更准确了，客户却在反复追问，说明任务并没有完成。自动处理量上去了，更难的工单却全推给了人工，整体成本也未必下降。

Anthropic 的一份岗位说明把这层意思写得很直白：由你决定该建什么，并确保它被建好。

第三，经验去了哪。这一条最要紧，放到后面单独说。

PART 03

 买了模型，不等于买了生产力

先回答另一个问题：模型调用越来越便宜，企业为什么还愿意为“派人去现场”付高价？

因为模型费用只是总账里的一项。企业还要整理数据、改造接口、确认权限、培训员工、建立监控，并且在出错时留有恢复业务的办法。这些投入，不会因为一次调用变便宜就自动消失。

经济学家 Erik Brynjolfsson、Daniel Rock 和 Chad Syverson 把这种现象叫作“生产力 J 曲线”：一项通用技术的收益，要靠流程重构、人才培养这类配套投入才能释放。这些投入在早期只表现为成本，收益要晚一步才出现。

生产力 J 曲线示意，非实测数据

采购模型和采购生产力，是两笔不同的投资。

原有流程不变，只是给每个人多发一个聊天窗口，改善的是局部效率。要让一个部门的产出、成本或服务质量发生变化，就得调整工作怎么分配、怎么交接。

比如，系统已经能生成退款建议，主管却仍然逐单检查全部材料，审批这个瓶颈就没有消失。要动它，得有人去明确：哪些订单可以自动处理，抽检比例是多少，出了异常怎么追溯。

模型越便宜，这部分成本在总账里的占比就越高。FDE 就是站在这笔账里的人。

PART 04

 分水岭：经验留在项目里，还是回到产品里

现在回到第三件事。

FDE 模式有一个绕不开的矛盾：越依赖现场经验，越容易按人头扩张。客户多一倍，工程师也得多一倍，收入涨了，利润却未必跟着涨。

所以判断它是不是一门好生意，不能只看工程师解决了多少问题，还要看解决过的问题，有没有让下一次交付更容易。

订单、物流、工单的接入方式，能不能变成可复用的连接器？权限、审批、日志和回滚，能不能变成通用模块？一次严重的误答，能不能进入评测集，让下一家客户少踩一个坑？

OpenAI 在招的岗位里，有一类明确要求工程师“设计抽象，并把它用于规模化交付”。翻译过来就是：解决完一家客户的问题，还得把解法带回产品。

这也解释了国内的驻场为什么不值钱。

问题不在工程师身上。在按人天计费的模式里，公司没有多少动力让下一次交付变得更容易。工程师在现场做出的判断，既进不了产品，也进不了他自己的晋升材料。项目结束，人撤走，经验就地蒸发。

国内不缺驻场的工程师，缺的是把驻场当成研发的公司。

当然，也不是所有东西都该复用。每家公司的经营规则、风险偏好和授权关系，仍然要单独确认。把上一家客户的判断原样搬过来，可能正是下一次事故的起点。

PART 05

 模型越强，这种人越贵

FDE 会不会被 AI 替代？

执行层会。写接口、做数据映射、搭原型、跑测试和部署，这些今天还算核心技能的工作，正在被模型快速吃掉。原来要一周的事，以后可能只要一天。

但判断层会更贵。

Anthropic 的 CEO Dario Amodei 在长文《Machines of Loving Grace》里打过一个比方：一支空军既需要飞机，也需要飞行员；如果飞机不够，再多招飞行员也帮不上多少忙。他想说的是，智能从来不是单独起作用的。

放到企业里，智能这一项补得越快，瓶颈就越快转移到别处：数据要对齐，权限要审批，老系统要改造，还要有人为一个决定承担后果。

有三件事，短期内很难交给模型。

定义问题。把“我要一个智能客服”翻译成两三个能验收的问题。

判断边界。知道一次权限开放会带来什么后果，敢于拒绝一个收益不清、风险过高的自动化需求。

承担责任。三个部门对“客户”的定义不一致，AI 可以给出五个都说得通的方案，但用哪一个，得有人签字。

模型越强，会写代码的人越多。能在现场把问题定义清楚的人，不会因此变多。

岗位的名字以后可能会变，这段路却总要有人走。

回到开头。驻场和 FDE，干的其实是同一件事：把技术送进一家公司真实的运转里。

过去这件事不值钱，是因为写代码很贵。难的在机房，值钱的也就在机房，去现场的人只是把做好的东西送过去。

模型把写代码变便宜之后，这笔账倒过来了。

对正在驻场的工程师来说，这是个好消息。你每天做的那些“脏活”：弄清一个字段到底是什么意思，哪位主管真正说了算，哪条规则其实没人遵守，正在变成最难被模型替代的能力。

前提是，你做的不只是照着需求交付，而是开始替客户定义问题，并且把现场学到的东西带回去。

JOIN AGENT 2048

把 AI 用进业务里

带上你的项目和问题，聊聊从演示到真正用起来的那一步

扫码加入 Agent 2048 交流群

来源

Stanford HAI《AI Index Report 2026》：SWE-bench Verified、OSWorld 与企业组织采用率数据

OpenAI Careers 公开招聘页（2026 年 11 月 13 日抓取）：36 个岗位名称含 Forward Deployed，覆盖 14 座城市；Anthropic Careers 用于核对岗位措辞

Brynjolfsson, Rock & Syverson《The Productivity J-Curve: How Intangibles Complement General Purpose Technologies》，American Economic Journal: Macroeconomics，2021

Dario Amodei《Machines of Loving Grace》，2024 年 10 月。文中比方为本文译述

说明：岗位数为某一时点的招聘快照，不等于 FDE 从业人数；电商售后与退款场景为假设推演，非真实企业项目；关于驻场与 FDE 的比较为本文分析