OpenAI 和 Anthropic 开始往客户公司派驻工程师了——这不是说明 AI 越来越好用，恰恰说

172134686 · 发表于昨天 22:49

聊一个我最近关注到的趋势——

OpenAI 和 Anthropic 都在组建一种叫 FDE （ Forward Deployed Engineer ，前沿部署工程师）的团队。把工程师直接派到客户公司内部，驻场帮客户搭 AI 系统。

这个角色不新——Palantir 大概 20 年前就发明了这种模式，当时是派工程师去政府机构、在保密网络上驻场开发。

但 AI 时代 FDE 复活了，而且复活的原因很值得想清楚。

FDE 复活的根本原因是：AI 落地的真正瓶颈不在 API ，在"翻译"。

我做 AI 咨询快两年了。最深的一个感受是——客户买的不是模型、不是 API 、不是 token 。客户买的是"有人能听懂我的业务痛点，然后把它变成 AI 能解决的问题"。

这个"翻译"过程，API 文档教不了，demo 演示不了，销售 PPT 更不行。必须有一个人坐在客户的办公室里，花几天到几周的时间，真正理解这家公司的业务流程、数据结构、组织政治、合规约束——然后把这些翻译成 agent workflow 、RAG 架构、eval 策略。

OpenAI 和 Anthropic 组建 FDE 团队，本质上是承认了一件事——

"我们的 API 再好，客户自己也用不好。必须派人过去。"

这跟我之前写的"AI 能力和人的使用能力之间的鸿沟"是同一件事。FDE 就是用来填这道鸿沟的人。

但 FDE 模式有一个结构性问题——他们不是中立的。

OpenAI 派来的 FDE 会推荐什么方案？ OpenAI 的。Anthropic 派来的 FDE 会推荐什么方案？ Anthropic 的。

这不是因为他们不专业。是因为激励结构决定了他们只能推荐自家产品。他们的 KPI 是"让客户深度使用我们的平台"，不是"给客户找到最好的方案"。

客户接受一个 vendor 的 FDE ，表面上是"免费的技术支持"。实际上是在接受一次精心包装的 vendor lock-in 。

FDE 在你公司驻场 3 个月。帮你搭了一整套基于 GPT-5 的 agent workflow 。所有 prompt 都针对 GPT-5 优化过。所有 eval 都校准过。所有工具调用都用 OpenAI 的 function calling 格式。

3 个月后 FDE 走了。你想换 Claude ？

所有东西都要重写。因为 FDE 帮你搭的系统跟 OpenAI 的 API 紧耦合。

这不是 bug ，是 feature 。FDE 的目的就是让你离不开。

2026 年 AI 落地服务市场，其实有三种角色在竞争——
第一种：Vendor FDE （ OpenAI/Anthropic 派来的）

优势：技术最强。他们对自家模型的了解比任何外部人员都深。能拿到内部最新的 feature 、最新的 API 、最新的 best practice 。劣势：不中立。只推荐自家产品。搭出来的系统跟他们的平台绑死。

第二种：独立 AI 咨询/顾问（像我这样的）

优势：中立。不代表任何一家 vendor 。可以根据客户需求选最合适的模型——这个任务用 Claude ，那个任务用 GPT ，那个用开源。搭出来的系统是 model-agnostic 的。劣势：技术深度可能不如 vendor FDE （他们有内部信息，我没有）。规模受限——一个人或小团队能服务的客户有上限。

第三种：企业内部 AI 团队

优势：最懂自己的业务。数据访问最方便。长期维护成本最低。劣势：组建慢。招人难。技术更新跟不上。很多企业根本找不到合格的 AI 工程师。

2026 年的真实情况是——大部分企业需要三种角色的组合：

Vendor FDE 帮你做最初的技术方案（但你要警惕 lock-in ）。独立顾问帮你做中立的架构评审和 vendor 选型。内部团队负责长期维护和持续优化。

但实际上——大部分企业只请了第一种。因为第一种是"免费"的（ vendor 用 FDE 成本来换 lock-in 收入）。

然后他们在 18 个月后发现自己被锁死了。

AI 工程师角色的细分——正在发生
这是我最近观察到的另一个趋势。

2024 年，"AI 工程师"是一个笼统的角色。会用 LLM API 、会搭 RAG 、会写 agent——就叫 AI 工程师。

2026 年，这个角色已经开始分化——就像 20 年前"软件工程师"分化成前端、后端、移动端、运维、数据工程一样。
我目前能看到的分化方向：

Eval 工程师——专门做 AI 系统的评估和质量保障。设计 eval suite 、校准 LLM-as-judge 、建 production-to-eval pipeline 、跟踪 quality trends 。这是我之前写的"evaluation 是一个新学科"的人格化。

Harness 工程师——专门做 agent 的约束和治理。设计规则层、evaluator agent 、linter 、feedback loop 。确保 agent 的行为在允许范围内。
LLMOps 工程师——专门做 LLM 部署的运维。模型路由、prompt 版本管理、A/B testing 、成本优化、gateway 管理、provider failover 。

AI 数据工程师——专门做"让数据 AI-ready"的工作。semantic layer 建设、数据治理、schema contract 、数据质量监控——所有 AI 上游的数据基础设施。

Context 工程师——专门做 context window 管理。什么信息进 context 、什么顺序、什么优先级、怎么缓存、怎么压缩。
这些角色现在都是一个"AI 工程师"在做。但随着系统复杂度增加，一个人做不过来。分工是必然的。
未来 3-5 年，"AI 工程师"这个头衔会变得像"软件工程师"一样笼统——你得说清楚你是哪种 AI 工程师。

这对你意味着什么？

如果你是企业决策者：

当 OpenAI 或 Anthropic 提出"我们派 FDE 来帮你做"——接受，但同时请一个独立顾问做架构评审。确保搭出来的系统不会跟任何一家 vendor 绑死。

FDE 带来的技术深度是真的。FDE 带来的 lock-in 也是真的。你需要前者，但你需要有人帮你防住后者。

如果你是 AI 工程师：

现在是通才最值钱的阶段——什么都会一点的人能创造巨大价值，因为大部分公司还在 0-1 阶段。

但 3 年后，通才会被专才取代。现在开始想清楚你要往哪个方向深扎——eval 、harness 、LLMOps 、数据、context——然后开始积累那个方向的深度经验。

先做通才赚钱，同时选一个方向建深度。这是 2026 年 AI 工程师的最优策略。

如果你做 AI 咨询（像我一样）：

你最大的竞争优势就是"中立"。你不代表 OpenAI ，不代表 Anthropic ，不代表任何 vendor 。

这个"中立"在 FDE 模式大规模铺开的 2026 年会越来越值钱。因为客户在接受了几个 vendor 的 FDE 之后，总会意识到——"我的系统现在跟三家 vendor 都绑死了。我需要一个不代表任何 vendor 的人来帮我理清楚。"

那个人就是你的市场机会。

最后一个判断——

FDE 的复兴不是说明"AI 越来越容易用了"。恰恰相反。

FDE 的复兴说明"AI 越来越难落地了"。

如果 API 文档就够了，为什么还要派人驻场？如果 demo 就能说服客户，为什么还要嵌入 3 个月？如果模型足够好，为什么还需要人去"翻译"？

FDE 的存在本身就是 AI 行业对一个事实的承认——

模型是通用的，但落地永远是具体的。

具体到这家公司的数据结构、业务流程、组织文化、合规要求、政治关系。

而"把通用变成具体"这件事——不管是 FDE 做、独立顾问做、还是内部团队做——永远需要人。

AI 不会替代做这件事的人。AI 会让做这件事的人更值钱。

因为 AI 越强大，"把 AI 落地到具体场景"这件事就越复杂。越复杂，能做的人就越少。越少，价值就越高。

这是一个正反馈循环——AI 越强，FDE / AI 顾问 / 落地工程师就越值钱。

不是"AI 替代了人"。是"AI 创造了一种新的、更稀缺的人的需求"。

而你现在就可以成为这种人。

戒酒的李白 · 发表于昨天 22:49

看起来类似芯片行业的 fae