8 月底，硅谷两家最值钱的 AI 公司在同一天砸下真金白银，要把 FDE 这个二十年前的老词重新端上桌。
5 月 4 日，Anthropic 联合黑石、Hellman & Friedman、高盛成立一家 15 亿美元的合资公司，要把 Claude 和它的工程师派进中型企业的核心业务里。一周后，5 月 11 日，OpenAI 牵头成立一家 40 亿美元的企业部署公司，由 TPG 领投的 19 家投资机构组成财团，同时收购一家叫 Tomoro 的英国公司——那家公司里大约 150 名工程师，干的就是 FDE。OpenAI 给私募投资人的承诺是五年内每年 17.5% 的回报。
几乎同一周，Salesforce 公开承诺组建一支约 1000 人的 FDE 团队，以小组为单位派到客户那儿，一蹲几个月。Google Cloud 的 CEO 在 LinkedIn 上亲自发招聘链接，一口气放出 59 个 FDE 岗位。Accenture 联合微软成立 FDE 团队，EY 和麦肯锡的 QuantumBlack 都在跟进。
这事传到中国，反应比硅谷还热——但热的方向是反的。过去 4 个月，中文技术圈冒出来至少 6 篇 FDE 万字长文，标题里都带“水土不服”“扯淡”“跑不通”。虎嗅的杉森楠那篇直接叫《FDE 为什么在中国是扯淡的》，是看过的最狠的一篇。阿优科技拆了五道坎，53AI 拆了三道现实矛盾，今日头条的老杨写了一篇《这活儿国内九成的公司干不了》。把“水土不服”和“扯淡”和“跑不通”这几个词当标题关键词的文章，加起来阅读量过了百万。
我同意他们的大部分判断——FDE 的“驻场”形式在中国跑不通，理由他们讲得很细。但我想讲他们没讲的那一半：FDE 真正值钱的不是驻场，是把现场趟出来的经验沉淀成可复用资产这个飞轮。飞轮这一半，在国内其实有人干得不错，只是没用 FDE 这个名字。
驻场值钱吗？值钱。但不是最值钱的
要理解 FDE，先放下中文圈吵得最凶的“驻场”两个字。
FDE 是 Palantir 在 2003-2005 年之间造出来的岗位，二十年历史。最早的客户是 CIA、NSA 这类情报和国防机构。这类客户有一个共同特点：他们没法把需求写清楚。数据是保密的，工作流程是保密的，遇到什么问题也是保密的。不可能像普通 SaaS 那样发一份需求文档、开几次远程会议就把软件做出来。Palantir 的解法是直接把工程师派到客户现场，长期驻场，在现场把流程摸清楚，再做出来。
但这套打法最值钱的地方不是驻场——驻场只是手段。真正值钱的是驻场过程中趟出来的东西，会被带回去沉淀成 Palantir 平台的标准能力。Palantir 内部管这个飞轮叫 acquire → expand → scale：前期不计成本地驻场拿下灯塔客户，中期把现场经验产品化、沉淀到平台里，后期靠软件订阅实现规模化盈利。等到下一个客户进来时，平台已经自带这些能力了，定制成本一笔笔往下降。
这套打法也催生了 Palantir 内部两个经典角色——Echo 和 Delta。Echo 是懂行业的人，负责把客户专业领域的语言翻译成技术需求；Delta 是工程师，负责把解法在客户环境里真做出来。两个人一组，一个管“翻译”，一个管“实现”。FDE 这个 title 主要就是从 Delta 演化来的——把工程师部署到客户前线。
最广为流传的案例发生在 2004 年前后。美军在伊拉克和阿富汗最怕的是路边炸弹。驻扎在战场的 Palantir 工程师发现，士兵们不需要什么花哨的情报图表，只需要一个能在地图上标注“这条路可疑”的简单工具。工程师当场拼了个简易地图，士兵点一下就能标出风险路段，让其他人立刻看到并绕开危险区域。这个看起来简陋的工具，后来沉淀成了 Palantir 平台的标准功能。
这套打法在 Palantir 内部运转了二十年。FDE 的人数一度占 Palantir 员工总数的一半。二十年间，Palantir 累计从顶级工程师里输出 100 多家创业公司，融资额超过 116 亿美元，单是 Anduril 一家今年 5 月就融资 50 亿美元，估值到 610 亿。每届 YC 创业班里，前 Palantir 员工创业的项目数比前 Google 员工还多，尽管 Google 员工规模是 Palantir 的约 50 倍。投资人圈里把 Palantir 叫“终极创始人工厂”。
所以 FDE 这个词被重新端上桌，本质不是工程师岗位创新，是这个飞轮的逻辑又变得稀缺了。
为什么是 2025-2026 重新端上桌
三个原因叠在一起。
第一个原因，AI 落地遇到的是和当年 Palantir 服务 CIA 一模一样的困境：模型能力现成的，但每家企业的数据、权限、工作流都是黑盒。客户自己可能也说不清楚，远程会议完全摸不透。MIT 有一个叫 NANDA 的研究项目，访谈了 150 位企业高管、调研了 350 名员工、盘点了 300 个公开 AI 部署试点，结论是 95% 的企业生成式 AI 项目没有产生可量化的经营影响，全球已经为此投入了 300 到 400 亿美元。这个数字学界有争议——“成功”的口径被定得偏严，但“模型很强、落地很惨”是行业共识。
第二个原因，FDE 岗位在过去一年里突然变得极缺。招聘平台 Indeed 的数据显示，相关岗位从 2025 年 4 月的 643 个飙到 2026 年 4 月的 5330 个，增长 7 倍多。YC 孵化器的招聘网站上，超过 100 家 AI 公司同时在招 FDE——三年前这个数字是 0。专注 AI 人才招聘的 KORE1 估算，全球真正具备“为企业客户部署过生产级 AI 系统”经验的工程师不到一万人。
第三个原因，钱到位了。Anthropic 跟黑石、两家顶级 PE 和高盛资管合资 15 亿美元；OpenAI 的部署公司从 19 家投资机构手里拿了 40 亿美元启动资金；Salesforce 公开承诺组建约 1000 人的 FDE 团队。共同判断很一致：模型同质化之后，部署能力才是真正的护城河。
OpenAI 给投资人承诺的 17.5% 五年回报能不能兑现，我没把握。但有一个数字是有据可查的——OpenAI 2026 年净亏损预计 170 亿美元，年化营收 200 亿美元。他们一边在烧钱研发下一代模型，一边把巨额资本砸到“最后一公里”上，说明他们自己判断模型这端已经接近天花板，部署能力才是下一阶段分胜负的地方。
中国为什么水土不服——他们讲得都对，但可以再补几个细节
中文圈那 6 篇万字长文已经把这事拆得很透了。我不复述全部，只补几个他们没提或者一带而过的细节。
第一，最低评标价法是写进法规的。《政府采购法实施条例》第 34 条明确，技术服务等标准统一的货物和服务项目应当采用最低评标价法。广东财政厅 2023 年的一份专项审计显示，省内 72% 的政务软件项目采用了最低价中标，其中 41% 的项目中标价低于行业合理成本。在这套规则下，FDE 派工程师驻场“理解业务”这件事根本不可能被写进合同，也不被算进标价。
第二，国内 SaaS 飞轮不存在。2024 年中国 SaaS 市场只占全球的 6.5%，约 259 亿美元；同期美国一国就有 1507 亿美元。中国的云渗透率只有 15.8%。大企业和国企出于数据安全和既有 IT 投资惯性，强烈偏好一次性 License 买断和私有化部署。FDE 的经济模型依赖订阅飞轮——前期重投入，后期靠续费摊薄——这个飞轮在中国几乎不存在。
第三，资本市场不允许中国 ToB 公司亏损 20 年。Palantir 亏了 20 年，2023 年才实现第一次全年 GAAP 盈利，靠的是美国一级市场 + 上市后的耐心钱。用友 2024 年净利润 -20.61 亿，金蝶国际 -1.42 亿，连续 5 年亏损，已经被价格战压得喘不过气。没有任何一家中国 ToB 公司被允许这样烧钱养 FDE 团队。
第四，人才飞轮方向反的。IT 桔子 2024 年的统计显示，90% 的中国 AI 创业者出身大厂名企（百度、阿里、腾讯、华为、字节），明星创始人的履历模板是“前字节、百度、华为研发”——几乎没有“前某乙方交付工程师”的背景。经济激励摆在那儿：国内交付实施岗应届年薪 10-15 万，同级别大厂研发 30-55 万；用友 2025 年 6 月挂的实施运维工程师 5000-8000 元/月，金蝶 ERP 专员 5000-8000 元，实施人员低到 4000 也有。顶尖人才被经济信号引导去做算法、做研发，不是去驻场做业务。
第五，甲方组织内部就是不信 AI。MIT NANDA 的报告说，95% 的企业试点失败是失败在组织层面——老板没真信、员工暗中破坏。报告数据显示，29% 的员工承认在暗中破坏公司的 AI 战略，Z 世代这一比例是 44%；76% 的高管承认员工抵制是公司 AI 化的严重威胁。Gartner 把这叫 “AI Dropout Effect”——员工把 AI 视为威胁时，会焦虑或退缩。
但双向沉淀的飞轮，国内有人在转
说了这么多“为什么不行”，我得说另一半。FDE 真正值钱的飞轮——把现场经验沉淀成可复用资产——国内其实有人干得不错，只是没有挂 FDE 这个名字。
上海有一家叫识渊的科技公司，做的是消费电子产线的 AI 检测。客户工厂里换一次型号，过去工程师要在设备旁折腾少则两三个小时、多则大半天。识渊的团队接手后，工程师白天守在产线旁采集异常样本，晚上回实验室反复迭代模型——这个循环跑了几个月，把换线时间压到了 55 秒。同一套产线能支持的换产型号从单日 5 款扩展到近 300 款。干的事情跟 FDE 没两样——工程师长期驻扎在客户现场，白天现场、晚上迭代。
金融行业也在用类似打法。2026 年上半年，金融行业大模型中标项目 406 个，同比增长 110%。六大国有银行 2025 年金融科技投入突破 1300 亿元。这批项目的共性是头部银行出预算、AI 厂商出工程师、双方在项目周期内共创——形态上就是 FDE 的中国版。
美团今年讲了一个更系统的故事。8 月中旬，核心本地商业 CEO 王莆中复盘上半年 AI 转型：先搞了两个月“全员养虾”——十万员工八万人上手、两周产出十万个 Skill、每天烧掉上千万算力，结果 AI 一本正经编出来的错误结论混进了真实经营；然后 4 月起各事业部成立专门 AI 组织，6 到 7 月内部赛马跑通上千个项目，最后 7 月上线 CatPaw 全场景 AI Agent 平台。CatPaw 把美团在本地生活攒了十几年的行业认知——门店评价诊断与优化、商品文案生成、营销物料设计评估、活动策划、经营数据分析——封装成即装即用的专家与技能。员工不用再从零折腾，装上就用。9 万员工在用，搭出 3 万个 Agent。
识渊、金融厂商、美团 CatPaw，干的都是 FDE 的中国变体——只是不叫 FDE。共同点是工程师驻扎在客户现场或业务现场、把行业 know-how 沉淀成可复用资产。区别在于：识渊和金融项目做完后，沉淀的资产在客户自己手里；美团 CatPaw 是沉淀在平台里，能复用到下一个客户。
这是双向沉淀的两种形式。前一种是项目化的“做完一单、沉淀在客户那儿、下次从零开始”，后一种是平台化的“做完一单、沉淀在平台里、下次复用”。
国内大部分 FDE 变体还在前一种。
三个改造：双向沉淀在中国怎么跑通
双向沉淀的飞轮在中国不是跑不通，是需要改造。
把“驻场”换成“陪跑 + AI 工具”。驻场贵，是因为人在现场时间太长。把现场时间压下来，方法是用 AI 工具替代一部分重复性工程劳动。阿优科技在做的事可以参考——他们给客户的报价里把“重人力驻场”换成了“一人 + 一组 Agent”，过去三个人干一个月的流程梳理 + 系统搭建，现在一个人加一套工具链两周出第一版。成本降下来之后，几十万人民币客单价的项目第一次算得过账。这条路有两个前提：一是客户得有明确的、可被拆解成“4 周一个里程碑”的小周期场景；二是 FDE 团队本身要会用 AI 工具，不是把人换成工具，是把判断 + 工具组合成新产能。
把“双向沉淀”显性化。驻场养不起，但“沉淀”养得起——前提是沉淀这件事被显性化。具体做法是每做完一个项目，强制抽象出至少 2 个可复用业务组件，归档到内部组件库。这件事不性感，但缺了它就退化成“高级外包”——下一个客户还是从零开始。腾讯云的一份 FDE 行业报告里提了一个判断标准：第一个客户需要 10 人月交付，第十个同类客户仍然需要 10 人月，就说明模式没跑通。能让交付成本逐次下降的，是组件库。更难的沉淀是行业知识——把客户的隐性知识显性化。这件事在中国客户身上普遍抵触，原因不是技术，是组织：客户的业务负责人会觉得“沉淀进你们系统 = 我失去信息优势”。这事没法硬推，只能用“封装成对客户也有用的工具”换信任，让客户自己愿意参与沉淀。
把“客单价”换算成“业务指标改善计价”。FDE 在中国跑不通，最直接的原因是客单价撑不起驻场成本。一个几十万人民币的项目扣掉硬件、软件、税费和管理费，根本容不下长期驻场的人天。改造方式是不按人天报价，按业务指标的改善报价——“流程时间压短 X%、人工成本节省 Y%”。阿里敢公开报研发效率提升 21%，前提是先有“代码采纳率”这样的统计口径。改造计价方式的前提是先定义清楚什么是产出。这一步最关键，也最难。大多数客户不想为指标买单——他们想为“做完了”买单。但做过几次之后，指标的改善数据本身就是销售材料，比按人天报价更让客户买得安心。
我们自己在做的事
我们干的就是 FDE 的中国变体——只是不叫这个名字。
我们做的是帮企业把纸面流程做成系统（数字化），再帮企业把系统接上 AI（智能化）。干的事情说穿了就是双向沉淀：把客户的业务流程、隐性知识、踩过的坑，沉淀到能复用的系统组件里，下一个客户能从这些组件出发。
美团式的“封装 16 年行业认知为即装即用技能”对中小企业做不到——他们没有美团那种 16 年沉淀的行业数据。但“封装行业经验为可复用组件”这件事，对每个客户都能做。客单价上不去 100 万的，我们就用“小颗粒度”换“可叠加”——每次交付沉淀 2-3 个组件，多做几个客户之后，组件库就能撑起新场景的前 60% 工作量。
这一行的本质就是 FDE 的双向沉淀——只是把驻场成本换成了 AI 工具 + 显性化的组件库 + 按业务指标计价。
硅谷靠高客单价扛过了前期沉淀成本，国内项目撑不起这个数字。
我们平时给客户做的定制开发，大半就是这条链路的前半段：把一条纸面流程做成系统，数据能算、结果能验，AI 再往上接。如果你手头有流程跑得乱但说不太清楚、或者有系统想接 AI 但拿不准先上哪个场景、账怎么算，可以在公众号后台留言，聊聊不收费。
两篇旧文可以接着读：上一期《美团烧掉几亿买来的顺序：先数字化，再智能化》把“先数字化、再智能化”这个顺序讲得更细；想理解 token 怎么算钱的，《图解AI 01｜Token：AI 眼里没有字，只有编号》搜「图解AI」可以从头读。行业观察讲判断，图解AI 讲概念，关注不迷路。
