Forward Deployed Engineer（FDE）的重點通常不只在提示詞或 Demo，而是走進客戶的真實流程，把模糊需求變成可運行、可衡量、有人持續使用的系統，再把現場學到的模式帶回產品。看完這篇，你會知道 FDE 每天做什麼、和相鄰職位差在哪、薪資數字該怎麼讀，以及如何用 12 週做出第一份像樣的 FDE 作品集。
先說結論：FDE 是把技術送進客戶正式流程的人
- 一句話定位：FDE 從客戶問題出發，親自參與架構、寫程式、整合、上線與採用，並把可重複模式回饋產品。
- 它是一種責任模型，不是全球統一職稱：不同公司可能偏全端、ML、資料、基礎設施、售前或現場維運；讀職缺時要看責任，不要只看名稱。
- 學習不要綁死單一 Agent 框架：本文建議把重心放在軟體工程、生產 AI 可靠度、客戶探索與企業限制的交集。
- 來源與職稱未核實的高額總報酬，不能當成 FDE 標準行情：截至 2026 年 7 月 31 日，本文查核的官方職缺只支持各公司、職級與地點自己的刊登範圍，獎金與股權也要分開讀。
🧭 本文的教學錨點：FDE ＝ 工程交付 × 客戶情境 × 生產採用 × 產品回饋。
這四項是本文從現行職缺整理出的常見重心，各公司與職缺的權重不同；用乘法，是提醒自己不要只完成 Demo 就把交付視為結束。
Forward Deployed Engineer 是什麼？先看責任，不要背職稱
在本文聚焦的 AI FDE 情境中，它很像「AI 的最後一公里工程師」。一般產品已經做出能力，但客戶的資料格式、權限、舊系統、流程與成功標準都不同；FDE 要把這些缺口補起來，直到系統能進入日常工作。
OpenAI 的現行 FDE 職缺把責任寫得很完整：從 discovery（探索）、technical scoping（技術範圍）、系統設計、建置到 production rollout（正式推出），成功訊號則是生產採用、可衡量的流程影響，以及能改變產品與模型路線圖的 eval 回饋。Palantir 的 FDSE 職缺則自稱開創這種模式，強調與客戶並肩、親自建置客製應用並從構想到部署全程負責。
但「FDE 不是顧問」也太絕對。OpenAI 的 Deployment Company 公告把待完成收購的 Tomoro 稱為 applied AI consulting and engineering firm；有些公司的 FDE 也會參與售前。更準確的說法是：FDE 是一種工程交付模式，可以存在於產品公司、顧問公司或系統整合商；本文辨識偏 production 的 FDE 時，會看它是否對可運行系統與成果負責。
本文整理的 Forward Deployed Engineer 6 段工作迴圈
1. 看現場：先找真正卡點
客戶說「想做一個 AI Agent」還不是需求。FDE 會先訪談實際使用者，畫出現在的工作流、資料來源、等待點、例外情況與決策人。精確操作可以是一份 discovery-brief.md：列出使用者、觸發事件、輸入、輸出、人工覆核、不可碰的邊界。交付物不是簡報頁數，而是團隊能共同指著說「我們解的是這一段」。
2. 定成效：把「更聰明」改寫成可驗收
把模糊願望改成前後可比的指標，例如工單平均處理時間、人工覆核率、建議採用率、錯誤率、延遲與單次成本。接著寫下 acceptance-criteria.md：哪些案例算通過、哪些風險必須交回人處理。沒有基準值的 AI 專案，很容易只剩一場看起來很順的 Demo。
3. 做薄片：先打通一條窄而完整的路
不要一開始就重做整套平台。先挑一個高頻、邊界清楚的流程，做出從真實輸入到真實輸出的 thin slice（薄片）。例如只處理一種發票、三個欄位與一條人工覆核路徑；先證明能跑，再逐步擴張。這和自己打造 AI Agent Harness的思路相同：先讓最小閉環可觀察，再增加工具與自動化。
4. 接系統：真正的工作常在模型外面
模型輸出漂亮，不代表能進公司。FDE 還要處理 API、資料庫、SSO、RBAC（角色權限）、audit log（稽核紀錄）、重試、冪等、舊系統與敏感資料。把模型想成新引擎，企業整合就是方向盤、煞車與儀表板；採哪些控制依資料敏感度與風險而定，但模型品質之外，整合、權限與運維也會影響能否上線。
5. 評估上線：讓失敗可見、可接手
練習時可先建立 50～100 筆代表性案例的 golden set，記錄正確性、安全、延遲與成本；實務規模則要依風險與資料分布決定。再替超時、低信心與工具失敗設計 fallback，先跑 shadow mode（系統產生建議，但仍由人做決定），再逐步放權。若你還不熟 eval 與 Agent 迴圈，可先讀AI Agent Harness 是什麼與Context Engineering 教學。
6. 回饋產品：把一次性解法變成可重複能力
最後要問：這次為某位客戶做的 connector、eval、權限模式或 runbook，哪些值得抽象成共用模組？哪些仍應保留為客戶特例？這一步有助於累積產品槓桿，並降低難以維護的客製分支持續增加。
真實案例：John Deere 如何把 AI 接進農務流程
John Deere 與 OpenAI 公開的部署案例很適合拿來看 FDE 的思考順序。問題不是「做一個農業聊天機器人」，而是農民要在很短的農忙窗口內學會設定設備、做季前規劃、處理季中異常，並在季末看見實際回報。
- 流程：從購買與設定、季前建議、季中提醒與診斷，一路到季末個人化 ROI 報告。
- 資料與使用者：官方案例描述的輸入包含即時設備資料、歷史用量、天氣與操作知識；OpenAI API 支援的對象則包括客戶成功、經銷商、內部營運與資料科學團隊。
- 可靠度：OpenAI Deployment Company 的案例頁表示，團隊和領域專家檢視數百個真實案例、建立自訂準確度評估並反覆調整。
- 成果：OpenAI Deployment Company 案例頁使用「6x customer engagement」一詞；這是公司揭露的案例成果，本文不換算成百分比，也不把它當成跨公司通用基準。
一個重要的查核細節：案例中「最多少用 70% 除草劑」來自 See & Spray 的相機與精準噴灑能力，不能直接歸因於後來的 AI 客戶成功流程。FDE 的價值，在這裡是把建議、診斷與採用接進既有作業，而不是替硬體效果搶功。
FDE、產品軟體工程師、Solutions Engineer 差在哪？
這張圖比較的是常見重心，不是全球職稱標準。OpenAI 的 Solutions Engineer 明確偏售前探索、Demo、評估與購買決策，FDE 則負責正式系統與採用；但其他公司的 FDE 也可能參與售前。產品 SWE 也可能直接見客戶，只是主要最佳化目標通常是共用產品、平台與長期抽象。
- 選 FDE：你喜歡寫 production code，也願意訪談、縮範圍、處理現場限制，並對採用結果負責。
- 選產品 SWE：你更享受長期平台品質、可擴展抽象與共用功能，偏好較穩定的產品節奏。
- 選 Solutions Engineer：你偏好技術溝通、方案驗證與售前評估；是否同時服務多個客戶，仍要看公司與 JD。
Forward Deployed Engineer 要會什麼？本文整理的四層技能地圖
第一層：生產軟體工程
本文查核的職缺出現 Python、JavaScript／TypeScript、Java、C++ 或相近語言；可先用 Python 入門，再按目標 JD 補第二語言與 full-stack／cloud 能力。Git、測試、除錯、HTTP、SQL、Linux、容器與 CI/CD，則是很實用的工程地基。
第二層：AI 可靠度
若目標是 AI 應用型 FDE，你要能做結構化輸出、tool use、RAG、eval、tracing、重試、fallback，並同時看準確性、安全、延遲與成本。在本文查核的現行職缺中，這些可靠度要求比單一 Agent 框架更反覆出現。想理解完整迴圈，可搭配AI Engineer Roadmap打底。
第三層：企業整合與安全
若目標是企業部署型 FDE，可練習 OAuth/OIDC、SSO、RBAC、多租戶隔離、audit log、PII 處理、API／webhook、queue、on-prem 與 hybrid cloud 的取捨。Google Cloud 的現行 FDE 職缺也把 API、舊資料孤島、安全邊界、eval pipeline 與 observability 列為核心工作。
第四層：探索、商業與溝通
本文的練習建議是每週訪談一位真實使用者，把「我想要 AI」翻成流程、限制、成功指標與驗收條件。再把同一個設計分別講給工程師與主管聽：前者要看介面、失敗模式與維護成本；後者要看採用、風險與成果。
2026 FDE 職缺與薪水：高額總報酬標題怎麼拆？
先把三件事分開：base salary（基本薪資）、bonus（獎金）與 equity（股權）。看到「超高 FDE 年薪」時，先問兩個問題：那筆資料的職稱是否真的是 FDE？數字是基本薪資，還是含股權的 total compensation？本文改用下方可直接核對的官方職缺，不把來源與職稱未核實的高額總報酬當成市場平均或標準。
截至 2026 年 7 月 31 日，OpenAI 官方 FDE 團隊頁列出 15 筆標題為 Forward Deployed Engineer 或 Forward Deployed Engineer (FDE) 的職缺，分布 15 個城市；一個職缺頁不等於一個實際名額。Seattle FDE 刊登 compensation range US$162K～280K 並另提供股權，要求 5 年以上工程或技術部署經驗（包含面向客戶的工作）與最高 50% 差旅；Palantir New York FDSE 刊登 US$135K～200K salary range，另可能有 RSU 與簽約獎金，要求 1 年以上畢業後相關工作經驗、最高 25% 差旅。Google Cloud FDE III則刊登 US$174K～253K，加 15% 目標獎金、股權與福利，要求 5 年軟體開發經驗。
這些數字只能回答「這個地點、職級、時間的官方刊登範圍」，不能拿來算全球平均。更實用的判斷是：先確認職級與地點，再拆基本薪資、獎金、股權、差旅與工作授權；最後才比較總報酬。
FDE 適合你嗎？先做這個工作現實檢查
- 適合：你能在模糊中主動拆問題，喜歡從資料、API 到 UI 全部碰，也願意溝通與說「這次先不做」。
- 適合：你看到正式環境的失敗會想追 root cause、補監控與 runbook，而不是只把 Demo 修到能演。
- 要再想想：你非常排斥需求改動、跨時區、客戶壓力或現場差旅。不同公司的差旅與 incident 責任差很多，面試時要逐項確認。
- 要再想想：你只想研究模型本身，不想處理權限、資料清理、舊系統、培訓與採用。這些「模型外工作」在本文引用的 OpenAI 與 Google 職缺中都占重要份量。
12 週 Forward Deployed Engineer 入門路線
以下是本文設計的 12 週練習節奏，不是雇主公布的門檻。它假設你已經能寫基礎程式；完全零基礎可先完成AI Engineer Roadmap前半段。目標不是保證轉職，而是做出一個真人用過、失敗被記錄、成效能被量的部署案例。
W1～3：工程地基
痛點：作品只有 Notebook，通常不足以呈現 API、部署、權限與運維能力。解法：做一個有 API、Postgres、登入、測試與 logs 的普通 Web 服務。用 docker compose up 能啟動，README 能讓陌生人重現。完成標準：服務部署在線上，錯誤可被記錄。
W4～6：AI 可靠度
痛點：AI 偶爾答對，但你說不出何時失敗。解法：加入結構化輸出、工具呼叫、一組涵蓋代表性失敗模式的測試集、trace、timeout、retry 與人工 fallback。完成標準：evals/results.json能呈現基準、版本變更與錯誤分類。
W7～9：客戶現場
痛點：你解的是自己想像的問題。解法：找一位會真的使用的人，觀察一次完整流程，寫出 discovery-brief.md、流程圖、限制與成功指標。完成標準：對方能指出哪一步節省時間、哪一步仍要人工判斷。
W10～12：生產交付
痛點：Demo 通過，真實使用卻卡在權限與例外。解法：接一個真實資料源與既有工具，先跑 shadow mode，再補 audit log、runbook、rollback 與一次 incident 演練。完成標準：真人連續使用、問題有紀錄，交接後你不在線也能處理常見故障。
作品集怎麼做，才像一次真正的 FDE 交付？
題目可以是客服工單分流、發票抽取與覆核、研究資料整理，或企業知識查詢；重點不是「又一個聊天機器人」，而是完整證據鏈。你的 GitHub 專案至少放這些：
fde-case-study/
├── discovery-brief.md
├── architecture.md
├── acceptance-criteria.md
├── evals/
│ ├── golden-set.jsonl
│ └── results.json
├── app/
├── runbook.md
├── incident-postmortem.md
└── case-study.md- Case study 首頁：使用者、原流程、痛點、基準值、限制與非目標。
- 設計證據：架構、權限、資料流、失敗模式與你捨棄的替代方案。
- 結果證據：eval 前後差異、真人採用訊號、延遲、成本與仍未解的問題。
- 產品回饋：哪個客製需求被抽象成共用模組，哪個保留為特例，以及原因。
如果你用 Claude Code、Codex 等 coding agent 協作，作品集要主動交代你怎麼定邊界、驗證與除錯，才能呈現自己的工程判斷。可先讀Claude Code vs Codex 客觀比較，把工具選擇說成工程取捨，而不是品牌信仰。
FDE 面試準備：程式、系統與取捨三線並行
各公司流程不同；本文從所查職缺與公開準備材料歸納三組能力：coding／debugging、system design／evals、customer discovery／trade-off。Palantir 的官方準備材料強調在開放題中澄清問題、說出思路並做取捨，也建議練習進入陌生既有系統修 bug 或加功能，而不是一律重寫。
- 準備一個「需求很模糊，我如何縮小範圍」的故事。
- 準備一個 production failure：症狀、root cause、修復、監控與避免復發。
- 練習在陌生 repo 裡讀文件、定位程式、加一個小功能並補測試。
- 本文建議先練習用 10 分鐘把同一套架構講給工程師，再用 3 分鐘講給主管。
- 反問真實責任：同時負責幾個客戶、差旅比例、誰接 incident、成功看採用還是營收、哪些現場需求真的進過核心產品。
本文整理的新手常踩 6 個坑
- 先選模型，再找問題：改成先畫流程與基準，模型只是候選零件。
- 把 Demo 當部署：補上真實資料、權限、eval、監控、fallback 與採用指標。
- 每個客戶都開新分支：維護 decision log，固定檢查哪些需求可抽象、哪些必須隔離。
- 只報模型準確率：同時看工作流程時間、人工覆核、採用、延遲、成本與事故。
- 用職稱猜工作：逐條讀 JD，確認售前、寫程式、維運、差旅與產品權限各占多少。
- 被高薪標題推著走：把基本薪資、獎金、股權、職級、地點與工作授權分開比較。
Forward Deployed Engineer FAQ
1. FDE 的中文是什麼？
常譯作「前線部署工程師」或「前置部署工程師」。中文譯名還不統一，求職時建議同時搜尋 FDE、FDSE、Forward Deployed AI／ML Engineer、Deployment Engineer 與 Applied AI Engineer，再用責任內容篩選。
2. FDE 是軟體工程師嗎？
本文引用的 OpenAI、Palantir、Google 與 Mistral 職缺都要求或明列 production coding。差別在主要服務對象與責任範圍：FDE 更靠近特定客戶部署、採用與現場回饋；產品 SWE 更常服務共用產品與平台。
3. FDE 等於 Solutions Engineer 嗎？
不能直接視為可互換的業界統一職稱。OpenAI 的現行職缺把 Solutions Engineer 放在售前，把 FDE 放在正式交付；Mistral 的現行 Forward Deployed ML Engineer則橫跨售前到上線。請看 JD，不要套一條全球規則。
4. FDE 需要訓練模型嗎？
視職位而定，不能用一條規則概括。Mistral 的現行 Forward Deployed ML Engineer要求 fine-tuning 與 PyTorch；OpenAI、Google 的本文樣本則強調 API、資料、RAG／Agent、eval、權限與生產整合。先按目標 JD 準備。
5. 新鮮人可以直接當 FDE 嗎？
有直接入口，但年資要求差異很大。Palantir 目前有 New York Commercial New Grad FDSE，限定 2026 年 12 月或 2027 年春季畢業；OpenAI Seattle FDE 則要求 5 年以上。新手也可先從 backend、data、cloud、implementation 或 solutions engineering 累積交付經驗。
6. FDE 一定要常出差嗎？
職缺規定差異很大，差旅是必問條件。本文查核的 OpenAI Seattle FDE 寫最高 50%，Palantir New York FDSE 寫最高 25%。面試時要問團隊近期的實際季度，而不只看「up to」。
7. FDE 都有超高年薪嗎？
不能用來源與職稱未核實的高額總報酬，代表整個職業。請以你申請的公司、地點、職級官方職缺為準，並分開看 base、bonus 與 equity。
8. 我應該先學哪個 Agent 框架？
先把普通軟體與 eval 做穩，再選框架。先能用模型 API、結構化輸出與工具呼叫完成一條流程，補上測試、觀測與 fallback；之後再依團隊技術棧選框架，較能保留跨框架可轉移的能力。也可參考Claude 省 Token 實戰，學習把上下文與工具輸出當成可管理資源。
給新手的 7 個重點
- 用責任判斷 FDE，不用職稱猜工作。
- 先定工作流程與成功指標，再選模型與框架。
- Production code、資料、權限與可靠度是地基。
- 作品集要有真人、eval、runbook、incident 與採用證據。
- 一次性交付要有回到共用產品或 playbook 的機制。
- 薪資必須拆 base、bonus、equity、職級與地點。
- 面試前問清楚差旅、客戶數、incident 與成功指標。
📚 延伸閱讀
- AI Engineer Roadmap：從零開始的完整學習路線
- AI Agent Harness 是什麼？先懂可靠 Agent 的骨架
- 自己打造 AI Agent Harness：從最小閉環開始
- Context Engineering 教學：把上下文變成工程資產
- Claude Code vs Codex：怎麼選 coding agent？
- 更多 AlphaLab AI 教學與分析
- AlphaLab 課程：把 AI 工具變成可交付能力
結語：先別投 100 份履歷，先完成一個小型部署
Forward Deployed Engineer 最吸引人的，不只是高薪或新職稱，而是你能看見一個模糊問題，親手把它送到真實世界，再用結果修正產品。今天可先照本文的練習建議，選一位真實使用者，用 30 分鐘觀察他的流程；本週交出 discovery-brief.md 與一個可衡量成功指標。當你能把「AI 很厲害」改寫成「這套系統在這個限制下，替這個人改善了這個結果」，你就已經開始用 FDE 的方式工作。