一個合格的前線部署工程師(FDE)要會什麼?五種缺一不可的核心能力

一個合格的前線部署工程師(Forward Deployed Engineer,FDE),是能單槍匹馬走進客戶現場、把一套 AI 系統從「Demo 能動」推到「生產線每天有人用」的工程師——他同時是寫程式的人、聽得懂業務痛點的人,也是敢對客戶說「這條路不對」的人。這句話裡藏了五種能力,缺一種,系統就會卡在某個環節動不了。

我們招募 FDE、也幫客戶評估外部團隊,靠的就是這張畫像。談前線部署工程師能力,別再只問「會不會寫 Python」——那是門檻,不是答案。

先講一個反例

去年我們接手一個製造業的品檢專案。前一手是一支很強的演算法團隊,模型準確率漂亮到可以上論文。上線三個月,產線作業員照樣用肉眼複檢。為什麼?模型判「疑似瑕疵」時,螢幕跳出一個信心分數 0.73,作業員完全不知道 0.73 該不該停線。工程師懂模型,不懂那個站在輸送帶前、每天要做三千次判斷的人需要什麼。

技術沒錯,落地錯了。FDE 的價值,恰恰在技術正確之外的那四件事。

五種能力,一張表看懂

能力	一句話定義	沒有它會怎樣	怎麼驗證
領域理解	聽得懂客戶產業的黑話、流程與 KPI	做出技術正確、業務無用的東西	讓他複述客戶的工作流,看漏了幾步
系統落地	把模型接進既有 IT 環境並穩定運行	卡在權限、資料管線、部署環境動不了	問他如何處理髒資料與邊界案例
客戶溝通	翻譯技術與需求,管理期待與範圍	需求越滾越大,或答應了做不到的事	看他敢不敢當面說「這個先不做」
資安意識	預設資料會外洩,從架構就防	一次資料事故,整個案子歸零	問他 RAG 的權限邊界怎麼切
產品直覺	判斷什麼功能會被用、什麼是雜訊	做一堆沒人點的功能,採用率個位數	看他能不能砍掉自己想做的功能

領域理解:先聽懂,再動手

FDE 進場第一週不該碰鍵盤。他該待在客戶的會議室、產線、櫃檯後面,看真實的人怎麼工作。金融的合規節奏、醫療的病歷邏輯、物流的排程約束——這些不寫在需求文件裡,只活在現場。

我們的判準很簡單:讓候選人用客戶的語言,把對方的一天複述一遍。漏掉的每一步,都是未來系統會踩空的地方。

系統落地:Demo 到生產,中間是一整片沼澤

Demo 環境裡資料乾淨、流量可控、沒人搶權限。生產環境全反過來。真正把 FDE 拉開差距的,是他怎麼處理那些難看的細節:欄位缺失的舊資料、跨系統的身分驗證、半夜跑批次時的逾時重試。

一套 RAG 知識系統在投影片上永遠準。上線後遇到一份 2018 年格式跑掉的掃描 PDF,才知道工程師的底子夠不夠。落地能力不是加分項,它就是「前進部署」這四個字的重量。

客戶溝通:最被低估,也最難教

這是我們踩最多雷的一項。技術強的人常有個盲點——把「客戶說要」直接當成「應該做」。結果需求無限膨脹,交付日一延再延。

好的 FDE 會做一件反直覺的事:當面勸客戶少做。他敢說「這個功能會讓採用率變差,我們先不做」,並說得出理由。溝通不是把話講得好聽,是管理期待、守住範圍、在對的時候踩剎車。這種人,面試時你問他「有沒有拒絕過客戶」,眼神就藏不住。

資安意識:預設一切都會外洩

企業 AI 碰的是最敏感的東西——客戶名單、財報、病歷、合約。FDE 的資安意識不是上線前補一份檢查表,是從畫第一張架構圖就假設「資料一定會被不該看的人看到」,然後反過來設計。

最常見的破口在 RAG:把整個知識庫塞進向量庫,卻忘了不同角色本來就不該檢索到同一批文件。業務不該搜到 HR 的薪資檔。權限邊界要切在檢索層,不是靠 prompt 拜託模型別講。這一關,問一句「你怎麼切 RAG 的權限」就見真章。

產品直覺:知道什麼不該做

前面四項讓系統「能上線」,產品直覺決定它「有沒有人用」。同樣的預算,有人做出十個沒人點的按鈕,有人做出一個天天被用的功能。差別在於,FDE 能不能站在使用者那一側,判斷哪些是真需求、哪些是會議室裡拍腦袋的想像。

回到那個品檢的例子——真正的解法不是再調高模型準確率,而是把 0.73 換成「建議停線,今日同類已誤判 2 次」。同一個模型,加一句人看得懂的話,複檢率立刻掉下來。這就是產品直覺:知道少做什麼、多說哪一句。

這五項,是招募標準也是防線

我們在 Tenten 帶 FDE,不追求五項都滿分的全才——那種人幾乎不存在。我們要的是五項都在及格線以上、且至少一項頂尖,再用團隊把缺口補起來。你評估自家團隊或外部供應商時,也可以拿這張表逐項對照:哪一格是空的,系統大概率就會卡在那裡。

說到底,Demo 很美不算數。工程師撤場之後,現場的人還願意每天打開它,那才算把 AI 真正部署上線了。