背景:2026 年 6 月 30 日,AWS 宣布投入 10 亿美元组建 FDE 组织,把工程师以 45 天冲刺的方式嵌入客户团队。两天后,微软成立 Frontier Company,投入 25 亿美元、6000 名工程师做同一件事。再往前推几周,OpenAI 花 2.95 亿美元收购 Tomoro 成立独立部署公司,Google Cloud 把嵌入式 FDE 团队挂进产品组织,Anthropic 联合 PE 让被投企业大规模部署 AI Agent。五家公司都在押注同一类岗位:派人到客户现场,把 AI 从 demo 变成生产系统。AI 透镜是腾讯研究院发起的 AI 时代行业观察系列,关注技术、组织与商业现场的真实变化。行业圆桌是其中面向一线从业者的讨论形态:不只做趋势解读,而是把正在发生的岗位、打法和组织实验摊开聊。我们请到了两位一线实践者——Cresta AI Agent FDE 负责人钟钱杰和 Ventus AI 联合创始人陆骁鹏,与腾讯研究院高级研究员余一、资深专家王鹏一起,围绕七个问题展开讨论:FDE 到底是什么,它和外包、实施有什么本质区别;从 demo 到生产的复杂度被严重低估了多少;「蒸馏」为什么决定了这套模式能不能当生意做;Palantir 十年前的 FDE 和今天是不是同一物种;什么样的企业和老板才推得动 AI;中国能不能跑通;以及工程师还值不值得走这条路。这场讨论的最后一个问题留了半个答案:中国到底能不能跑通 FDE?今晚(7 月 8 日 20:00)AI 透镜行业圆桌第二场,句子互动李佳芮、BISHENG覃睿、CodeWisdom茹炳晟、腾讯研究院余一和王鹏,将围绕在中国做FDE ,来拆解AI最火岗位的本土真相。欢迎在腾讯研究院视频号收看直播。
调研嘉宾简介:钟钱杰(Jove)Cresta AI Agent FDE 负责人。在北美、澳洲和欧洲领导 30+ 名资深 FDE,为航空、金融、医疗等头部企业落地生产级 AI Agent。2026 年在 Propel 26 大会获 FDE Team of the Year。此前在 IBM、EMC、Splunk 有超过 20 年工程经验,曾创业四年做实时数据分析。复旦大学毕业,现旅居温哥华。 陆骁鹏(Vincent)Ventus AI Co-founder & CTO。2024 年创办 Ventus AI,获 a16z 投资,聚焦北美医疗行业 AI 落地,服务 300+ 家诊所及医疗机构。CMU 毕业,曾回国工作两年,对中美两地 FDE 生态有一线对比视角。余 一 腾讯研究院高级研究员,AI 透镜系列主理人,5000小时AI First实验者,腾讯研究院AI原生联合负责人。研究和实践AI原生创新及组织战略、超级个体及AI数字分身等课题。多年创新孵化和投资经历,曾负责多个腾讯创新加速器项目,在腾讯之前是知名美元基金副总裁。
王 鹏 腾讯研究院资深专家,教授级高工。【透镜速览】关于FDE七问的一线解答FDE 到底是什么?为什么五家巨头押注的竟是三种打法?同一个季度,五家巨头砸钱押注同一类岗位,但核心张力不在于谁投得多,而在于 FDE 天然随公司阶段和商业模式变形。钟钱杰在 500 人的 Cresta 加了一个词 Product:团队花三分之一时间改产品代码,上午在客户现场看到问题,下午提 PR,明天上线。陆骁鹏在 10 人的 Ventus AI 里,FDE 从售前跟到售后、背商业指标,恨不得一个人当十个人使。而模型公司做 FDE,钟钱杰的判断很直接:本质是想多卖 token,模型恰恰是最容易被替代的一层。定义的分裂本身就是信号:FDE 是一个按需长出来的角色,试图拿一个标准定义去套,注定对不上。FDE 和外包、实施、解决方案架构师,分野到底在哪?国内工程师听到 FDE,第一反应是对标驻场工程师、外包、解决方案架构师。钟钱杰的切割很硬:任何你能教会客户的,就不是 FDE——SAP 实施可以教会客户,AI Agent 的幻觉和延迟偏偏教不会。陆骁鹏在 10 人的 Ventus 更诚实:早期 FDE 就是解决方案加实施,从售前跟到售后,一个人当十个人使。分歧不在名字,在公司阶段:Cresta 有专门 SA 对接 Five9、NICE 那些老系统,FDE 专注 AI Agent;Ventus 还在把所有活揉在一个角色里。没有产品可改的 FDE,堆人头卖时间,跟外包没区别。从 demo 到生产,为什么说不是「最后一公里」?一个语音 AI Agent 背后可能同时跑 20 个模型,从 ASR、打断判断、噪音隔离到 RAG、Tool Call、多模型并发 Guard Rail,再加上 PCI 或 HIPAA 合规审计动辄半年一年。钟钱杰给了一个很具体的比例:花一周把端到端走通,然后花一个月写几千几万个测试。这些测试不是传统的 unit test,你要用历史通话训练小模型去模拟急躁的客户、牙齿掉了吐字不清的患者。这种复杂度解释了一个核心事实:不是客户没有工程师,是 AI Agent 的复杂度超出了传统工程团队的经验边界。「蒸馏」为什么是 FDE 商业模式成立的前提?如果 FDE 做完一个项目、下一个又从零开始,那跟外包堆人头没有区别,甚至不如外包。陆骁鹏给了一个精确的切割:散落在每个人脑子里的经验不叫沉淀,汇聚成具象化的知识库或 Skill 才叫沉淀。钟钱杰的团队已经走到下一步:把内部蒸馏的成果集(Markdown、CLI、script)封装成 agentic 工具,客户说想做什么,后面自动调用最佳实践去尝试。一个 FDE 做过五六个保险 Agent 后,对行业词汇和流程驾轻就熟,换一个完全新的厂商跳进去,技术可能还行,但客户很容易觉得你是外人。有了大模型和 Skill,经验蒸馏复用才成为可能,FDE 才从一个人力服务变成了一个商业模式。
蒸馏可复用,是FDE从人力服务变成商业模式的分水岭Palantir 做了十几年的 FDE,和今天还是同一物种吗?名字一样,物种已经变了。十年前 Palantir 的 FDE 难沉淀、难改产品,许多出来的人抱怨对 Foundry 没有话语权——「你自己不会用,看文档去」。今天 AI coding 把炮声变成了 PR:听得见痛点的人,可以大刀阔斧改仓库。另一层变化在供需:上一波靠商务关系卖人头,签几年合同慢慢交付;这一波大客户内部推力指数级上升,产品却没到百分百,FDE 成了填缺口的人。但模型公司做 FDE 和 SaaS 公司做 FDE 动机仍不同——前者多烧 token,后者让产品更强。Cresta 还配了二十多人的 FDPM 团队,迷你 CTO 和迷你 CEO 分工。Palantir 值得尊敬,复制 Palantir 不等于复制成功。什么样的企业和老板,才走得通最后一公里?两位嘉宾从供需两侧印证了同一个判断:能推动 AI 的企业只有一个共同点,老板自己得 AI native。陆骁鹏在医疗行业服务过的老板里,有这种思维的最多 5%,策略六个字:先搞定标杆,向下推。钟钱杰从供给侧看到同步变化:去年还要费口舌鼓励大客户做 AI 化,今年大爆发,没人愿意做最后一批被淘汰的人。中间层的阻力来自利益互斥:你把每个人的能力蒸馏了,这个人就没有太多存在的必要了。没有 C-level 支持几乎推不动。这对 AI 落地公司意味着一个窗口:模型越来越强但没强到傻瓜式的时候,抢到的山头下来很难。
95%VS5%:企业AI落地的真实筛选中国能跑通 FDE 吗?工程师还值得走这条路吗? 高客单价是前提,但更底层是付费习惯和认知。国内老板常觉得「两三个人捯饬捯饬也能做出来」;客户甚至直接问:你给我两个人陪我玩,我为什么不能自己招两个人考核?钟钱杰在讨论里反复被引用的一句话是:最怕的幻觉是老板有幻觉。陆骁鹏认为商业环境慢慢会变好,但 FDE 解决的是怎么把标准方案真正用进企业。同一条讨论也落到人:钟钱杰给团队 AI native 打 9 分,面试却看你在 Claude Code 里哪些东西是反驳 AI 的;陆骁鹏打 1 分——每个人效率高 10 倍,整个企业可能只高一两倍。7000 份简历、二十几个 offer,录取率不到 0.3%。FDE 是走出密室的逃脱口,前提是你得比 AI 凶。
AI时代工程师的分叉路径完整访谈余一:大家好,很难得我们 AI 透镜系列是在上午进行,一般我们都在下午和晚上,这可能是大家第一次在早上追更我们的直播,上午就开始学习和健脑时间。之所以选这个时间段,因为今天比较特殊,我们特地邀请到两位分别在加拿大和硅谷的朋友,现在的时间刚好是我们在上午、他们在晚上,所以选择了这个时间段。这一次的话题,为什么我们非得请到两位在一线的朋友跟我们一起做分享?因为如果大家关心最近的新闻,会发现 OpenAI 也好,Anthropic 也好,Google 也好,我们称之为「御三家」的大模型公司都有一些新的动作,不管是收购其他公司,还是组建新的公司,还是和其他公司一起并购成立新公司,都在提到一个词叫 FDE。中文名字的翻译我已经听过非常多种,有叫前线部署工程师的,后面我们也会跟两位嘉宾一起聊,他们觉得自己更认可哪个中文语境下的翻译。这一次的主题,我们也同样非常关心:说到底 AI 的部署,尤其是今年会感觉到整体加速的情况下,这个岗位在硅谷、在美国这些更先一步的公司,到底是怎么做的、怎么建的,大家的角色甚至团队的角色是怎么样的。所以我们邀请到了两位非常有发言权的嘉宾,一个是整个公司就是做 FDE 的,一个是一家独角兽公司的 FDE 负责人,目前团队有30人,据说要快速扩张到100人。另外跟我联合主持这次讨论的是腾讯研究院的资深专家王鹏老师。如果大家有关注王鹏老师的视频号,会发现我们俩在过去很长一段时间内经常提到这个新岗位和企业部署的问题,我们在内部也通过内参的方式写了不少关于 FDE 的相关研究。所以这就是这场讨论大家可以期待的地方。有什么问题大家也可以在评论区留言,我们会实时看大家关于这个方向的新问题。我们之前已经收集了一些相关问题,所以今天正式的 AI 透镜圆桌就正式开始。进入正式讨论环节,就请两位嘉宾和王鹏老师依次介绍一下自己。钟钱杰:大家好,主持人好。虽然说是晚上,但你看这是真实背景,不是虚拟桌面。现在刚刚日落,温哥华还是挺舒服的。我现在算是旅居温哥华,在北美过来大概九年时间,就职于 Cresta。像主持人说的,我们是一家独角兽公司,总部在湾区,专注于用 AI Agent 来重塑客户体验。当然不光是呼叫中心,现在也有很多中小型公司就算没有呼叫中心,也希望用 AI 来帮他回答问题、处理业务。我在 Cresta 的 AI Agent FDE 担任 Head,现在团队应该快不止30个人了。我们在加拿大、美国、欧洲、澳大利亚都有 FDE 已经入职,另外还有十几个人已经签了 offer 还没入职。我们为航空、金融、医疗等很多头部企业(比如 Alaska Airlines、万豪这些公司)落地生产级的 AI Agent。正好比较巧,上周我在硅谷出差,拿了一个奖可以炫耀一下:FDE Team of the Year,由行业比较权威的一个会议 Propel 26 颁发。所以也很荣幸我们团队能够获得快速生长并获得行业认可。我自己的背景是03年初复旦毕业,之前在 IBM、EMC、Splunk 有超过20年工作经验,一直做工程、中层总监,做一些大型系统、拿一些专利。加入 Cresta 之前,我有四年时间是自己创业,做实时数据分析。我觉得这也是一个很有趣的点,回头可以讨论一下 FDE 和创业之间的关系。更多时间留给其他嘉宾。陆骁鹏:Hello大家好,首先非常感谢组织这次活动。我叫 Vincent,是 Ventus AI 的 Co-founder 和 CTO。我们公司从2024年年中开始做起,当时开始做的时候,我和我的合伙人就决定要做北美的垂直领域。为什么选择这个赛道?主要原因是我们觉得硅谷的技术很先进,大家也都非常 excited 想做最新的技术,但真正能把技术运用到垂直领域里,让各行各业的专家把专业知识和 AI 结合在一起从而发挥更大优势,这是我和合伙人想一起做的切入点。我们公司是24年年中那一轮被 a16z 投了。现在我们 focus 在北美的医疗行业,在医疗行业里做一些 AI 真正的应用,我们叫 AI teammates。在这个过程中,因为医疗行业有它的特殊性,所以必须用到一些 FDE,这一会儿可以展开说。对于我个人,我是21年从 CMU 毕业,当时纯做 AI research 的背景,但觉得创业更有意思也更 challenging,所以从21年开始就一直在创业、在折腾。中间很有意思的是我还回国工作了两年,当时在国内也了解到了国内版本的 FDE 大概是什么样的情况。所以这一次自己又回到湾区来创业,也对比了两边 FDE 相关的同与不同。一、FDE 的定义与模型的不同下注
同一个岗位名,三种截然不同的运转逻辑余一:OK 我们最开始先做一个定义,或者说这个角色的界定。FDE 刚才王鹏老师也说了,这个角色对于很多国内的人而言是一个新东西,但在全球范围内 Palantir 已经做了十多年了。不过这个职位变得这么火爆,应该也跟这一轮 AI 有关。大家刚才提到关于翻译的问题,我已经看到好几种版本:前向部署工程师、前线部署工程师……不变的可能就是「工程师」和「部署」这一块。所以我想听一下钟钱杰和陆骁鹏,你们是怎么定义这个角色的?目前整个市场上关于 FDE,是不是 FDE 本身里面还有不同类型的岗位?我之前也看到说好像现在有三种类型的 FDE,请两位给我们介绍一下你们的认知,以及现在整个市场关于 FDE 这个职位和岗位的一些新情况、新变化。钟钱杰:我觉得只要不要叫「前端部署工程师」就好,因为「前端」这个词太容易跟前端开发搞在一块。顺着来说吧,因为是互动式讨论,我也不想一大段说5分钟10分钟。哪怕你是一个前端工程师或后端工程师,其实大家多少会有些迷茫,因为现在 AI 越来越强了。我觉得先下结论:FDE 确实是一个走出密室的逃脱口。尤其如果你对自己的工程能力很有信心,对自己解决问题的能力有信心,也对跟人接触并不发怵(当然如果你很乐意躲在房间里编代码那另当别论),但如果你本身技术能力比较强、也愿意用自己的技术让事情发生,FDE 是一个很好的出口。而且我觉得短期内,一两年、两三年都不会有一个所谓的 AI 版的 FDE,因为这里面有太多人的成分。长话短说,我的定义是 Forward Deployed Product Engineer(FDE):不光是要把产品落地、把方案做出来,而且要能够把一线的经验带到产品里面去,让产品变得更好。当然这跟每个公司的做法不一样。我们公司的特点是本身还是个 SaaS,有非常复杂的功能集,可能有几千个 API、几万个功能。这些功能全部让客户买了单之后自己去学,可能学三个月、半年都不见得能用那么好。尤其是现在的复杂性不光是软件功能的复杂性,AI 的复杂性也非常大,你到底是 OpenAI 的 5.1 还是 5.2 还是 5.3,它们之间的细微差别;你的 prompt 到底是把对应表格写成 Markdown table 比较有效,还是写成几个 section 比较有效?有很多细节其实并不显然。就算客户有几百人、几千人的工程团队,他们不见得像我们团队这样是很强的 AI 专家。所以这个复杂性就在那里,不管是软件本身的复杂性,还是 AI 本身带来的复杂性,如果让客户自己去学或慢慢踩坑,时间太长了。我们现在经常是一个项目两个月、三个月就做完了,客户就可以有一个能替代呼叫中心的 AI 版本。打电话进来不用等半小时、一小时听音乐,直接进来就可以说我要干嘛、告诉订单号、问能不能改签、大概要多付多少钱,这些比较无聊的事情都可以让 AI 做掉。对于这种 AI 的落地,FDE 是一个非常好的模型。但至少对我来说,我的做法是:这些部署到前端的工程师拿了前端的信息(哪些东西用起来比较好用,哪些产品有问题或有缺陷)再把这些东西带到产品里面去,直接去改。这是很重要的地方。包括我自己和我的团队,可能花三分之一的时间在不停改产品本身。因为我们不光是听到炮火,炮弹就在我们身边炸了,我们很清楚哪些东西好不好。而且这些人招的时候都是按非常高的标准去招的,非常 full stack,甚至像一些迷你的 CTO 一样。所以一旦知道问题在哪里、怎么改进,利用现在的 AI 很容易就能同时改好几个 repo,同时把事情做起来,再人工测验一下就可以了。因为现在 AI 编程这么强,导致我们这些在一线处理真实落地的人,能够知道应该往哪里改,然后回过头来让 AI 生成 PR 自己去改,产品就会越来越强,其他 FDE 就可以做一些更高级、更难、更新的事情。这样一个迭代就可以让平台变得越来越强大。当然永远不会有一天是客户无脑拖拽就能做(这个世界在往前走),但我们永远是让平台变得更强大,客户那边的质量变得很高。我们不是不管,也不是卖人头,也不是做咨询,我们有一个很强的产品思维。所以我觉得这是比较有效的做法。当然,包括上周我在旧金山开那个会,会上本身都是一堆做 professional service、卖客户服务的人。他们很有意愿说能不能通过 FDE 这个模型按小时、按人头算钱来创造 revenue。我自己是不认同的,因为我自己是不背指标的,我们 FDE 本身不直接向客户收费。我们就是产品的一部分,相当于你买一辆车,司机是帮你配好的;你买个咖啡机,有一个人帮你把咖啡做好。所以我们是产品的一部分,而且带有很强的属性是让产品变得更强。不知道陆骁鹏这边怎么看?陆骁鹏:在我的理解里,FDE 匹配上国内的两个岗位就是解决方案加上实施,至少在我们公司里是这样的。为什么这么说呢?我觉得要定义 FDE 这个岗位,首先还得从为什么有这个岗位说起。为什么在这一波 AI 浪潮里 FDE 这么火?本质原因我觉得是因为软件开发以及需求收敛的速度,跟不上用户想要的产品功能迭代速度。所以才导致在 SaaS 主产品 cover 不了的内容里,因为客户是 enterprise、是 KA 大客户,他需要这些功能,就需要有 FDE 这个角色来 bridge the gap,把用户需求和产品主功能之间的桥梁构建出来。往回看国内的企业服务,公司有一个中台系统,怎么去给客户交付呢?客户的数据散落在各个地方,有各种不同的定制化需求,就需要解决方案。方案出来之后谁去交付?如果能收纳到平台里让产品去做,就变成了研发需求;如果做不了,就是实施驻场开发去做。所以这就是我理解的 FDE,先出一个解决方案,然后部署实施。至少在我们做美国 healthcare 场景里,目前大概是这么一个角色定义。王鹏:听下来,国内的工程师一定会有一个疑问。其实钟钱杰刚才明确说了这个东西是要做在产品团队的,而 Vincent 说的对应国内的解决方案架构师算是售前岗位,外包、定制开发算是售中甚至售后的岗位。我觉得这是有分歧的,你们两位怎么看?钟钱杰:对,而且这个分歧你看最近大概两个礼拜之前出了好多事,OpenAI 成立一个公司,好像花了10个亿,又买了公司。Anthropic 也是跟一堆公司投,而且它还不跟埃森哲玩,它跟一些大的 PE 去玩,而且那个模式也很神奇:它跟机构合作,让机构动员旗下投的公司来用 FDE,这样应用层的 token 就会烧得很厉害。所以 OpenAI 和 Anthropic 在搞这个事情。Google 最近好像也是上周 announce 有一个 FDE team,而且 Google 的 FDE team 从属于产品团队。我觉得我们的理念跟 Google 比较接近,因为我们是一个非常复杂的 SaaS,不管你打分是80分还是95分,总归有一些空间是客户很难自己动手的、可以改进的。我们是通过 FDE 把事情做成,且不停找到产品可以改进的地方,让产品变得越来越完善。所以 Google 的做法是 FDE 既要落地也要改产品,我们也是这样做的。OpenAI 的做法更多是想多卖一些 token,又不想让那些年薪几百万的工程师去做这个事情,觉得整个故事讲得不好,所以愿意分出一些公司,招的稍微便宜一点,整个故事好看一点,自己只 focus 做模型。但反过来说,我觉得模型反而是最容易被替代的。坦白说对我来说,Cresta 的护城河不在模型。我们一个会话里面可能会用到二十几个模型,我们要确保今天用 OpenAI、明天用 Anthropic 都能切换。我们的护城河更多在于整个栈要非常低延时、Tool Call 非常准确、RAG 做得非常好。对我们这些 AI 应用非常重的公司来讲,需要通过 FDE 把复杂的东西藏起来,且让内部复杂的东西变得更加精妙。对模型公司来讲,它不 care 应用怎么样,只要有新的用例把 token 多烧一点就可以,所以它没有意愿让 FDE 反过去把产品做得更好。跟公司的大小也有关系。我们公司现在五六百人,相对扁平,迭代比较快,没有很多 PM 和流程的条条框框,所以允许有这个机制:FDE 今天上午看到一个问题,下午就把它改了,CTO 批了,明天就上线了。但你不能期望每个公司都这样一个节奏。上上周在会上的一个共识就是:每家公司的 FDE 都不太一样,而且这是正常的,因为大家都不一样。 二、FDE 与传统岗位的分野余一:如果没有补充的话,我就补充一下王鹏老师的问题。确实一谈到 FDE,我们自己也好外界也好,都有非常多困扰。这个角色在 AI 领域是一个新角色,但之前 SaaS 里面,包括中国企业非常擅长做的驻场工程师、外包工程师,包括解决方案架构师、客户成功工程师,好像都跟 FDE 有一些交叠。两位觉得 FDE 最独特的地方是什么?钟钱杰:我的一个暴论就是:任何你能够教会客户的,就不是 FDE。余一:就是说不能教会客户的才是 FDE?OK,区别就在这里是吗?钟钱杰:对。如果你能教会客户,那这个东西本身的复杂性是有限的。比方说你之前是 SAP 实施,有人认为 FDE 不就是十年前20年前那些穿西装的 SAP 实施嘛。但 SAP 是有机会教会客户或帮他做的,所以那是传统意义上的实施工程师或咨询。到 FDE,尤其是 AI Agent 的 FDE,是因为 AI 本身看起来很容易、但其实很难。你甚至有500个、1000个工程师又怎么样?还是不知道怎么做出一个好的 AI Agent。我这边有太多例子:人家公司先觉得自己很强,甚至内部有政治斗争杀出一条血路,最终做了一个 Agent,后来发现还是不够好,问个问题还要等三秒五秒,很容易有幻觉,哪怕要消灭到最后的百分之几的幻觉,这些东西都很难。所以这东西属于要么教不会,或者结合一个具体平台像 Cresta 很难指望客户学会。这个时候用 FDE 的方式就特别有效,因为把复杂性藏起来了,有很多 magical 的地方客户不用去知道。所以那些做 data engineering 的 FDE、做 security的FDE、或者没有任何产品积累的 FDE,对我来说都不算真正的 FDE。余一:所以产品是最重要的,一定要有东西落到产品上面。OK,陆骁鹏,因为你在中国和美国都工作过,对这个岗位都很熟悉,我特别想听听你分别站在两方一线的视角。陆骁鹏:我觉得这可能还是要从公司的阶段来看,因为任何一个岗位都是服务于商业上的成功。听下来我觉得 Cresta 应该算老大哥,可能是我们的下一个阶段,要向你们学习。我们公司在走向 A 轮的阶段,SIZE 大概10个人左右。这时候我们对 FDE 的定义,或者说招人时什么样的人符合需求?首先他要能跟客户沟通,类似于半个客户成功。为什么?因为现在客户需求很多,需要有这么一个角色从始至终(从售前可能后几个月就开始,一直到售中、售后)整体跟下来。所以 FDE 得有这么一条线的角色。其次他得知道用户的场景,然后真的能把事给他做出来。就像我刚说的,得 bridge 这个 gap,公司内部产品做了80%,剩下20%是客户自己的需求,比如数据怎么接进来、怎么导出去、怎么跟客户系统打通,这就需要 FDE 来做。所以在早期公司里,FDE 的定义比较模糊,恨不得把一个人当十个人使。这时候首先得具备客户成功的角色,每周和客户做 weekly meetup,了解新需求、timeline 能不能 meet 上。这是最重要的一件事。其次根据 timeline 拆分出 milestone 并 deliver 出来。具备这两条线,可以称之为一个合格的 FDE。王鹏:听下来有一个感觉:随着产品形态的进化(从比较纯粹的基模,到有一定复杂性但比较薄的 harness(比如上下文),到比较深化的行业 SaaS)在这个进化过程中 FDE 的角色其实在分化。一开始可能相对通用,既要告诉用户如何用 AI native 的方式经营,又要告诉他怎么开发;到后面如果你的 SaaS 专业化已经比较高了,就变成了产品部署或用户具体问题的解决。这可能确实跟产品形态进化有关。我在腾讯内部调研时也是这个感觉,我们自己内部不同团队的 FDE,性质完全不一样。钟钱杰:对。而且像我们现在公司这个状态,我觉得对我和团队来说是比较幸运的,我们更多专注在 AI Agent 本身。公司也有 SE 更多是搞定一些 demo,也有 SA 更多是搞定那些呼叫系统的整合,比方说 Five9、NICE 这些,市场上大概10到15个非常复杂的系统,可能20年前30年前就出来了,对接非常 technical 但不是 AI 的。我们有专门的 Solution Architect 搞定这些电话系统的对接,知道数据怎么传来传去,对话历史怎么写到工单或放到 Snowflake。这些 data engineering 的东西是由别的团队来做的。这样我觉得是一个奢侈和幸运,我的团队就可以花更多时间做 AI Agent 本身。当然我们最终 FDE 是为端到端负责的,从技术角度来讲像一个迷你的 CTO,我们也能跟客户聊,也可以了解业务情形。但我们更多以技术方式影响整个单子、整个进程,做一些改变。因为公司大小不是特别小也不是特别大,有专门的人用不同职责去搞定 fancy 的 demo 或者大型系统对接。这样我们这批人就更多去对抗一些难题:怎么消灭幻觉、怎么让延迟更低、怎么提供更流畅的沟通体验。这些偏 AI 的东西往往比较难跟上,可能每隔三周、五周就要把最佳实践改一波,我们就可以花很多精力在那块。所以更多是幸运吧,确实不同公司不同形态不同市场,FDE 的做法会不一样。 三、从 demo 到生产:复杂度远超想象余一:刚好你提到这个。你前面也提到现在同时要处理两个复杂度:一个是软件上的复杂度希望客户能用好,一个是模型本身。你觉得模型本身或 Agent 的复杂度甚至比软件更高。我想问两位,从 demo 到一个 Agent 或相关产品真正被企业大规模部署,这里面的复杂度和难度主要集中在哪些方向?钟钱杰:对我们来说,我们以做客户体验为主,从呼叫中心起家,现在也做非呼叫中心的业务。比如一个语音对话,从最初电话接进来(要判断什么语言、做 ASR、判断什么时候应该打断、什么时候让对方去想、是不是有噪音要做声音隔离、是不是有特殊词汇要做处理)然后让模型去思考,中间可能涉及 retrieval、embedding,可能有 Tool Call、MCP,可能还要做 memory 管理、context 和 session 的东西,最终生成文本再做 TTS 转成语音。甚至整个过程中,你还不能只让一个模型在那边想在那边说话。我们会有 Guard Rail,很多并发的模型,甚至用不同厂商去判断主模型在不在说正确的话,比如涉及政治、敏感话题就要刹车。这样你可能用到20个模型都有可能,有些偏语音,有些偏会话,有些偏思考,甚至多模态做图片判断。所以模型的选择是一个很重的活。如果要做一些特殊场景,比方说我们要做 PCI(关于信用卡相关的事情)有可能陆骁鹏那边还能做到 HIPAA 跟医疗相关的。行业规范非常严格,过这个规范可能要花半年一年时间做大量审计、给很多材料。针对 AI 一级的开发也会涉及:哪些信息可以存,数据要怎么过,有些东西要过滤,存多久。甚至某些场景你只能用特定环境上的模型,不能用公开模型,因为对 PCI 或 HIPAA 支持不好。所以有很多选择,也让 debug 变得非常难。这个事情看起来很容易,好像网上发个教程就能做出一个本地可以跑的模型。但对企业来讲,中间的合规、提高沟通顺畅度,这些都很难。而且作为 FDE 来讲,假设你花一周把端到端走通了,可能要花一个月写几千几万个测试。这些测试不是传统的 unit test、SIT test,而是要判断怎么尽量模拟场景的通常说话方式,甚至如果能拿到过去一两年的通话历史,你可以做一个小模型去模拟那些通话,比如这些通话是比较急躁的还是比较 nice 的。包括比如做牙医的 case,可能患者牙齿都已经掉了,说话吐字不清,你怎么处理这些事情,有非常现实、残酷且复杂的一面。FDE 必须扎进去跟客户一起共创才能出来。这也是为什么我觉得 OpenAI、Anthropic 这些大模型厂商光有 token、光有算力也不够,必须很清楚知道怎样才能让应用落地,让用户愿意长期使用。回到你的问题,我觉得中间有太多需要花额外工程和沟通的地方。测试是很大一块,然后模型的选择,怎么有一个不是特别贵的方案又能比较好地遵循你想做的事情,避免幻觉,跟得上客户的迭代节奏。比方说我们在谈的一些客户可能每隔两三周就有新的资料包,这些信息要能有效跟上,包括多语言。有非常复杂的事情,看起来很容易但其实很难,这也是为什么企业级 AI 还有很大市场、很长的路要走。
一个语音AI Agent背后的系统复杂度陆骁鹏:对于我们公司来说有点不太一样,因为我们还在比较早期的阶段。FDE这个岗位就像我刚说的,是多个岗位揉在一起的角色。一方面是客户成功,FDE 得跟客户整体生命周期。怎么做一个 pilot 或 demo 能让客户签单?更多是怎么多快好省揉一个东西出来让客户 impress 到,这时更多是客户成功的角色。在售中阶段,难点更多在于和客户系统的对接。这在传统行业里都存在,但特别是目前我们做的医疗行业。我们在做医疗里一些 specialty care,比如牙医、皮肤科,他们用的系统更加落后。这可能就是之前钟钱杰说的他们单独有一个团队在做的事,和比较老旧的系统做对接。但对于我们来说都是 FDE 一个角色去做的,所以会非常 challenging。老旧系统第一个是技术层面得去和他们…