KeyFrame內部研究專用

The Dirty Secret of Forward Deployed Engineering — Natalie Meurer, Sierra

AI Engineer·7月28日週二·16 min英文

三句話摘要

前沿部署工程(FDE)在AI時代的演變與重新定義——從基礎設施運維到客戶賦能的完整角色轉變。 前沿部署工程不是單一職位而是一個責任框架——在AI時代,所有工程角色都應該面向客戶價值與結果交付,這使得FDE從歷史遺留概念演變成了核心競爭力。 FDE的「骯髒秘密」是它沒有統一定義——這個術語被用來描述太多不同的工作,以至於似乎失去了具體意義,但這也讓它成為AI領域最熱門的工作之一。

重點整理

重點
  • 1

    FDE的「骯髒秘密」是它沒有統一定義——這個術語被用來描述太多不同的工作,以至於似乎失去了具體意義,但這也讓它成為AI領域最熱門的工作之一。

  • 2

    FDE演變反映了Palantir平台的演進——從2008年處理EC2實例電源問題的DevOps工作,演變到如今需要理解業務邏輯、設計數據模型、構建定制解決方案、賦能客戶自主操作的多面手角色。

  • 3

    現代FDE面臨招聘悖論——職位描述要求同時具備8年工程經驗、6年銷售經驗和4年架構師經驗,實際找不到完美候選人,反映出這個角色本身的複雜性和多樣性。

  • 4

    AI時代模糊了角色邊界——隨著AI代碼生成成本降低,產品工程與FDE的區別變小,而軟體定價從座位制向結果導向轉變,使得FDE在確保交付客戶價值方面的重要性大幅上升。

實用技巧與重點

乾貨
  • Palantir發展時間軸:
  • 2008年:DevOps階段
  • 2012年:數據整合軟體階段
  • 2016年:定制解決方案(Slate平台)
  • 2020年及之後:客戶賦能階段(Foundry平台)
  • 現在:AIFTE平台(利用大型語言模型)
  • 關鍵工具與平台:
  • Slate:拖放式網站構建工具
  • Foundry:Palantir主要平台,核心理念「從數據到決策」
  • Skywise:Palantir與空中巴士合作項目
  • AIFTE:專注於利用大型語言模型的平台
  • Java Swing:早期客戶端技術
  • FDE招聘要求:
  • 8年工程經驗
  • 6年直銷經驗
  • 4年解決方案架構師經驗
  • 教學經驗
  • 當前市場動向:
  • Google通過GCP招募FDE(客戶工程師)
  • OpenAI投入巨資建立新部門推動企業AI
  • Sierra公司採用結果導向定價模式

結論

結論

前沿部署工程不是單一職位而是一個責任框架——在AI時代,所有工程角色都應該面向客戶價值與結果交付,這使得FDE從歷史遺留概念演變成了核心競爭力。

完整解析

詳細

前沿部署工程(FDE)是個定義模糊的領域,但這恰恰是其有趣之處。演講者Natalie Mill曾在Palantir工作五年(2016-2021),後加入Sierra公司,她從親身經歷出發,追溯了FDE這個概念的演變歷程。

FDE在Palantir的歷史始於2008年,當時主要工作是基礎設施運維——處理伺服器掉線、部署軟體到EC2實例等DevOps工作。演講者在入職第一天的任務就是將軟體部署到EC2實例。到了2012年,Palantir開發了數據整合軟體,但問題是大多數客戶的數據分散在多個地方。這時候前沿部署工程師需要賦予雙重身份:不僅要維護系統穩定性,還要理解客戶業務,對數據進行適當建模。這個過程涉及Palantir著名的「本體論」(Ontology)概念——為數據創建分類體系。

2016年前後,Palantir推出了Slate平台——一個拖放式網站構建工具(類似現在的Retool),讓FDE可以將頁面組件映射到數據來源。這推動了從純運維到定制解決方案的轉變。隨後Foundry平台問世,核心理念轉變為「讓數據變得有用」——不僅展示數據,更重要的是讓用戶能夠對數據進行寫入操作,真正推動決策變化。

到了2020年,Palantir面臨IPO,需要一個關鍵轉變:不再讓工程師常駐客戶現場(比如芬蘭或堪培拉),而是賦能客戶自己完成這些工作。Skywise項目就是例子——讓空中巴士的數千名工程師能夠在Foundry平台上自主完成前沿部署工程師的工作。現在Palantir有了AIFTE平台,進一步利用大型語言模型來實現這種賦能。

如今在2026年,FDE這個概念無處不在。Google宣布通過GCP招募FDE,OpenAI投入巨資建立新部門推動企業AI,這反映出這個角色的重要性。但問題在於,如果你把所有FDE招聘需求合併成一個職位,你會看到需要8年工程經驗、6年銷售經驗、4年架構師經驗——幾乎找不到這樣的完美候選人。這正是FDE的「骯髒秘密」——它要麼不存在,要麼定義太寬泛以至於涵蓋了所有東西。

但這個矛盾本身揭示了真相。所有這些不同的FDE角色的共同點是:對客戶負責,將客戶回饋轉化為產品改進。隨著AI時代到來,代碼生成成本大幅下降,這改變了遊戲規則。現在FDE可以使用編碼代理快速原型化和構建端到端解決方案。同時,軟體定價方式也在改變——從傳統的座位定價轉向結果導向定價,這要求有人真正對交付結果負責。

在Sierra,演講者看到的是角色邊界的模糊。產品工程變得越來越面向客戶,而好的FDE也需要考慮產品需求。代理工程、AI工程、產品工程、解決方案工程——這些角色實際上都是在做同樣的事情:為客戶創造價值。如果你是優秀的產品工程師,你應該理解DevOps如何部署軟體;如果你是優秀的FDE,你應該理解產品需求。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。