KeyFrame內部研究專用

How I’d Become a Forward Deployed Engineer in 2027 (no code)

Nate Herk英文
觀看原始影片

三句話摘要

前置部署工程師(FDE)職位詳解:年薪$180-$325k,結合工程與顧問技能的新興高薪職涯。 FDE職位結合了軟體工程、顧問技能與客戶關係能力,代表AI時代最缺人的職涯,$230k中位數薪資反映市場迫切需求;通過完成一個真實客戶專案的完整循環並撰寫案例研究,任何技術或非技術背景的人都能進入這個領域。 市場需求來自AI落地難:麻省理工報告指出95%企業從AI支出獲得零回報,AI公司因此發展出FDE角色——派駐工程師到客戶現場,發現真實需求並在生產環境中構建解決方案,不只是「給密碼祝你好運」。

重點整理

  1. 市場需求來自AI落地難:麻省理工報告指出95%企業從AI支出獲得零回報,AI公司因此發展出FDE角色——派駐工程師到客戶現場,發現真實需求並在生產環境中構建解決方案,不只是「給密碼祝你好運」。

  2. 職位本質是交付成果而非時間:FDE不是出租時間,而是交付客戶需要的結果(MCP伺服器、子代理、技能模組等),工作內容與AI從業者在Claude Code中做的事相似,只是面向真實企業且責任更大。

  3. 所需技能兼顧技術與人文:80%職位強調發現與範圍設定、溝通利益相關者、客戶接觸能力;Python出現60%,但核心是證明自動化有效的能力(評估/Evals)而非純技術深度。

  4. 申請者背景多元,經驗門檻低於想像:只有20%職位要求5年以上經驗、20%提及學位,Anthropic甚至鼓勵前技術創辦人申請;多數是從工程師、顧問、解決方案工程師、技術創辦人等角色的橫向轉移,而非純技術攀升。

實用技巧與重點

  • 薪資與市場規模
  • 基本年薪範圍:$180,000-$275,000
  • 加股票與獎金後中位數:約$230,000
  • OpenAI職位標列:$325,000/年
  • 覆蓋範圍:24間AI公司的約200個FDE職位
  • 職位需求分析(200個職位統計)
  • Discovery/Scoping:80%
  • 與利益相關者/主管溝通:80%
  • 客戶接觸:75%
  • 旅行需求:約2/3(25-50%時間)
  • Python:60%
  • TypeScript/JavaScript:60%
  • API與整合:60%
  • 代理構建:60%
  • 評估(Evals):50%
  • 5年以上經驗要求:20%
  • 提及學位:20%
  • 典型週工作安排(50%現場時間)
  • 週一:現場發現訪談,與運營團隊坐在一起,提問找出真實問題
  • 週二:撰寫一頁範圍文件(問題、目標指標、完成定義、範圍外項目)
  • 週三-週四:構建與測試(將代理整合到CRM/資料系統、編寫評估、真實資料測試)
  • 週五:為利益相關者演示,提交反饋給自家產品團隊
  • 核心技能發展方向
  • 若來自工程背景:加強發現、與主管溝通、變更管理能力
  • 若來自顧問背景:強化能在生產環境運行的構建能力、評估能力
  • 優先深化:評估(Evals)——正式、可測量的方式證明自動化有效
  • 應聘方案
  • 完成一個真實客戶的完整循環專案(發現→範圍→構建→評估→演示→2週後測量使用情況)
  • 撰寫前後對比的案例研究作為「試鏡帶」
  • 預期面試包含:案例問題、工程輪、系統設計、行為面試
  • 申請平台:Greenhouse、Ashby、Lever,或公司職涯頁面
  • 招聘最多的公司:Databricks、Palantir、OpenAI、Scale AI、Cursor、Anthropic、Cohere、Cognition,以及小型AI新創與Google Cloud
  • 練習發現的方法
  • 提示詞範例:「你是200人物流公司的營運副總。3個月前買了AI平台但完全不運作。我是首次見面的前置部署工程師。不要主動提供資訊,讓我問好問題找出真實問題。15分鐘後給我評分。」
  • 每次練習後撰寫一頁範圍文件
  • 若有現職,主動參與演示、上線電話、需求會議
  • 成本例子(Multiverse Computing Compactify API)
  • GLM 5.3定價:輸入每百萬標記20美分,輸出64美分
  • 月度8000萬輸入 + 2000萬輸出標記:官方API約$200,Compactify不足$30,Quasar模型版約$15
  • OpenAI相容,可與Nodn/Cursor/Claude Code搭配
  • 招聘公司列表
  • 招聘最多:Databricks、Palantir、OpenAI
  • 其他:Scale AI、Cursor、Anthropic、Cohere、Cognition、Google Cloud
  • VC職位板:A16Z、Exponent、General Catalyst

結論

FDE職位結合了軟體工程、顧問技能與客戶關係能力,代表AI時代最缺人的職涯,$230k中位數薪資反映市場迫切需求;通過完成一個真實客戶專案的完整循環並撰寫案例研究,任何技術或非技術背景的人都能進入這個領域。

完整解析

前置部署工程師這個職位源於一個根本問題:企業購買了強大的AI產品,卻對如何在自己複雜的內部系統中運用毫無頭緒。麻省理工去年的報告揭示95%企業從生成式AI支出中獲得零回報,這促使AI公司採取不同策略——與其只交付登入憑證祝其好運,不如派遣工程師到客戶現場,與他們合作發現真實需求並直接在生產環境中構建解決方案。Anthropic的應用AI團隊領導Kevin Bay簡潔地總結了這個角色:FDE本質上就是面向客戶的軟體工程師,而客戶買的不是軟體或時間,而是成果。

從我蒐集的24間AI公司約200個職位中,薪資結構清晰:基本年薪$180,000到$275,000,加上股票與獎金後的中位數約$230,000,OpenAI甚至標列$325,000。有趣的是,職位描述揭示這個角色不純粹技術。80%的職位強調發現與範圍設定能力,80%提及與利益相關者或主管溝通,75%標示客戶接觸。Python出現在60%職位中,但只作為工具之一,與TypeScript/JavaScript、API整合、代理構建並列。最關鍵卻常被忽視的是評估能力——只有50%職位提及,但這應該是100%,因為演示無法證明自動化有效,唯有評估(Evals)可以。

職位申請者的背景多元。統計顯示只有20%職位要求五年以上經驗、20%提及學位需求,Anthropic甚至鼓勵前技術創辦人應聘。大多數候選人來自三個背景:喜歡與人互動的軟體工程師、已學會構建的顧問或分析師、或已在從事此類工作但缺乏正式頭銜的技術創辦人或代理機構主。這表明FDE職位主要是橫向轉移而非垂直攀升,市場上只有約10%的人口對此有興趣,但招聘缺口巨大。

實際工作是什麼樣子?根據OpenAI的Colin Jarvis和Anthropic職位描述,新員工應預期50%時間在客戶現場。典型週工作:週一在現場與運營團隊坐在一起進行發現訪談,提出深入問題找出真實問題;週二撰寫一頁範圍文件,清晰陳述問題、目標指標、完成定義及範圍外項目;週三至週四著手構建,將代理整合進CRM或資料系統、編寫評估、在真實資料上測試;週五為利益相關者演示並收集反饋。職位另一個關鍵面向是識別並編纂可重複使用的部署模式——將單次成功的解決方案轉化為可跨組織重複應用的技能或確定性自動化。

如何成為FDE?首先誠實評估自己的長處:是構建者還是讓客戶信任的人。工程師的缺口通常在發現與主管溝通;顧問出身者的缺口在於構建在生產環境中可靠運行的系統。應將大部分學習時間投入較弱的一半。技術棧方面,優先度應為:評估能力(最高優先),因為它是證明自動化實效的正式、可測量方式;其次是代理構建(比單純使用Claude Code更深層,涉及讓模型決定後續步驟並跨多步調用工具);再次是Python、API整合、TypeScript。練習發現的最便宜方法是讓Claude扮演客戶進行模擬會議,然後撰寫一頁範圍文件;若已有現職,應主動參與演示、上線電話、需求會議。最重要的是完成至少一個真實客戶的完整循環:發現問題、撰寫範圍、構建解決方案、評估成效、演示、兩週後測量實際使用情況,將之寫成前後對比的案例研究——這就是你的試鏡帶。

申請管道方面,大多數職位發布在Greenhouse、Ashby、Lever或公司職涯頁面。招聘最多的是Databricks、Palantir、OpenAI,其他包括Scale AI、Cursor、Anthropic、Cohere、Cognition及許多小型AI新創。職位名稱多樣,可能是FDE、前置部署軟體工程師、部署工程師、部署策略師、甚至籠統的AI顧問,應按職位內容而非標題判斷。面試預期包含案例問題(通過發現對話從業務問題推導出可防禦的技術策略)、工程輪(使用AI工具編寫和除錯程式、系統設計)及行為面試。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。