FDE 不是传统前端开发，而是 Forward Deployed Engineer：前沿/前线部署工程师。它的核心不是只写代码，而是把大模型、RAG、Agent、工作流真正放进企业真实业务里，并对“能不能用起来、有没有效果”负责。
FDE 到底做什么
可以把它理解成：AI 应用工程师 + 解决方案架构师 + 现场交付负责人 + 客户技术顾问的复合角色。
典型工作包括：
和客户沟通，把“想用 AI 提效”这类模糊需求拆成可落地方案。
判断该用简单工作流、RAG 知识库，还是多 Agent 协作。
写代码、接 API、连数据库、接企业系统。
搭建 RAG、Agent、评测体系、监控告警。
把系统部署到 Docker/K8s 或云平台。
做验收、培训、ROI 复盘，并把一线问题反馈给产品团队。
FDE 必备的四类能力
表格
| 能力方向 | 要会什么 | 为什么重要 |
| AI 应用开发 | Python、大模型 API、Prompt、RAG、Agent、MCP/Tool Calling | 能把模型能力变成可用功能 |
| 软件工程 | API、数据库、Git、Linux、Docker、日志监控 | 让 Demo 变成稳定生产系统 |
| 企业级 AI 工程 | 评测、降级、权限、成本控制、异常重试、安全合规 | 解决真实企业问题 |
| 业务与交付 | 需求拆解、行业理解、客户沟通、方案汇报 | 决定 AI 是否真的被用起来 |
其中，业务判断和交付能力往往比“会多少框架”更关键。
零基础转 FDE 的学习路径
如果你目前还在补前端基础，FDE 不建议作为首步，因为它的工程门槛比纯前端更高。更稳的顺序是：先具备可落地的编程和工程能力，再进入 AI 应用与交付。
第 1 阶段：编程与工程基础
重点补：
Python 基础：函数、文件、异常、HTTP 请求
SQL 基础：增删改查、简单聚合
Git：提交、分支、协作
Linux：文件、进程、日志、权限
Docker：镜像、容器、端口、数据卷
目标：能写脚本调用 API、读写数据、跑通一个本地服务。
第 2 阶段：AI 应用核心能力
重点学：
大模型 API 调用
Prompt 工程：角色、约束、结构化输出
RAG：文档切分、向量库、检索、答案生成
Agent：工具调用、工作流、多步任务
评测：回答是否准确、是否引用正确、是否越权
目标：能做一个企业知识库问答助手或自动报表 Agent。
第 3 阶段：工程化与部署
重点学：
FastAPI 封装接口
数据库接入
Docker 部署
日志、错误重试、限流
简单 K8s 或云服务器部署
成本与延迟优化
目标：不只是本地跑通，而是能部署成别人能访问、能监控、能排查问题的服务。
第 4 阶段：业务交付与作品集
重点练：
需求访谈：谁用、痛点是什么、成功标准是什么
方案设计：为什么用 RAG/Agent，不用简单搜索
验收文档：效果指标、失败案例、改进计划
行业理解：客服、内容运营、制造、零售、政务等
目标：拿出 2-3 个完整项目，能讲清楚“问题—方案—落地—效果”。
推荐练手项目
企业文档问答系统：上传制度、流程文档，支持检索问答。
内容发布 Agent：选题 → 搜集资料 → 生成文章 → 输出多平台版本。
客服工单分类 Agent：自动判断问题类型并分配处理人。
数据报表 Agent：从数据库取数，自动生成周报。
内部知识检索 + 权限控制：不同角色看到不同内容。
常见误区
不要一上来学模型训练、Transformer 推导。FDE 更偏应用落地。
不要只拼框架。LangChain、LlamaIndex、Dify 都要会一点，但更重要的是能交付。
不要只做聊天机器人。FDE 的价值在系统集成、评测、上线和效果。
不要忽视业务。很多项目失败不是因为模型弱，而是没解决真实流程问题。
国内岗位现状
2026 年 FDE 确实很热，OpenAI、Anthropic、AWS、字节、阿里、腾讯等都在布局相关岗位。但薪资差异很大：海外实验室的 FDE 薪酬非常高，国内则从十几万到百万年薪都有，取决于公司、行业、交付能力和项目经验。
如果你想要更具体的路线，可以按你当前水平分两条走：
零基础转技术：先补 Python + Web 基础，再做 AI Agent 项目。
已有编程基础：直接补 RAG、Agent、Docker、评测、部署和客户交付。