企业官网建设流程全解析

本文介绍了前向部署工程（FDE）的核心概念，即如何将复杂平台销售转化为客户可感知的实际成果。作者 Kevin Bai 通过帕兰提尔公司的案例，阐述了 FDE 的本质是弥合技术与业务之间的鸿沟，强调共享原语的重要性，以及如何将初创期的设计伙伴模式规模化应用于企业级市场。文章还讨论了 FDE 的适用场景、与开发店的区别、以及如何评估是否适合引入 FDE 模式。对于希望提升平台销售转化率的企业和程序员来说，本文提供了宝贵的实践指导。

「客户既不是在买一套软件，也不是在买某个人的时间。他们买的，是一个结果。」

▲ 在 AI Engineer World’s Fair 2026 的演讲《FDE 101》

▲ 2026 年 5 月，在旧金山 Rocketlane Propel26 的 500 人主题演讲现场。这是本文演讲之外的另一场分享，同月把讲稿整理成了 FDE Pod 上的入门文章《What Is a Forward Deployed Engineer?》

◆

一、先讲清楚 FDE 在卖什么：卖能力 ≠ 卖结果

他的开场很克制。他不打算罗列公司清单——「公司清单其实没什么意思，因为我们聊的是一个职能」。他要讲的是三件事：前向部署工程这个职能从哪来、它的本质是什么、帕兰提尔为什么把它当成了主要的市场进入方式（GTM），最后落到一个问题：你怎么把它搬回自己的组织。

要理解 FDE，得先理解帕兰提尔在卖什么。Foundry 是一个应用构建平台：它让任意规模的组织把数据集中到一处，形成一个「本体」（ontology）。他用仓库举例——不是 table 1、table 2、table 3，而是「仓库」这一张唯一的真相之表。数据由此变成有人能拿来干活的专有名词。

问题恰恰出在这里。如果你对一个行业老板说「我帮你把数据整理好了」，他的回答会是：「挺好。但这跟我的生意有什么关系？」

第二重摩擦更致命。作为一个应用构建平台，Foundry 的成功取决于客户「会不会用它」。企业不但要付平台的钱，还得先把人训练到能在上面动手——「这是一种糟糕透顶的做生意方式。」

于是有了那个组合答案：不只卖服务，也不只卖产品，而是卖两者合成的结果。客户付的钱，换来的既不是软件，也不是人天，而是「一群很聪明的人走进来，搞懂你的生意，在这个平台上把方案搭起来，最后交付一个结果」。

「如果你在快消行业，你要的是货架上多一个位置，或者更高的动销率。你并不关心数据是怎么组织的——也不该关心。那是实现细节。」

这里有个反直觉的地方，他自己先戳破了：「软件工程师大概是全公司最不该面对客户的一群人之一，我自己也算在内。」所以「把工程师送到前线」这件事，必须有一个足够硬的理由——硬到能跨越这道天性上的不适。

◆

二、帕尼特方格：只有一种情况需要 FDE

他用一张「帕尼特方格」把这件事讲清楚了。两条轴：你卖的是什么，以及谁在买。

▲ 帕尼特方格：一条轴是你卖什么，另一条轴是谁在买。只有右上角那一种错配，才是 FDE 存在的唯一理由

• 复杂产品配技术买家（GitHub、Datadog）：产品极其复杂，但买家是 CTO、CIO，用户是软件工程师。复杂度就是他们工作的一部分，由用户在职自己消化。不需要 FDE。
• 可配置工具配非技术买家（Rippling、Jira、Slack）：工具可以配置，但本来就不是给人「在它上面做开发」的。非技术买家自己配置就行。不需要 FDE。
• 复杂平台配非技术买家（Foundry 这类应用构建平台）：技术极复杂，掏钱的却是非技术业务方。从「买到」到「用上」之间横着一道巨大的落地鸿沟。这是 FDE 存在的唯一理由。

那道鸿沟有多现实？Google、Meta、以及今天各家实验室都有足够好的工程师，组织内部要什么应用自己就能造。但一家《财富》500 强的油气公司没有这种工程纵深：「他们的管道不是数据管道，更像是碳氟化合物。」把一套应用构建平台卖给他们，中间隔着的不是培训，是能力。

FDE 就是去填这道鸿沟的人。「我们借给你几个真正优秀的工程师，你不用招聘、不用管理、也不用留人。」他用了一个餐厅的类比：就像在高级餐厅里，侍者会贴着你把需求搞清楚，然后解决问题、把软件建出来。

这就是帕兰提尔面向全球《财富》500 强的做法。

◆

三、FDE 卖的不是软件，也不是人天

这个模式，其实就是把初创期的「设计伙伴」（design partnership）规模化。

初创公司的早期，产品还没定型，客户也不知道自己在买什么。客户提供问题的上下文，你投入时间、精力、技术和资源，一起把解决方案磨出来。B2B 公司大多是这样找到产品市场契合的。

他的断言是：谁说设计伙伴只能用在公司最早的阶段？

▲ FDE ＝ 软件产品 ＋ 工程服务，交付的是一「结果」；帕兰提尔的断言是把设计伙伴从初创期一路搬到企业级

「谁说设计伙伴只能用在公司最早的阶段？为什么不能把它规模化地做进企业？」

听到这里，聪明的听众会提出那个致命的反对意见：企业级你维护不了。每个客户都从零做一套定制，那就是在放养一群猫，代码会烂掉，而且没有工程师愿意来——因为没人想学 55 个仓库。

他的回答是这场演讲里最尖锐的一句：

「如果你让每个 FDE 都从零开始写，那么朋友，你拥有的不是一支 FDE 团队，你开的是一家开发店。」

开发店没什么不好，那是很赚钱的生意。但让 FDE 区别于开发店的，只有一件事：他们建在平台之上，从来不从零写软件。 平台上已经有一组原语，他们要做的是把这些原语装配成应用、工作流、解决方案——任意程度地贴合客户价值。

这就是那个关键成分。否则你就是在反复重新发明轮子，然后「在你的工程师集体辞职之前，你的损益表会先被维护成本吃掉」。

◆

四、共享原语：FDE 与「开发店」的唯一分界线

那么，一个改动到底该落在平台，还是落在某个客户的实现里？他给的判据只有一条：

▲ 边界只有一条判据：能不能泛化。能泛化的，长期该沉到平台；只对一家成立的，就让它只活在那一家里

• 只对某一家成立的定制行为、一次性的字段与流程，就让它只活在这一个客户身上。
• 只要一种能力超出单个客户也有用，长期就该沉到平台那一层。

对刚起步的团队来说，原语少是正常的。因为 FDE 本身就是一种向前侦察的手段：他们撞上真实的客户问题，从中识别出可泛化的能力，反过来告诉公司还应该建哪些产品和服务。

他后来在回答提问时补了一句边界感：泛化是长期方向，不是要求把每个客户的需求立刻塞进平台。

◆

五、算笔账：ACV 第一是 400 万美元

模式好不好，先看数字。他用公开 SaaS 公司在《财富》500 强客户身上的平均合同金额（ACV）做了一张对比表：

▲ 数字为演讲现场口径，未说明统计日期与计算方式，此处仅用于说明模式差异，不构成财务基准

• 帕兰提尔：400 万美元
• ServiceNow：120 万美元
• Workday：60 万美元（他回忆时语气不太确定）
• 其余全部公开 SaaS 公司：没有一家摸到 50 万美元

「所以就这些数字来说，我认为它跑得相当好。帕兰提尔现在估值高得离谱，而员工只有几千人。」

需要说明的是，他这里的 ACV 指的是「平均合同金额」（average contract value），而不是通常所说的年度合同金额（annual contract value）；这些数字没有给出统计口径和时点，适合用来理解模式差异，不适合当作财务基准。

◆

六、上手之前，先过两道门槛

讲完故事和框架，他把话题切到「怎么搬回你自己的组织」。他的第一条建议不是怎么做，而是先问要不要做。

▲ 顺序不能反：先问「需不需要」，再问「有没有平台」

门槛一：你的业务里，是否存在「必须把技术复杂的产品卖给非技术买家」的场景？

如果没有这种错配，FDE 大概就不是对的答案。技术买家可以用 DevRel 和开发者关系去覆盖；更传统的 SaaS 用销售驱动（SLG）就够。他的原话是：「容易想要流行里的东西，也容易因为别人都在做 AI 就跟着做。」

门槛二：你已经有平台，或者愿意投资去建一个吗？

无论「工程师能直接带来收入」这件事多有诱惑力，只要他们不是建在一组共享原语之上，「你就要倒大霉了」。而且他反复强调：即使你有一个很健壮的平台，维护负担依然存在——平台是管理这份负担的前提，不是负担消失的承诺。

◆

七、2026 年真正变了的东西

他把时间线拉回到帕兰提尔进入市场的 2004、2005 年前后。变的是什么？

不是「世界突然意识到帕兰提尔的 FDE 打法很妙，所以大家都要跟着做」。他的个人假设是：软件行业的做生意方式本身变了。

「今天几乎每一个平台都是 agentic 的，这意味着几乎每一个平台都是可定制的，也意味着你们几乎所有人都会遇到这样一个局面：客户根本不知道你到底在做什么。」

AI 让写代码变得很容易，让给客户做复杂定制软件也变得很容易。于是采用风险回来了：如果你把产品的成败完全交到客户的实现能力手里，向上升级市场、横向或纵向扩张，都不会是轻松的动作。

这段是整场演讲里最有当下感的部分。帕兰提尔当年面对的是「平台太复杂、客户用不起来」；2026 年的问题是——平台变得可定制之后，客户连「它能干什么」都不知道了。

◆

八、四问四答

Q1：原语该有多原子？

他的回答很「律师」：取决于你要进的行业。涉及数据模型的平台，一个起点是别让客户从零定义数据模型；有些行业可以接受「应用已经建好 60%、再定制 40%」这种比例，另一些场景则需要极其细的配置和工具。

他举了 AWS：想自己买服务器机架、上线、运维当然可以，但 1990 年代之后还有谁这么干？AWS 给你一组共享原语，比如 DynamoDB，让你不必从零发明一个数据库。之所以是这种很通用的积木，是因为它服务的是极宽的客户群；客户群越窄，原语就可以编码越多应用本身。

Q2：两家不同公司的 FDE 会在同一个项目上协作吗？

他先答的是「同一个项目上应该有多个 FDE」——他强调不该让客户工作依赖单点：「一个人知道所有信息，他去度假了，你就完了。」听众追问的是跨公司（比如 AWS 和帕兰提尔各派一个 FDE），他确认这种模式存在，心智模型就是承包商关系：先搞清楚在这个项目里谁扮演承包商。

Q3：一个工程改动，该上平台还是留在前场？

回到那条判据：只此一家独有的，就该只存在于这一家；可以泛化的，长期要泛化。

Q4：理想的 FDE 是什么画像？

他留下的那句话定义很干净：

「FDE 不是别的，就是一个『面向客户的软件工程师』。」

也就是：一个你会作为软件工程师招进团队的人，同时你愿意让他在客户面前代表公司。两个条件缺一不可——既要有工程能力把方案建出来，也要有足够好的客户触感去发现正确的问题。

◆

九、我的观察

这场 17 分钟的演讲，表面在讲一个职能，实际在讲企业软件的交付成本该由谁承担。

• 卖软件，是把理解成本留给客户；卖服务，是把规模效应留给自己；只有卖结果，才是两边都占——但这要求你有一层足够厚的共享原语，否则「卖结果」只是一个更贵的项目制外包。
• 所以 FDE 真正的门槛不在销售，也不在招聘，而在平台抽象的质量。他那两句最狠的话——「你开的是一家开发店」和「没人想学 55 个仓库」——指向的都是同一件事：没有原语复用，FDE 模式的经济性会从内部先崩，不需要竞争对手动手。
• 而 2026 年的版本问题上更棘手：过去是客户不会用平台，现在是客户不知道平台能干什么。当每个平台都变成 agentic、都变得可定制之后，「谁来把它变成客户的结果」这件事，反而比过去更值钱了。

如果你只记一句话，记这句：FDE 是一种把「平台能力」翻译成「客户结果」的工程职能；翻译的前提，是有一份双方都认得的词典——那就是共享原语。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2026 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？