当甘艺凡说 " 中国大部分人对 engineer 这个词有误读 "，当那荣钰把科学家搬到产线上做科研，当周骁聪让 AI Agent 在客户现场自己进化，FDE 在中国已经不再是硅谷的那个 FDE 了。一场理论重建正在发生。

图由 AI 生成

文 | 崔强

前面六个人，问到 FDE 是什么，反应大致相同：" 我就是那个角色 "   " 我们团队里有人在干这个 "   " 说出来你可能不信，我干了好几年才知道这玩意叫 FDE"。这是一个发现的过程。他们在被业务追着跑的时候撞上了 FDE，然后回过头来认。

Rolling AI 联合创始人甘艺凡和另一位联合创始人刘开，跟前面的人不一样。

采访一开始甘艺凡就说：" 如果我们把 FDE 当成一个过程性的职位，它其实就回到说我是 product design、UI、UE。但实际上这三个词的表达反过来，它代表一种结果。"

他不是在描述 FDE。他在重新定义它。

接下来我又采访了两位创始人：素源矩阵创始人那荣钰、全景效应创始人周骁聪。三个人来自完全不同的领域。

甘艺凡和刘开做零售快消的 AI 陪跑，那荣钰做材料工业的 AI 研发，周骁聪做企业经营决策 Agent。三个人加起来，公司总人数不到八十，但他们在 FDE 这件事上给出了目前最系统的理论思考。

他们的共同点不是 " 做了什么 "，是 " 想了什么 "。不是 " 先干后认 "，是主动重建这个概念本身。

01

三个字母，三个误读

甘艺凡有一件事想纠正很久了。

" 中国大部分人对 engineer 这个词是有误读的。大家都认为工程师就是会写代码的人。其实完全不是。"

他和刘开创立的 Rolling AI 是一家 60 多人的公司，一百多家企业客户，聚焦零售快消行业。

两人都是从 BCG Digital Ventures 出来的：甘艺凡做设计，刘开管研发约二十年。照理说，刘开才是那个 " 会写代码的工程师 "。但甘艺凡说自己在公司的代码量排名很高：" 我虽然能力很差，但我心力很足。"

他说的 " 心力 " 不是比喻。

在 Rolling AI，面试的标准是 " 聪明、勤奋和穷 "。" 穷 " 是开玩笑，意思是饥饿感。招录比约一千份简历进一个人，含 AI 面试初筛。" 我们团队对于有一类型的人是几乎没有办法 land 超过一周的：ego 大的人。只要这个人 ego 大，他是没有办法在我们这里 land 的。"

那甘艺凡眼里的 engineer 到底是什么？

" 一个能够把某件事情的复用性以工程化的能力，让他在一个组织里面系统化地跑起来的人。"   不是写代码的人，是建系统的人。不是解决一个问题，是让解决这个问题的方法可以被复用。这个定义把 FDE 里的 E，从技能标签变成了工程思维。

接下来是 D，Deployment。

刘开接过来说了一段话，我觉得可能是这轮采访里对 " 部署 " 最深的解读：" 大家会把 deployment 认为是一个代码要进入服务器的过程。但实际上在我们看来，是一套新的生产力要进入企业的过程。"

他说，AI 时代的 deployment 特别厚，厚在业务层。" 所有 deployment 的阻碍全部都不出在科技上，全部都出在组织，出在业务的流程，出在原来的业务目标不对齐。"

这解释了 FDE 为什么不是传统的 " 驻场工程师 "。

驻场工程师的工作是把一个东西放进客户的系统里：装好、配通、走人。FDE 要放进客户系统里的不是代码，是一套全新的生产力。

代码部署可以在远程完成，生产力的部署必须在现场。你要亲眼看到门店的店长怎么用 AI 做排班、暴雨天怎么提前通知临时工、怎么管库存损耗。这些东西写不进文档里，但你如果没看到，Agent 就跑不通。

最后是 FD，Front End。

" 一线有两种定义。我们现在很多的一线是真正的一线，比如说门店，我们就真的在门店，而不是在公司的总部。在公司的总部其实不叫 front end。"

甘艺凡说，他和团队日常打交道的不是管理层，是 " 这个组织里干得最好的人 "：最好的店长、最好的站长、最好的营养师。" 管理层有时候甚至只是被通知的和付费的。"

这和硅谷的 FDE 用法有一个微妙的差异。

硅谷的 front end 指的是 " 在客户端 "，可以是在甲方总部的办公室里，只要不是乙方总部就算 front end。甘艺凡把这个定义往下推了一层：真正的 front end 是听到炮火的地方。

门店里一个临时工因为暴雨来不了，店长能不能在头天晚上就知道？就这一件小事，他说："1000 家门店一年能省 700 万。"

三个字母翻新之后，FDE 就从 " 怎么部署一套系统 " 变成了 " 怎么让一套新的生产力跑起来 "。这个转变把 FDE 从技术岗位甩进了业务深处。

FDE 内部的三种人

不过，甘艺凡对 FDE 的理论重建不止于此。他还做了一件这轮采访没人做过的事：把 FDE 的日常工作拆成了三种倾向。

第一类是业务融合。梳理业务目标、理解业务流程、摘取最佳实践，为 AI 在各个业务环节的 landing 做准备。这种 FDE 的日常搭档是 " 组织里干得最好的人 "，而不是管理层。

第二类是 AI Builder。梳理智能体架构、定义输入输出、定义测试用例、决定 " 最佳实践应该放在工作流还是提示词还是知识库里 "。这种人跟偏业务方向的 FDE 搭班子。

第三类是知识管理。抽取隐形经验和隐形知识、定义知识的边界：哪些是门店级的、哪些是区域级的、哪些是全国级的。这种人跟企业内部的 " 知识管理者 " 搭档。

" 一组人只服务一家企业。" 甘艺凡说，" 我们认为只有钻进去，你永远会有很多细节。所有最大的机会现在全都在那些魔鬼细节里面。"

三种分工和 " 一组人只服务一家企业 " 放在一起，揭示了一个现实：FDE 的规模化不是招更多人覆盖更多客户，是一个人扎得深，才能创造别人看不到的价值。

钢铁侠与主动性的问题

聊到转型困难的时候，甘艺凡说了一个比喻。

Neuters

" 斯塔克成为钢铁侠，不是因为一个普通人穿上了盔甲，他就成为了钢铁侠。是因为他想成为钢铁侠，所以他穿得起那身盔甲。当碳基生物本身对这件事情没有主动性的时候，整个组织是转不过来的。"

这个比喻的背后是他对 FDE 的终极理解：FDE 是一种思维方式，是一种解题的思维方式。

他和刘开把 FDE 升级到了一个比 " 能力 " 更高的维度：" 它既有能力的部分，也有基因的部分。当我来了一个事，我首先是找 AI，还是首先是找人？我什么事情找 AI，什么事情找人？所有这些模糊的、清晰的能力和模糊的感觉打包在一起，形成了 FDE。"

02

不是所有场景都适合做 FDE

那荣钰的话更少，更安静。他的公司在材料工业，一个离 AI 圈主流叙事最远的角落。

素源矩阵做什么？" 帮材料企业做研发和生产的 AI。" 具体来说，把科学家放到客户的工厂和产线上，用 AI 重新做材料筛选、工艺优化。核心团队只有七个人，全员都是 FDE。他自己每个月拿七千块钱。

" 我们团队目前核心成员只有 7 位，大家都是 FDE。" 我愣了一下。七个人怎么撑起五个国央企客户？每个项目周期约一年，客单价一百万。理论上这是不可行的。但他的客户都是百亿营收以上的头部企业。

然后他说了一句前面六个人都没说过的话：" 不是所有场景都适合做 FDE。to 小 B 这件事本身就不太适合。"

这是这轮采访到现在，第一次有人给 FDE 画边界。

前面大家都在说 FDE 是什么、怎么做、怎么规模化。那荣钰说的是 " 什么时候不应该做 FDE"。这个判断的背后是一个朴素的商业逻辑：你要帮客户解决的问题，体量得大到客户愿意为此付费。" 企业不愿意为不确定性去做试错和投入。你先帮他解决确定性高的问题，他才愿意跟你一起探索不确定性高的。"

一个做建材的大型集团就是他说的典型客户。

表面看是建材、家具、板材，深入之后覆盖了工程材料、高分子化工、芯片封装玻璃、半导体级氟玻璃、光纤。那荣钰说：" 在这个体量下，从集团开始，一个点一个点去做 FDE，是能说清楚的。"

他的公司连创业路径本身都是被不确定性倒逼出来的。

那荣钰本来想做无醛胶水：" 那是一个被逼的改变，但后来变成主动选择了。" 先切生产流程再造，帮工厂优化现有工艺，这个过程积累数据和信任，然后再回头做新材料。这不是主动规划的战略，是撞了南墙之后发现这条岔路反而更通。

不过那荣钰最独特的创新不是适用边界，是他的 FDR，Forward Deployed Researcher，前置研究员。" 我们把科学家都放到客户前线，在工厂端、材料生产端做科研。"

材料工业的 AI 和互联网 AI 有一个根本区别：数据不在服务器上，在产线旁。传感器的数据实时产生，模型的训练必须在数据旁边完成。科学家的工位就是生产线。

AI 恐惧在产线上是一样的

采访中我提到了识渊科技联合创始人、CTO 茹彬鑫的观察：全自动 AI 让客户恐惧，" 万一错了怎么办？" 那荣钰立刻接住了：" 材料行业完全一样。" 他的解法不是降维，是渐进式信任构建：" 先让 AI 当助手，再当参谋，最后才是主驾。"

这个三步策略的背后是材料工业最核心的矛盾。

客户既需要 AI，因为传统试错成本太高；又怕 AI，因为 " 如果 AI 给错了参数，谁来担责？"   FDE 在其中的角色不是说服客户，是由浅入深地证明 AI 是可靠的。

这不是一次技术演示能解决的，是长期蹲守产线、用一次次无风险的 " 助攻 " 积累起来的信任。

" 这个画像非常像创业者本身 "

聊到 FDE 人才时，那荣钰说了一句让我重新审视这个角色的话：" 这个画像其实非常像创业者本身。"

他的理由很简单。

创业者做的事就是识别问题、快速做决策、调用资源、动手解决、验证迭代。FDE 在客户现场做的事一模一样，只是问题的边界换成了客户的业务场景。

那荣钰和合伙人都属于 " 两者兼备 "，既是行业专家又是科学家。

他的团队三分之一是行业专家、三分之一是纯科学家 Builder、三分之一是两者兼备。这种构成本身就解释了为什么 FDE 不是 " 招一个人 " 的问题：你的团队基因决定了你的 FDE 形态。

那荣钰的 FDE+FDR 是材料工业的独有解法，放到别的行业可能完全不对。

当我问到 FDE 需要什么样的人时，他提了三个词：必须动手，就是 " 行动派 "；工科思维；不要太情绪化。最后那条他说了很久。在产线上蹲几个月，被质疑无数次之后，最重要的素质不是聪明，是扛得住。" 我用理性来弥补感性所带来的风险。"

创业本身就是一件感性的事：选了一个又难又苦的方向，赚着比楼下房产中介还少的钱。但他在执行层面用极强的工科理性对冲这份感性。这和他对 FDE 人才的要求是同一种逻辑：你得有冲动去一线，但在一线的时候你得冷静。

03

让 Agent 自己进化，但人更忙了

周骁聪是这轮采访里最年轻的创始人，2024 年下半年才创业，五个人全职，全员 FDE。之前在字节跳动，又去面壁智能做了两年 B 端商业化。他的公司全景效应切的是企业经营决策：帮 CFO 和战略部门做供应链预测、销售方案生成。

刚见面他就提了一个让我意外的判断："FD 是 AI native 公司的基本功。" 这句话是句子互动创始人李佳芮说过的，周骁聪直接引用，认同。五个人，title 是产品经理、研发、售前，但 " 我们其实每一个人都可以算 FD"。研发也在客户现场，售前不只是讲 PPT，从演示到上线到日常维护全程跟踪。

但真正让我反复琢磨的，是他的 MetaHarness 概念。

他把 FDE 的交付模式分成三种。

第一种：给客户一套固定的 Harness，用完就走。

第二种：给客户一套需要手动维护的 Harness，永远绑在客户身上。

第三种：给客户一个自己会进化的 MetaHarness。

他选了第三种。

"AI 带来了一种可能性：给客户部署了一个数字员工，他可以在客户环境那里自己成长。" 他举了一个例子。

Neuters

一个餐饮客户问 Agent" 上月销售额同比增长多少 "，Agent 算出来的数和客户的 BI 看板对不上。客户直接给了正确答案，Agent 自己去查，发现有一个字段，退货，没考虑进去。Agent 自动学习到 " 计算销售额要排除退货 " 这个知识，存入记忆，下次不会再犯。

这就是 MetaHarness 的 "meta" 部分：不是给 Agent 写更多规则，是让 Agent 自己学会新的规则。

但我以为这会降低对 FDE 的要求。周骁聪说恰恰相反。

" 对 FDE 的要求是更加高的。" 因为设计这套自进化机制极其复杂。" 怎么保证它真的学到了，不是在头痛医头、脚痛医脚？怎么不让系统变成一座屎山？"   Agent 的自进化能力越强，需要 FDE 判断的东西越多：哪些反馈值得学，哪些反馈是噪音，进化之后有没有产生新的错误。

他说了一个我印象很深的比喻："AI 现在像一个刚毕业的同学，数学、编程这些基础逻辑能力都有，但落到业务里缺非常多的行业知识。从 60 分到 80 分甚至 90 分，投入的成本和难度可能并不比训练一个大模型要简单。"FDE 的工作就是让 Agent 从 60 分变成 90 分：不是教它代码，是教它业务。

周骁聪招人的偏好是不看经验看年龄。" 我现在会比较偏向年轻的同学。" 团队里有一个应届生、一个毕业一年，都是 00 后。

原因很简单：要真正理解 AI，又要理解业务，知道客户到底想要什么、评价标准是什么。这两条加在一起，在传统行业干了很多年的人反而不容易做到。

决策场景的独特挑战

周骁聪切的赛道有一个本质上的难处：验证周期特别长。

做了一个决策，可能要等一个月甚至一个季度才能看到结果反馈。这造成了两个连锁问题。

一是按结果付费很难，" 不是现在立即能看到的 "。

二是一旦跑偏，纠正成本非常高。

所以他的定价目前还是传统路径：大 B 跟 IT 预算走，中小 B 按 " 一个员工 " 来定价，大几万到十几万。但他认为这个场景才是真正产生大价值的地方：" 企业更多想的还是怎么来开源，而不是仅仅是提效。编程提效大家感知明显，但价值不是那么显性。决策场景是更加能产生更大价值的。"

还有一个细节：他的大 B 客户会自己建 benchmark 选供应商。

" 非常专业的客户，会自己做测试集，有几十个问题、一定数量的文件，看哪家供应商在这个 benchmark 上表现最好。" 全景效应就是在这样的 benchmark 上 " 明显领先 " 才拿到了客户。

这意味着 FDE 的交付质量有了一个外部裁判。

不是你自己说做好了，是客户用一套标准测出来的。这在传统软件时代是常识，但在 Agent 时代，Agent 的输出是概率性的、非标准化的，建 benchmark 这件事本身就很难。

" 好客户是可遇不可求的 "，周骁聪说这类客户不只是付钱，" 他们自己对 AI 的理解很深，日常都用 Claude、Codex 做自己的事情，甚至会跟我们讨论技术设计。"

04

Palantir 的幽灵

和那条永远存在的桥梁

把这三位放在一起，一条线索就出来了。

甘艺凡和刘开在重新定义 FDE 的三个字母：不是在技术层面，是在哲学层面。他们不只是在说 "FDE 要做这些事 "，而是在说 "FDE 实际上是什么 "。

那荣钰在给 FDE 画边界：不是什么场景都适合，不是说什么都能做。周骁聪在让 FDE 的工作对象自己进化，但进化机制越复杂，对人的要求就越高。

三个人都干了一件事：把 FDE 从 " 做法 " 变成了 " 想法 "。前面六位受访者在用行动定义 FDE，我在干这个，那就是 FDE。这三个人在追问：FDE 到底是什么？

还有一个有趣的对照：三个人对 Palantir 的态度截然不同，但都不认为 Palantir 是答案。

甘艺凡最极端：" 全世界只会有一个 Palantir。他的模式在中国之所以不能复制，是因为整个商业底层不一样。美国商业底层是契约制的，中国是一个人情的、一人设岗的管理方式。"

那荣钰曾经用 " 中国材料工业的 Palantir" 定义自己，但后来放弃了：" 今天投资人和大多数人对 Palantir 的理解是有误解的。"

周骁聪压根没提过 Palantir，他的参照系不是任何外部标杆，是 AI native 公司的组织逻辑本身。

三种态度归结到一点：他们不需要硅谷的模板来定义 FDE。

采访快结束的时候，我问甘艺凡和刘开一个尖锐的问题：FDE 会不会只是一个过渡态？AI 能力越来越强，现场还需要人吗？

甘艺凡说："FDE 本身作为 engineer，它在构建的是某种工程。当模型不够强的时候，它要用工程化方式来弥补模型的短板。

当模型足够强的时候，但模型又没有办法探索到真实空间里发生的很多事情的时候，它应该做另外一种工程：给模型提供足够多的上下文。他是 AI 和现实世界目标中间的那个人。他消失的那天是所有人都不需要再工作的那天。"

刘开接了一句，把我逗乐了：

" 会有一个角色是虚拟世界和实体世界中间的桥梁。这个角色在过去 20 年是产品经理，是我们的数字化 BP。今天我们叫他 FDE，再往前面走叫做上下文环境提供师，再往前面走，那个人叫做人类心情抚慰师。"

他不是在开玩笑。产品经理、数字化 BP、FDE、上下文环境提供师、人类心情抚慰师，这条谱系不是在描述工具的演进，而是在描述 " 连接 " 本身的演进。那荣钰的 FDR 也在这条谱系里，把科学家前置到产线。周骁聪的 MetaHarness 也在这条谱系里，这次不是人在进化，是 Agent 在进化。

三条路，都在说同一件事：FDE 不是 AI 不够好的时候的临时补丁。它是一种组织与 AI 之间永远需要的连接。AI 越强，客户现场越复杂，连接本身就越值钱。

一个细节收尾。

在 Rolling AI 的采访中，甘艺凡说他们 7 月 1 号刚涨了价，40%，" 依然还是签 "。目前收费是月费制，单客户年费可达千万级。" 对于稀缺品来说，大家就还是应该守住应有的价值。" 他用鲁花做类比，食用油行业平均净利一两个点，鲁花能做到二十多个点的 EBIT。" 在任何一个行业，这都是一个选择。"

前面的采访里，几乎所有受访者都在焦虑定价：

FDE 太贵了，客户付不起；FDE 太便宜了，覆盖不了成本。

甘艺凡是第一个对定价如此 " 从容 " 的人。这种从容不来自客户多，来自另一件事：他知道自己卖的是什么。

  栏目介绍  

本文是「FDE 在中国」系列访谈的文章之一。我们正在系统研究 FDE（前沿部署工程师）在中国的落地实践，欢迎相关从业者交流。相关白皮书《FDE 落地在中国 2026》已发布，感兴趣的朋友可下滑点击阅读原文获取。

点击左下角 " 阅读原文 "，获取白皮书