**FDE（Forward Deployed Engineer，前線部署工程師）**正在從「離客戶最近的工程師」轉變成「在現場處理事業取捨的戰略功能」。2026 年 4 月，South Park Commons 在紐約舉辦了一場 FDE 主管座談會，OpenAI、Ramp、Nominal、Dataland 四家公司的 FDE 負責人同台，談的不是技術實作細節，而是這個角色如何在企業軟體的商業賽局裡佔據越來越核心的位置。FDE 的職缺量在 2025 年暴增超過 800%，平均年薪總額（TC）達到 23.8 萬美元，紐約已經超過舊金山成為 FDE 的最大招聘據點。
這篇文章拆解座談會的核心洞察，補上產業資料和商業結構，幫你理解 FDE 為什麼在 AI Agent 時代變得不可或缺。
FDE 角色演化：從 Palantir 到 AI 實驗室
Palantir 在 2003 年前後發明了 FDE 的前身，當時叫 Delta。這些工程師被部署到軍事基地和客戶辦公室，直接面對破碎的資料環境和複雜的政治生態。在 2016 年以前，Palantir 的 Delta 人數比核心軟體工程師還多。
2025 年起，OpenAI、Anthropic、Cohere、Databricks、Ramp 等公司紛紛成立 FDE 團隊。OpenAI 的 FDE 由 Colin Jarvis 領軍，他在 2022 年加入公司擔任解決方案架構師，2026 年初團隊已從 2 人擴張到超過 10 人。Ramp 的 FDE 團隊由 Leo Mehr 帶領，一年半內從 2 人成長到 16 人。Salesforce 則在 Agentforce 產品線上承諾招聘 1,000 名相關人員，截至 2026 年 Q4，Agentforce 年化經常性收入（ARR）已達 8 億美元，完成 29,000 筆交易。
| 公司 | FDE 團隊規模 | 設立時間 | 團隊定位 |
|---|---|---|---|
| Palantir | 數百人（含 Delta） | 2003 年 | 政府與企業資料部署 |
| OpenAI | 10+ 人 | 2025 年初 | 產品、研究、GTM 三方交匯 |
| Ramp | 16 人 | 2023 年秋 | 企業收入攻防兼備 |
| Salesforce | 招聘 1,000+ | 2024 年底 | Agentforce 產品落地 |
| Anthropic | 未公開 | 2025 年 | Applied AI Engineer 定位 |
三組不可能兼顧的取捨
座談會上最有意思的部分，是四家公司的 FDE 主管不約而同談到同一組矛盾。
取捨一：企業營收 vs. 產品路線圖完整性。 大型企業客戶帶來高額合約，但每個客戶都有獨特需求。如果把每一筆客製需求直接灌進核心產品路線圖，產品就會被單一客戶綁架。Ramp 的 FDE 團隊用了一個比喻：FDE 是「劍與盾」。劍用來搶下企業客戶，盾用來保護核心產品團隊不被單一客戶的需求拖垮。
Ramp 觀察到一個反覆出現的問題：業務把客戶需求交給 PM，PM 再轉給工程師。這條「傳話鏈」每經過一個環節就會產生失真，原始問題被扭曲成不完全對應的技術規格。FDE 的價值在於同時懂客戶的業務語境和公司的程式碼基底，直接和客戶對接，跳過中間的資訊損耗。
取捨二：深入客戶現場 vs. 不變成顧問公司。 不進入客戶的流程就產生不了價值，但進得太深、太依賴個人，價值的重心就會從產品滑向「這群人的服務」。座談會上有人直說：客戶一旦依賴特定 FDE，這個人一抽走，關係就斷裂。如果客戶感受到的核心價值是「這群人在」而非「這個產品在運轉」，說明規模化還沒做到。
取捨三：快速成交 vs. 資產累積。 眼前的案子趕快結掉有營收，客戶也高興。但如果每個專案做完就結案，沒有任何可複用的模組留下來，做十個案子等於從零開始十次。好的 FDE 不只實作客戶需求，還會在過程中抽取可重用的功能、可複製的導入模式、可以回饋模型改進的評估資料。
各家公司怎麼看 FDE
同一個頭銜在每家公司的重心差異很大。
Ramp 的 FDE 最貼近營收。團隊參與客戶的完整生命週期：從銷售漏斗中的潛在客戶、到導入和上線、再到長期支援。Ramp 不讓一個 FDE 只綁死一個客戶，而是讓 FDE 同時覆蓋多個帳號。這有兩個用意：避免客戶對個人產生依賴，也迫使 FDE 思考「時間花在哪裡對整個業務最有效」。Ramp 目前處理超過 500 億美元的年化支出，服務超過 50,000 家企業，FDE 的存在直接影響企業客戶的續約率和擴展。
OpenAI 的 FDE 最靠近研究。這個團隊橫跨 Go-To-Market、Product、Research 三個部門，不只是解決客戶問題，而是從客戶的困難任務中找出可重複的產品機會和模型改進方向。Colin Jarvis 帶領的 FDE 組織坐落在產品、工程、研究和市場進入策略的交叉點。OpenAI 在紐約和舊金山都設有 FDE 據點，要求最高 50% 的差旅時間。
Nominal 談的是失敗教訓。他們曾經歷過一段「黑暗時期」：現場團隊覺得既有產品解不了客戶的問題，開始自己開發客製方案，結果產品團隊和現場團隊之間出現裂痕，等於內部長出了「另一支隊伍」。後來的做法是縮短兩個團隊之間的距離，讓人員可以互相流動，現場學到的東西盡快回饋到產品。
Dataland 的觀點稍微不同：重點不在「這項工作是不是客製」，而在「它能不能產生持續性價值」。企業現場本來就亂，不可能每個案子一開始就走標準化路徑。但如果每個案子都能降低下一個案子的初始成本、提高導入的可複製性，那它就有軟體等級的規模經濟。
AI 把 FDE 的工作往上推
座談會的共識是：AI 沒有消滅 FDE 的需求，反而把工作的抽象層級抬高了。
以前，FDE 花大量時間做管線銜接（plumbing）和膠水程式碼（glue code），把多個 AI Agent、評估框架、SDK 手動串在一起。現在程式碼生成模型和通用基礎設施變強了，這些苦工可以快速解決。空出來的時間讓 FDE 進入更高層的業務問題——半導體設計的流程優化、文件自動生成、語音客服的品質管控。
工作的本質從「把處理串起來」變成「定義該解什麼問題」。AI 提升了生產力和能力，但取代不了判斷力。模型和開發工具越強，反而越需要有人在客戶現場判斷什麼才是真正重要的。
| FDE 工作重心 | 2023–2024 | 2025–2026 |
|---|---|---|
| 核心任務 | SDK 整合、API 串接、glue code | 業務流程分析、問題定義、標準化判斷 |
| 典型輸出 | 客製化整合方案 | 可複用的導入模式 + 模型評估資料 |
| 與研究團隊距離 | 遠 | 近（特別在 AI 實驗室） |
| 關鍵能力 | 強實作能力 | 判斷力 + 跨部門溝通 |
FDE 的人才圖像
座談會上討論的 FDE 理想型，比「技術很強再加上客戶同理心」這種疊加來得複雜。更像是軟體工程師、產品思考者、營運者、商業負責人的混合體。
反覆出現的關鍵詞：技術深度、溝通能力、對模糊性的忍受度、高度的自主權意識，以及願意把客戶結果放在技術整潔度前面的價值觀。座談會上有句話讓人印象深刻：「好的 FDE 在乎營收。」這代表他們理解自己解決的問題跟公司的商業模式之間有什麼關係，和跑業務完全是兩回事。
FDE 的薪資反映了這種稀缺性。根據 Levels.fyi 的 2026 年初數據，FDE 平均年薪總額 23.8 萬美元，範圍在 20.5 萬到 48.6 萬美元之間。Staff 等級的 FDE 薪資超過 63 萬美元。OpenAI 和 Anthropic 的中高階 FDE 薪資穩定在 35 萬到 55 萬美元。2026 年，紐約佔了全美 FDE 職缺的 35%，舊金山只剩 11%。
服務營收是毒藥
FDE 主管最擔心的事情相當一致。
企業服務的收入太誘人。座談會上有人把它比成一種「成癮物質」，短期有錢進來、客戶也開心，但持續對這種模式優化的結果是公司在不知不覺中變成一家顧問公司。問題不在於要不要對客戶說「好」，而在於你說的「好」是不是一種長期也有效的形式。
大口客戶的需求如果直接灌進核心產品路線圖，產品公司的主軸就會偏移。FDE 運作良好的狀態，是在吸收客戶的複雜度的同時，仍然守住核心產品的一致性。
危險往往不在初始的開發階段，而在後續的維護。第一次實作結束後殘留的例外處理、保守對應、支援的複雜度，會悄悄把公司推向顧問模式。座談會的四位講者在這一點上的共鳴最強。
FDE 的未來是學習循環
把座談會的核心論點收攏成一句話：FDE 的未來不在部署（deployment），而在學習（learning）。
強的 FDE 團隊運作一個循環：在客戶的困難場景中第一個接觸問題、先在現場把價值做出來、從中抽取可重用的元件、把元件回饋到產品和模型改進。這個循環在 OpenAI 已經延伸到研究部門——FDE 在客戶專案中發現困難任務，把它轉化成評估框架和範例，回饋給模型訓練。到了這個層次，FDE 比較像是「前沿感測層」（frontier sensing layer）而非部署支援。
EY 在 2026 年 4 月於英國和愛爾蘭成立了 FDE 事業部，是第一家正式採用這個模式的大型顧問公司。這代表 FDE 不再只是矽谷 AI 新創的內部功能，而是開始被傳統企業服務市場吸收。
台灣企業可以學到什麼
台灣的 B2B 軟體和 AI 解決方案市場規模不像美國，但 FDE 背後的問題結構是通用的。任何做企業客戶的軟體公司，都會遇到「客製 vs. 標準化」「短期收入 vs. 長期資產」的拉扯。
筆者觀察到幾個直接可借鏡的做法。第一，不讓業務和 PM 變成傳話機：在台灣科技業，需求從客戶到工程師中間經過的層級更多，失真更嚴重。讓理解程式碼的人直接面對客戶是最根本的解法。第二，FDE 不綁死單一客戶：避免個人依賴是設計問題，不是管理問題。第三，企業服務的營收是有效的商業模式，前提是每個案子都有東西留下來給公司——功能模組、導入範本、評估資料。
常見問題
FDE 前線部署工程師和傳統解決方案架構師（SA）有什麼不同？
FDE 比 SA 更深度參與實作。SA 通常扮演諮詢角色，很少在客戶端寫程式碼，主要做概念驗證（PoC）。FDE 則是直接在客戶的生產環境裡寫程式碼、做架構設計、推動上線，並且把現場學到的東西回饋給產品團隊。OpenAI 同時設有 SA 和 FDE 兩種職位，明確區分兩者的職責範圍。
FDE 的薪資水準大約多少？
根據 Levels.fyi 2026 年初數據，美國 FDE 平均年薪總額（TC）約 23.8 萬美元（約 NTD 7,616,000），範圍 20.5 萬到 48.6 萬美元。Staff 等級超過 63 萬美元。OpenAI 和 Anthropic 中高階 FDE 在 35 萬到 55 萬美元之間。英國倫敦的中位數約 12.1 萬英鎊。
AI 會取代 FDE 嗎？
目前的趨勢相反。AI 工具（程式碼生成、Agent 框架）把 FDE 的工作從低階串接推向高階業務判斷。模型越強，客戶能做的事越多，越需要有人在現場判斷什麼問題值得解、什麼該標準化。座談會的共識是：better models push FDE further up the stack。
什麼類型的人適合當 FDE？
根據座談會的描述，理想的 FDE 是軟體工程師、產品思考者、營運者、商業負責人的綜合體。關鍵特質包括：技術深度、溝通能力、對模糊性的高忍受度、強烈的結果導向（而非技術整潔導向），以及理解自己的工作如何連結公司的商業模式。前創業者和早期新創的全能型人才被認為特別適合。
Salesforce 的 Agentforce 和 FDE 有什麼關係？
Salesforce 在 2024 年底推出 Agentforce 後承諾招聘超過 1,000 名相關人員。原始作者 @koheifukada 就在 Salesforce 的 FDE 團隊，他觀察到 Agentforce 推出初期以 FAQ 和客服類簡單 Agent 為主，現在重心正在轉向語音、多 Agent 架構、MCP 協議、Coding Agent 等更前沿的技術領域。
Sources
- The Pragmatic Engineer — What are Forward Deployed Engineers, and why are they so in demand?
- Ramp Engineering Blog — Forward Deployed Engineering
- Gigged.AI — The Forward Deployed Engineer: 2026's Hottest Job Title
- OpenAI Careers — Forward Deployed Engineer (FDE)
- South Park Commons — April 2026 Update
Author Insight
我們協助多家台灣 B2B 科技企業導入 AI Agent 和 MCP 協議整合。最常碰到的瓶頸不是模型能力不足，而是客戶端的資料架構和業務流程沒有人「翻譯」成工程語言。台灣企業的組織結構通常是業務、PM、工程三層分離，中間的資訊損耗比美國企業更嚴重。FDE 這個角色的精髓在於把「翻譯層」從組織流程中拿掉，用一個同時理解商業脈絡和技術邊界的人直接面對問題。如果你的團隊正在思考怎麼讓 AI 解決方案真正在企業客戶端跑起來，歡迎跟 Tenten AI 諮詢。
