一句話說明

FDE（Forward Deployed Engineer，前線部署工程師）是被派駐到客戶現場，直接和客戶一起解決問題的工程師角色。

FDE 的起源：Palantir 的 Deltas

FDE 這個概念，最早由 Palantir Technologies 在 2010 年代初提出。當時 Palantir 在做的事情是把複雜的資料分析平台部署到美國政府和大型企業裡面。他們發現一個問題：光把軟體丟給客戶是不夠的，客戶不知道怎麼用，也不知道怎麼把自己的資料和業務流程接上去。

Palantir 的解法是把工程師直接派駐進客戶的辦公室。這些工程師在內部被稱為「Deltas」，他們直接進駐國防部、情報單位、大型銀行的現場，和客戶肩並肩地把系統搞定。這些人後來被正式稱為 Forward Deployed Engineer。

這裡有一個很重要的區別：FDE 去客戶現場的目的是「一起解決問題」，和傳統的技術支援或教育訓練完全不同。他們有完整的工程能力，可以寫程式、改架構、建 pipeline，但他們的目標是理解客戶的真實問題，然後用技術來解決它。

FDE 在做什麼？

一個 FDE 的日常工作大概長這樣：

早上可能在和客戶的業務團隊開會，了解他們在流程上碰到什麼瓶頸。中午回到自己的工位開始寫程式，把客戶的資料接進系統裡。下午做一個 demo 給客戶的主管看，展示新功能怎麼解決他們的問題。晚上可能還在除錯，因為客戶的資料格式跟預期不一樣。

具體來說，FDE 的工作包括幾個面向：

理解客戶問題：這不只是收集需求。FDE 需要深入理解客戶的業務邏輯、組織架構、甚至政治生態，才能知道什麼方案客戶真正用得起來。

技術實作：FDE 不是只畫架構圖然後交給別人做。他們自己寫程式、建系統、做資料整合。用到的技術從 Python 到 SQL、從 API 串接到 RAG 系統建置都有。

產品回饋：因為 FDE 最接近客戶，他們經常是把客戶需求帶回總部產品團隊的橋樑。很多產品的新功能，最早就是某個 FDE 在客戶現場發現需求後推動的。

部署和維運：把系統部署到客戶的環境裡（可能是地端、可能是私有雲），確保它穩定運作。這包括效能調校、監控設定和故障排除。

FDE 和其他角色有什麼不同？

FDE 常常被拿來和其他技術角色搞混。這張表幫你理清差異：

角色 主要目標 技術深度 客戶接觸 寫程式
FDE 在客戶現場解決問題 高 每天 大量
Solutions Engineer 售前技術展示 中高 銷售週期內 中等（demo/POC）
Technical Consultant 提供技術建議 中高 專案期間 視情況
Customer Success 確保客戶續約 低中 定期 幾乎不寫
SRE 維持系統穩定 高 很少 大量（自動化）
後端工程師 開發產品功能 高 幾乎沒有 大量

最關鍵的差異在於：FDE 同時具備高技術深度和高客戶接觸頻率。大部分的技術角色，越深入寫程式就越少見到客戶；越常和客戶互動的角色，通常不太需要自己動手做。FDE 把這兩者結合在一起。

哪些公司有 FDE？

FDE 這個角色從 Palantir 開始，現在已經擴散到不少科技公司：

Palantir：FDE 概念的發源地。他們的 FDE 被派駐到政府單位、國防機構和大型企業，有時一駐就是好幾個月。

Scale AI：專注在 AI 資料標註和模型評估。他們的 FDE 幫客戶設計資料標註流程、建立品質控管機制。

Databricks：資料和 AI 平台公司。他們的 FDE（有時叫 Resident Solutions Architect）幫客戶把資料湖和 ML pipeline 建起來。

Anduril：國防科技公司，FDE 派駐到軍事單位部署感測器系統和 AI 分析平台。

除了這些明確使用 FDE 頭銜的公司，很多 AI 新創和系統整合商其實都有類似角色，只是叫法不同——可能叫 Field Engineer、Implementation Engineer、或是 Technical Account Manager。

AI 時代的 FDE

隨著 LLM 和生成式 AI 的普及，FDE 的工作內容也跟著轉變。過去 FDE 主要在做資料平台部署和商業智慧系統整合，現在越來越多 FDE 的工作和 AI 直接相關。

一個 AI 時代的 FDE 可能需要做這些事：

幫客戶建立企業內部知識庫的 RAG 系統，包括文件的 Chunking 策略、Embedding 模型選擇和 向量資料庫 部署。

設計 Prompt Engineering 的流程，讓客戶的業務人員也能有效地和 AI 互動。

評估不同 LLM 的效能和成本，根據客戶的需求選擇適合的模型。

建立 AI Agent 工作流程，讓 AI 自動化處理客戶的重複性任務。

部署 AI Gateway 和 AI Guardrails，確保 AI 系統的安全和合規。

這些工作需要的技能組合和傳統 FDE 有些不同。想了解更多，可以參考 FDE 技能指南。

台灣的 FDE 生態

台灣的 AI 產業雖然不像矽谷那麼密集，但類似 FDE 的角色一直都存在，只是叫法不同。

系統整合商（SI）裡的技術顧問，很多時候做的就是 FDE 的工作：到客戶現場了解需求、設計方案、做系統整合、教育訓練。差別在於，傳統 SI 的技術顧問通常專注在 ERP、CRM 這類企業軟體，而 AI 時代的 FDE 則專注在資料和 AI 應用。

台灣幾個比較可能出現 FDE 角色的場景：

金融業的 AI 導入：銀行和保險公司導入 AI 風控、智能客服，通常需要有人駐點協助。

製造業的 AI 品檢：工廠要導入 AI 視覺檢測，需要有人到產線了解實際狀況才能調整模型。

政府的智慧城市專案：各縣市的數位轉型專案，需要技術人員到機關現場協助部署。

醫療的 AI 輔助診斷：醫院要導入 AI 影像判讀，需要了解臨床流程的技術人員配合。

安全考量與限制

FDE 的工作模式帶來一些獨特的資安挑戰：

客戶資料存取：FDE 經常需要接觸客戶的敏感資料（財務資料、個資、營業秘密）。必須有清楚的資料存取權限管控和保密協議。

多環境風險：FDE 可能同時服務多個客戶，在不同環境之間切換。要小心不要把 A 客戶的資料或設定帶到 B 客戶的環境，也不要把客戶資料帶回自己公司。

部署環境安全：在客戶的地端環境部署系統時，要遵守客戶的資安政策。有些客戶（特別是金融和政府）有嚴格的網路隔離要求，不能隨便把資料傳到外部。

供應鏈風險：FDE 導入的開源套件和模型可能帶有安全漏洞。每次部署都應該做依賴套件的安全掃描。

AI 特有風險：部署 AI 系統時要特別注意 Prompt Injection 防護、模型輸出的安全過濾、以及資料在 AI 處理過程中的隱私保護。

權限最小化原則：FDE 在客戶環境中應該只擁有工作所需的最小權限，不應該拿到不必要的管理員權限。

怎麼成為 FDE？

如果你對 FDE 這個角色有興趣，有幾個方向可以準備：

  1. 先當幾年軟體工程師：FDE 需要紮實的技術底子。先在正規的軟體開發團隊裡累積經驗，學會寫好程式碼、理解系統架構。

  2. 練習和非技術人員溝通：找機會向不懂技術的人解釋技術概念。這是 FDE 最核心的軟技能之一。

  3. 學習 AI/ML 的基礎：不需要成為研究員，但要理解 LLM 怎麼運作、RAG 是什麼、Prompt Engineering 的基本原則。

  4. 累積領域知識：選一個產業（金融、醫療、製造等）深入了解它的業務邏輯和痛點。

  5. 投履歷：直接找有 FDE 職缺的公司。在台灣，可以找 AI 新創公司或系統整合商的技術顧問職位。

更完整的技能清單可以參考 FDE 技能指南，實際部署流程則可以看 FDE 的 AI 導入實戰。

知識檢測

讀完文章後，測試一下你對這個主題的理解。

常見問題

FDE 和外包工程師有什麼不同？

本質上完全不同。外包工程師是被指派去執行客戶定義好的任務，通常沒有太多決策權。FDE 是公司的核心員工，被派到客戶現場去發現問題、設計解法、推動改變。FDE 有很大的自主權來決定怎麼解決問題，也有權力把客戶的需求帶回公司影響產品方向。

FDE 需要一直出差嗎？

看公司和客戶。Palantir 的 FDE 早期確實常常需要長期駐點，一駐就是幾個月。但隨著遠端工作普及，現在很多 FDE 的工作模式是混合的：需要到客戶現場的時候就去，其他時間遠端工作。有些公司的 FDE 負責的客戶就在同一個城市，不太需要跨城市出差。

FDE 的職涯發展路徑是什麼？

常見的路徑包括：轉任產品經理（因為你最了解客戶需求）、轉任工程主管（因為你有跨團隊協作的經驗）、創業（因為你看過很多產業的痛點）、或是繼續深耕成為資深 FDE / 技術總監。在 Palantir，很多高階主管都是 FDE 出身。

台灣有 FDE 的職缺嗎？

以「FDE」這個確切頭銜來找的話，台灣的職缺不多。但如果把搜尋範圍擴大到「技術顧問」、「解決方案架構師」、「AI 導入工程師」、「實施工程師」，會發現其實不少公司都在找類似角色。特別是 AI 和資料領域的公司，對這種能兼顧技術和客戶溝通的人才需求很高。

總結

FDE 是一個結合了深度技術能力和客戶現場問題解決的工程師角色。這個概念從 Palantir 的 Deltas 開始，如今已經擴散到整個科技產業。在 AI 時代，FDE 的角色更加重要，因為 AI 系統的部署遠超過「裝軟體」的範圍，需要深入理解客戶的業務流程、資料狀況和安全需求，才能讓 AI 真正發揮價值。

台灣的企業正在加速導入 AI，對於能同時懂技術和懂業務的 FDE 型人才需求會越來越高。如果你想往這個方向發展，可以繼續閱讀 FDE 技能指南 和 FDE 的 AI 導入實戰。

參考資料