内容提要FDE(Forward Deployed Engineer,前线部署工程师)是企业级 AI 竞争从「模型性能」转向「落地交付」后,在组织与人才层面的集中体现。本报告不讨论某一家公司的得失,而是回答一个行业层面的问题: 同样是把工程师派到客户现场,为什么有的公司越做越轻、有的公司越做越重?报告的核心判断是: FDE 模式的真正分水岭不在「派不派人到现场」,而在「现场干完之后有没有东西沉淀下来」。沿着这条主线,报告依次分析海外头部厂商如何把交付转化为资产、国内厂商职能存在但沉淀偏慢的现状、线性曲线与指数曲线背后的本质矛盾,并梳理业界在团队组织与人才标准上可参考的具体做法。第一章 海外头部厂商:如何跨过「交付到沉淀」这道坎1.1 OpenAI:把现场经验反哺进模型路线图Situation:所处情境官方公告(2026 年 5 月 11 日)披露,超过一百万家企业已采用其产品和 API;OpenAI 据此判断,企业级 AI 的下一阶段将由企业能否有效把技术部署到真实场景来定义,部署质量取代模型获取成为竞争焦点。外部环境上,基础模型能力差距收窄、可互换性上升,价值捕获正从模型层向应用与交付层转移;企业客户从试点转向生产,但具备落地能力的工程人才严重稀缺。Task:要解决的任务把模型能力优势转化为企业生产环境的实际渗透,掌握从模型到业务结果的完整价值环节。在不拖累自身研发节奏与财务报表的前提下,快速建立数千人规模的交付能力。Action:具体行动组织层:自 2024 至 2025 年建立 Forward Deployed Engineering 正式团队,定位为「在客户交付与核心平台开发的交汇处运作」;岗位按生命科学、半导体、政府、金融服务等行业垂直拆分,并分化出 FDE、FDSWE(全栈交付)、FDE Manager 三层角色,其中 FDSWE 的职责之一是设计抽象层以规模化交付速度与质量。资本层:2026 年 5 月 11 日成立 OpenAI Deployment Company(DeployCo),OpenAI 多数持股并控制,初始投资超 40 亿美元;TPG 牵头,Advent、贝恩资本、Brookfield 联合发起,共 19 家投资方,其中包含贝恩公司、凯捷、麦肯锡等咨询与集成公司;前 COO Brad Lightcap 出任负责人。并并购层:同步收购爱丁堡 AI 咨询公司 Tomoro,一次性引入约 150 名现成 FDE 与部署专家,实现「到位即用」。方法论层:官方定义的成功标准不止于交付完成,而是「以评估(eval)驱动的反馈改变产品和模型路线图」;FDE 业务页强调团队从客户的具体问题出发而非通用产品,先验证影响,再识别可规模化的模式。换言之,每一次现场交付都被要求产出两样东西——客户的业务结果,以及一份能回流到产品的可复用模式。Result:已呈现的结果DeployCo 成立即具备约 150 人的成建制 FDE 力量与企业客户履历,媒体报道其投前估值约 100 亿美元。通过 19 家投资方的被投网络,获得超过 2000 家企业的优先触达通道。旗舰案例 BBVA 从 ChatGPT Enterprise 早期部署扩展到 25 个国家的 12 万名员工,AI 嵌入银行运营核心,成为 FDE 方法论的公开样板。1.2 Anthropic:生态分层路线Situation:所处情境CFO Krishna Rao 在官方公告(2026 年 5 月 4 日)中判断:企业对 Claude 的需求已显著超出任何单一交付模式的承载能力。市场存在结构性空白:社区银行、中型制造商、区域医疗系统等中型企业有明确 AI 需求,但缺乏内部工程资源,而大型系统集成商服务该客群不经济。公司层面,Anthropic 正处于上市筹备期,生态规模与企业收入故事直接关系估值。Task:要解决的任务在不与 Accenture、Deloitte、PwC 等既有集成商伙伴形成正面冲突的前提下,扩大交付总容量。把分散在各伙伴手中的交付质量标准化、可度量化,保证客户体验一致。通过交付环节推广自家 Agent 技术标准(MCP、sub-agent、agent skill),巩固生态位。Action:具体行动组织层:FDE 隶属 Applied AI 团队,招聘信息将交付物明确定义到工程组件颗粒度——在客户系统内构建生产级 Claude 应用,交付 MCP server、sub-agent、agent skill;要求识别可复用部署模式反馈产品与工程团队;出差比例 25% 至 50%。资本层:2026 年 5 月 4 日联合黑石、HF、高盛成立企业 AI 服务公司,总规模约 15 亿美元,三家锚定方各出约 3 亿美元,General Atlantic、Apollo、GIC、红杉等跟投;采用普通股权结构,与投资方共担风险,无保底回报条款;官方明确该公司本身将成为 Claude Partner Network 的一员,与既有集成商并列。生态层:2026 年 3 月推出 Claude Partner Network(1 亿美元生态投入),6 月 3 日叠加 Services Track 三级认证——Select(10 名认证从业者、2 个生产部署、1 个公开案例)、Preferred(100 人、15 个部署、3 个案例)、Global Premier(1000 人、跨三区域 100 家客户、15 个背书与联合商业计划),所有指标以可验证的交付事实为准。Result:已呈现的结果Partner Network 启动三个月内收到超过 4 万家公司加入申请,超过 1 万名顾问完成 Claude 认证。交付标准(MCP、agent skill)随伙伴网络扩散,事实上成为企业 Agent 工程的参照规范之一。1.3 共同点分析:可复制的不是动作,是前提剥离路线差异,OpenAI 与 Anthropic 的做法指向同一个内核:他们都拒绝让 FDE 停留在「一次性帮客户干完活」,而是用制度强制每次交付产出可回流的资产——OpenAI 靠 eval 反哺模型路线图,Anthropic 靠组件化交付物。这是他们让交付摆脱线性成本、走向规模复用的关键。但必须客观指出一个前提:这两家之所以能这么做,是因为他们手握顶级自研模型并处于行业领先位置——现场反哺的对象(模型路线图)是他们自己的核心资产,组件化标准(MCP)也由他们自己定义。这个前提决定了,他们的具体打法对不掌握底层模型的交付型公司而言,可借鉴方法论,但难以照搬全貌。第二章 国内市场土壤:FDE 面对的特殊约束2.1 核心差异:国内客户为「干活」买单,不为「产品」买单FDE 模式在海内外都以「派人到客户现场」为前提,这一点没有差别。真正拉开差距的,是客户愿意为什么付费。海外成熟企业市场普遍接受这样一种交易:供应商派 FDE 进场,帮客户搭一套以后客户能自己用、供应商也能复用的系统;客户既为「这次把活干了」付费,也为「得到一套可持续运行的产品/能力」付费。这种「授人以渔」的模式,使得海外 FDE 交付完一单,往往能留下一个标准化产品,边际成本得以摊薄。国内市场——尤其是政企、药企、金融这类高价值客户——的采购习惯则明显不同。多数客户的诉求非常直接:你派人来,帮我把活干了就行,别的不用你管。他们对「你卖我一套 SaaS 产品、再教我怎么用、剩下的我自己来」这种模式兴趣不大,甚至会觉得「还要我自己学、自己维护」是一种负担。客户要的是结果,不是工具;是「替我把鱼打上来」,不是「教我打鱼」。这个差异看似只是采购偏好,实则决定了 FDE 在国内的生存形态。因为它意味着:在国内,「把客户教会、让客户自用」这条本可以帮供应商减负的路径,需求侧根本不买账。对外的产品化沉淀,在国内缺乏客户的付费支撑——你做出再标准化的产品,客户也只想要你派人来用这个产品帮他干活,而不愿意单独为产品付费、自己使用。2.2 三重叠加约束在「只为干活买单」这一核心差异之上,国内市场还叠加了几重约束,共同抬高了 FDE 沉淀的难度。数据与合规约束:政企、药企、金融客户普遍要求数据不出域、本地化私有化部署,这使得交付高度定制、难以跨客户直接复用通用产品。高度定制诉求:每个客户的流程、系统、组织习惯差异大,且倾向于要求供应商「适配我的现状」而非「按你的标准产品改造我」,进一步削弱了产品标准化的空间。付费方式惯性:客户更习惯按项目、按人天结算,而非按产品订阅付费,这从收入确认方式上就把供应商往「人力投入随项目线性增长」的轨道上推。2.3 国内也有跑通沉淀的样本:华为市场约束大,不等于沉淀不可能。华为是国内少数把「现场到产品」闭环跑通的样本,而它的做法恰恰回避了「让客户自己用产品」这一国内最难的环节。做法:华为自 2021 年起组建煤矿、海关、公路等行业军团,把研发、销售、交付、行业专家压缩进同一作战单元直接面向客户现场。以矿山为例,客户包括山东能源集团,依托盘古大模型把矿山大模型应用到采、掘、机、运、通、洗选等 9 大业务系统,采用云边协同满足「数据不出企」。关键:华为云官方白皮书把该项目描述为人工智能开发「从作坊式到工业化」的升级,现场打磨的能力通过盘古「5NX」分层架构沉淀为 L2 场景模型——矿山方向首批封装 9 个专业 21 个场景应用,再打包成「矿山智安系列化解决方案」对全行业销售。注意:客户买的仍然是「华为帮我把矿山智能化做了」,而不是「我买一套盘古自己用」。华为把产品藏在了交付里,既符合国内客户「你来帮我干活」的习惯,又在内部完成了标准化沉淀。华为的样本说明:在国内市场,可行的沉淀往往不是把产品直接卖给客户,而是把标准化能力包进交付里——客户感知到的还是「你派人来干活」,但供应商内部的复用程度在不断提高。第三章 本质矛盾:线性 vs 指数,以及两种沉淀形态3.1 两条曲线把前两章的事实抽象出来,FDE 模式天然存在两条增长路径,决定一家公司是越做越轻还是越做越重。线性曲线:每接一个项目,投入的人力成本等比例增加。多一个客户就多一组驻场人员,项目结束能力随人走,下一个客户从头再来。天花板是人头费乘以人数,收入和成本同步增长,规模扩张不带来边际效率提升。指数曲线:现场每交付一次都沉淀出可复用的东西,下一个客户的交付站在上一个客户的产出之上,边际成本递减。前期投入重、爬坡慢,但资产积累到临界点后,新增客户的服务成本显著低于第一个客户。第一章的 OpenAI、Anthropic 与第二章的华为,都在努力爬指数曲线;而大量按项目、按人天计价的交付,跑的是线性曲线。3.2 分水岭不在「派不派人」,而在「沉不沉淀」一个常见误解是,FDE 的价值在于「派人到现场」。但派人到现场是 FDE 与传统软件销售的区别,不是 FDE 内部好坏的分水岭——驻场外包也派人到现场。真正决定走线性还是指数的,是派人之后有没有资产回收机制。这一点在海外两家官方材料里被反复强调:OpenAI 要求 FDE 识别可规模化的模式并以 eval 反馈影响产品路线图,Anthropic 要求整理可复用部署模式反馈产品工程团队。FDE 因此兼具收入功能与研发功能——这正是它与传统实施外包的本质区别。外包的产出归于项目,FDE 的产出有一部分必须归于沉淀。如果把工程师派到现场却没让现场产出回流,那么拥有的只是 FDE 的形态,而非 FDE 的内核。3.3 关键洞察:沉淀有两种形态,目标却完全一致这是本报告最核心的判断。「沉淀」并不只有「做出一个对外的产品」这一种形态。把海外与国内的实践放在一起看,沉淀其实分两种:形态一,对外的标准化产品:沉淀的成果是一个产品——盘古的 L2 场景模型、Anthropic 的 MCP 组件、黑湖从车间长出的 SaaS。它面向客户,客户(在海外)直接为这个产品付费、甚至自己使用。形态二,对内的标准化交付模式:沉淀的成果是一套交付能力——可复用的组件库、参考架构、行业知识库、交付 SOP、把资深专家经验显性化的标准动作。它面向供应商自己,客户感知不到它的存在,客户看到的还是「你派人来帮我把活干了」,但供应商内部第 N 次交付的人,手里握着前 N-1 次沉淀下来的标准化资产,所以同样派人,成本、周期、对资深专家的依赖都在递减。两种形态在客户那一端看起来完全不同——一个是「我买了产品」,一个是「你还是派人来干活了」;但在供应商内部,它们指向同一个目标:让每一次交付的成本不随项目数量线性增长。这是理解国内 FDE 出路的钥匙。3.4 为什么对内沉淀更适配国内市场第二章已经讲清楚:国内客户只为「干活」买单、不为「产品」买单,这使得对外产品化沉淀(形态一)在国内缺乏需求侧的付费支撑——你做出再标准的产品,客户也只想要你派人来用它帮自己干活。而对内的交付模式标准化(形态二)有一个决定性的优势:它不依赖客户的付费意愿,只依赖供应商自己的决心和机制。客户不需要改变任何采购习惯,照旧「派人来把活干了」即可;沉淀完全发生在供应商内部。换句话说,形态二把沉淀这件事的主动权,从「难以改变的客户」手里,挪回到了「自己可以决定」的供应商手里。这就解释了一个看似矛盾的现实:国内做 FDE,最后大概率还是要派人去把活干了——因为客户就吃这一套。但「派人去把活干了」和「成本不线性增长」并不矛盾,只要派去的人带着内部沉淀的标准化交付资产。海外沉淀产品给客户,国内沉淀模式给自己,形态相反,目标一致。难点也随之从「说服客户买产品」转移到了「内部是否真的建立了沉淀机制」——这恰恰是供应商自己能掌控的。第四章 两条沉淀路径的可操作方案:扎根国内市场本章把第三章的两种沉淀形态,落到国内市场下的具体可操作方案。立足点是国内现实:客户只为干活买单、数据不出域、高度定制、按人天付费。在这些约束下,对外产品化要换一种打法,对内交付标准化则是主战场。每条路径都给出可借鉴的业界做法与落地抓手。4.1 先看清约束:方案必须适配的四个国内现实需求侧:客户要结果不要工具,只为「派人把活干了」付费,不为「买产品自己用」付费——决定了对外纯 SaaS 产品在国内难走通。合规侧:数据不出域、私有化部署是政企药企的硬约束——决定了沉淀的产品必须支持本地化、组件必须可在隔离环境复用。交付侧:每个客户流程系统差异大、要求供应商适配现状——决定了通用产品标准化空间有限,需要「行业级」而非「通用级」的颗粒度。财务侧:按项目、按人天结算的惯性——决定了对内沉淀(降低自己的人天成本)比对外售卖更容易转化为实际收益。4.2 路径一:对外产品化沉淀——「把产品包进交付里」对外产品化在国内不能照搬海外的「卖通用 SaaS」打法,但可以换一种形态:不把产品单独卖给客户,而是把标准化产品包进交付服务里,客户买的还是「你帮我干活」,你交付的却是标准化程度越来越高的东西。这是华为军团模式给出的国内可行解。可借鉴做法分层封装:华为盘古 5NX:把现场场景沉淀为 L2 场景模型与行业解决方案包,对外以「行业方案」而非「通用产品」形态销售,客户感知是买方案、实质是买被产品化封装的能力。组件化:Anthropic 把交付物定义为 MCP server、sub-agent、agent skill——把交付拆解为可独立复用的组件,即便不能整体卖产品,组件层面也能跨客户复用。单点长出产品:黑湖科技从单个车间的 PoC,经 8 个月高频反馈,沉淀为服务数千家制造集团的 SaaS——证明从「单点定制」长出「行业产品」在国内是可能的,前提是选对高度同质的细分场景。落地抓手选择客户流程高度同质的细分行业(如某一类制造、某一类医疗场景)作为产品化突破口,同质度越高,单点沉淀越能跨客户复用。产品形态做成「行业解决方案包」而非「通用 SaaS」,匹配国内客户买方案、不买工具的习惯。产品默认支持私有化与本地部署,把合规约束前置到产品设计里,而非每个项目临时适配。4.3 路径二:对内交付模式标准化——国内的主战场这是最适配国内市场、主动权完全在己的路径。客户照旧「派人来把活干了」,沉淀发生在供应商内部:让第 N 次交付带着前 N-1 次的标准化资产,从而在「还是派人去」的同时,把人天成本、交付周期、对资深专家的依赖一年年压下来。对内沉淀的成果不卖给客户,但直接体现在自己的毛利和交付效率上。要沉淀哪几类对内资产可复用组件库:把客户现场反复出现的功能,做成可在隔离环境部署、跨项目复用的标准组件(如常见的数据接入、权限对接、Agent 编排模块),让下一个项目「拼装」而非「重写」。参考架构:沉淀经过验证的行业级技术架构,新项目从参考架构裁剪,而非每次从零设计。行业知识库:把行业术语、业务规则、合规要求、典型工作流沉淀为结构化知识库,降低新客户的需求理解成本——这部分在数据不出域的约束下尤其值钱,因为它是跨客户可迁移的「行业理解」而非「客户数据」。交付 SOP:把资深专家的隐性经验显性化为可培训、可执行的标准动作(交付方法论、检查清单、踩坑手册),降低交付对个别专家的依赖,让能力可复制而非随人走。可借鉴的组织做法角色分层:Palantir 的 Echo(需求发现)/ Delta(技术实现)、OpenAI 的 FDE/FDSWE 分层——共同点是设专职角色把交付速度规模化。落地含义:必须有人专职负责沉淀,否则沉淀一定被紧急交付挤掉。反哺入职责:把交付经验提炼为可复用资产,在两家海外公司都是 FDE 的硬性职责而非额外任务。落地含义:沉淀要写进岗位职责,不能靠自觉。把复用纳入考核:OpenAI 用生产采用率与路线图影响、Anthropic 用复用相关指标考核,都绕开了「验收即终点」。落地含义:把组件复用次数、SOP 被调用次数纳入交付团队考核,团队才会真做沉淀。落地抓手在交付团队里设独立的「沉淀」职能或角色,专职把项目产出转化为可复用资产,与一线交付解耦。建立组件库 / 参考架构 / 知识库 / SOP 四类资产的统一仓库与更新机制,每个项目结项必须回收资产,作为结项的硬性环节。把「资产复用率」「人天成本同比变化」纳入交付团队的核心考核指标,替代单纯的项目验收口径。前期容忍较慢的爬坡:对内沉淀的回报是滞后的,第一批项目会因为「边干边沉淀」而变慢,这是指数曲线的必经成本,需要在考核周期上给予容忍。4.4 人才标准:支撑两条路径的 FDE 素质要求两条路径对人的要求,在海外通用画像之上,因国内对内沉淀为主而有所侧重。海外通用四维度(可招聘、可考核)工程硬实力:生产级全栈代码、关系型数据库、从原型到生产的完整交付经历;OpenAI FDSWE 偏好前创始人或创业公司早期工程师。AI 工程素养:LLM 系统的构建与部署经验、理解模型行为对产品体验的影响、eval 设计与误差分析。现场作战能力:高模糊度环境独立决策、与工程师/产品/客户高管多线沟通、处理遗留系统与合规;Anthropic 要求 25%-50% 出差。反哺能力:把部署经验提炼为可复用原语、参考实现与 playbook。这一维度是 FDE 区别于驻场外包的分水岭。国内侧重:反哺能力权重更高在国内对内沉淀为主的模式下,「反哺能力」的权重比海外更高——因为国内 FDE 不只要把活干完,还要把这次的活变成下次能用的标准动作。一个只会把项目交付好、却不沉淀任何可复用资产的工程师,在线性曲线上是合格的,在指数曲线上是不够的。招聘与考核时,「能否把现场经验结构化为他人可用的资产」应作为区分普通交付工程师与 FDE 的核心标尺。国内补充:陆奇的「高斜率三要素」认知:持续更新认知模型的速度——技术快速演进下,学习速度本身是核心能力。品味:从 AI 生成的无数方案中判断高价值方向——生成不再稀缺时,判断力成为稀缺。能动:无标准答案下搞定复杂事情的韧性——现场模糊多变,执行心力不可替代。4.5 资历门槛从公开材料看,通用 FDE 岗位通常 5 至 7 年经验起步,管理岗 8 年以上含 2 年 FDE 管理经验;行业垂直岗叠加领域经验。这是一个复合型、偏资深的角色,而非入门岗位。第五章 三个尚无定论的开放问题FDE 是仍在快速演化的领域,几个关键问题目前都没有确定答案。本报告不替读者作答,只把分歧呈现出来供持续观察。问题一:部署的复杂性,是阶段性的还是结构性的?看多一方(如 a16z、陆奇)认为是结构性的——模型越强、现场越值钱,数据接入位置的争夺是长期的。审慎一方(如部分企业软件分析人士、Forbes)认为可能是阶段性的——模型与工具链充分成熟、部署高度标准化后,FDE 的价值窗口可能收窄。这决定了 FDE 是长期能力投资还是阶段性红利。问题二:国内市场能否跑出 FDE 模式驱动的平台公司?华为(分层架构)与黑湖(车间到 SaaS)证明了指数曲线在中国可能,但国内「只为干活买单」的市场现实提示,多数公司更可能停在项目公司形态。关键观察对象是智谱、黑湖、明悉等头部样本未来 18 个月的收入结构变化——按人天计价的比例是上升还是下降,是检验这个问题的硬指标。问题三:国内厂商何时会把 FDE 正式化?海外已出现独立岗位序列(OpenAI 三层角色)与认证体系(Anthropic Services Track),国内仍是分散的功能等价物。一个值得跟踪的信号,是国内头部云厂商是否会率先把 FDE 正式化为岗位序列,以及是否会模仿推出伙伴认证体系——这将标志国内从「概念讨论」进入「组织建设」阶段。
内容提要FDE(Forward Deployed Engineer,前线部署工程师)是企业级 AI 竞争从「模型性能」转向「落地交付」后,在组织与人才层面的集中体现。本报告不讨论某一家公司的得失,而是回答一个行业层面的问题: 同样是把工程师派到客户现场,为什么有的公司越做越轻、有的公司越做越重?报告的核心判断是: FDE 模式的真正分水岭不在「派不派人到现场」,而在「现场干完之后有没有东西沉淀下来」。沿着这条主线,报告依次分析海外头部厂商如何把交付转化为资产、国内厂商职能存在但沉淀偏慢的现状、线性曲线与指数曲线背后的本质矛盾,并梳理业界在团队组织与人才标准上可参考的具体做法。第一章 海外头部厂商:如何跨过「交付到沉淀」这道坎1.1 OpenAI:把现场经验反哺进模型路线图Situation:所处情境官方公告(2026 年 5 月 11 日)披露,超过一百万家企业已采用其产品和 API;OpenAI 据此判断,企业级 AI 的下一阶段将由企业能否有效把技术部署到真实场景来定义,部署质量取代模型获取成为竞争焦点。外部环境上,基础模型能力差距收窄、可互换性上升,价值捕获正从模型层向应用与交付层转移;企业客户从试点转向生产,但具备落地能力的工程人才严重稀缺。Task:要解决的任务把模型能力优势转化为企业生产环境的实际渗透,掌握从模型到业务结果的完整价值环节。在不拖累自身研发节奏与财务报表的前提下,快速建立数千人规模的交付能力。Action:具体行动组织层:自 2024 至 2025 年建立 Forward Deployed Engineering 正式团队,定位为「在客户交付与核心平台开发的交汇处运作」;岗位按生命科学、半导体、政府、金融服务等行业垂直拆分,并分化出 FDE、FDSWE(全栈交付)、FDE Manager 三层角色,其中 FDSWE 的职责之一是设计抽象层以规模化交付速度与质量。资本层:2026 年 5 月 11 日成立 OpenAI Deployment Company(DeployCo),OpenAI 多数持股并控制,初始投资超 40 亿美元;TPG 牵头,Advent、贝恩资本、Brookfield 联合发起,共 19 家投资方,其中包含贝恩公司、凯捷、麦肯锡等咨询与集成公司;前 COO Brad Lightcap 出任负责人。并并购层:同步收购爱丁堡 AI 咨询公司 Tomoro,一次性引入约 150 名现成 FDE 与部署专家,实现「到位即用」。方法论层:官方定义的成功标准不止于交付完成,而是「以评估(eval)驱动的反馈改变产品和模型路线图」;FDE 业务页强调团队从客户的具体问题出发而非通用产品,先验证影响,再识别可规模化的模式。换言之,每一次现场交付都被要求产出两样东西——客户的业务结果,以及一份能回流到产品的可复用模式。Result:已呈现的结果DeployCo 成立即具备约 150 人的成建制 FDE 力量与企业客户履历,媒体报道其投前估值约 100 亿美元。通过 19 家投资方的被投网络,获得超过 2000 家企业的优先触达通道。旗舰案例 BBVA 从 ChatGPT Enterprise 早期部署扩展到 25 个国家的 12 万名员工,AI 嵌入银行运营核心,成为 FDE 方法论的公开样板。1.2 Anthropic:生态分层路线Situation:所处情境CFO Krishna Rao 在官方公告(2026 年 5 月 4 日)中判断:企业对 Claude 的需求已显著超出任何单一交付模式的承载能力。市场存在结构性空白:社区银行、中型制造商、区域医疗系统等中型企业有明确 AI 需求,但缺乏内部工程资源,而大型系统集成商服务该客群不经济。公司层面,Anthropic 正处于上市筹备期,生态规模与企业收入故事直接关系估值。Task:要解决的任务在不与 Accenture、Deloitte、PwC 等既有集成商伙伴形成正面冲突的前提下,扩大交付总容量。把分散在各伙伴手中的交付质量标准化、可度量化,保证客户体验一致。通过交付环节推广自家 Agent 技术标准(MCP、sub-agent、agent skill),巩固生态位。Action:具体行动组织层:FDE 隶属 Applied AI 团队,招聘信息将交付物明确定义到工程组件颗粒度——在客户系统内构建生产级 Claude 应用,交付 MCP server、sub-agent、agent skill;要求识别可复用部署模式反馈产品与工程团队;出差比例 25% 至 50%。资本层:2026 年 5 月 4 日联合黑石、HF、高盛成立企业 AI 服务公司,总规模约 15 亿美元,三家锚定方各出约 3 亿美元,General Atlantic、Apollo、GIC、红杉等跟投;采用普通股权结构,与投资方共担风险,无保底回报条款;官方明确该公司本身将成为 Claude Partner Network 的一员,与既有集成商并列。生态层:2026 年 3 月推出 Claude Partner Network(1 亿美元生态投入),6 月 3 日叠加 Services Track 三级认证——Select(10 名认证从业者、2 个生产部署、1 个公开案例)、Preferred(100 人、15 个部署、3 个案例)、Global Premier(1000 人、跨三区域 100 家客户、15 个背书与联合商业计划),所有指标以可验证的交付事实为准。Result:已呈现的结果Partner Network 启动三个月内收到超过 4 万家公司加入申请,超过 1 万名顾问完成 Claude 认证。交付标准(MCP、agent skill)随伙伴网络扩散,事实上成为企业 Agent 工程的参照规范之一。1.3 共同点分析:可复制的不是动作,是前提剥离路线差异,OpenAI 与 Anthropic 的做法指向同一个内核:他们都拒绝让 FDE 停留在「一次性帮客户干完活」,而是用制度强制每次交付产出可回流的资产——OpenAI 靠 eval 反哺模型路线图,Anthropic 靠组件化交付物。这是他们让交付摆脱线性成本、走向规模复用的关键。但必须客观指出一个前提:这两家之所以能这么做,是因为他们手握顶级自研模型并处于行业领先位置——现场反哺的对象(模型路线图)是他们自己的核心资产,组件化标准(MCP)也由他们自己定义。这个前提决定了,他们的具体打法对不掌握底层模型的交付型公司而言,可借鉴方法论,但难以照搬全貌。第二章 国内市场土壤:FDE 面对的特殊约束2.1 核心差异:国内客户为「干活」买单,不为「产品」买单FDE 模式在海内外都以「派人到客户现场」为前提,这一点没有差别。真正拉开差距的,是客户愿意为什么付费。海外成熟企业市场普遍接受这样一种交易:供应商派 FDE 进场,帮客户搭一套以后客户能自己用、供应商也能复用的系统;客户既为「这次把活干了」付费,也为「得到一套可持续运行的产品/能力」付费。这种「授人以渔」的模式,使得海外 FDE 交付完一单,往往能留下一个标准化产品,边际成本得以摊薄。国内市场——尤其是政企、药企、金融这类高价值客户——的采购习惯则明显不同。多数客户的诉求非常直接:你派人来,帮我把活干了就行,别的不用你管。他们对「你卖我一套 SaaS 产品、再教我怎么用、剩下的我自己来」这种模式兴趣不大,甚至会觉得「还要我自己学、自己维护」是一种负担。客户要的是结果,不是工具;是「替我把鱼打上来」,不是「教我打鱼」。这个差异看似只是采购偏好,实则决定了 FDE 在国内的生存形态。因为它意味着:在国内,「把客户教会、让客户自用」这条本可以帮供应商减负的路径,需求侧根本不买账。对外的产品化沉淀,在国内缺乏客户的付费支撑——你做出再标准化的产品,客户也只想要你派人来用这个产品帮他干活,而不愿意单独为产品付费、自己使用。2.2 三重叠加约束在「只为干活买单」这一核心差异之上,国内市场还叠加了几重约束,共同抬高了 FDE 沉淀的难度。数据与合规约束:政企、药企、金融客户普遍要求数据不出域、本地化私有化部署,这使得交付高度定制、难以跨客户直接复用通用产品。高度定制诉求:每个客户的流程、系统、组织习惯差异大,且倾向于要求供应商「适配我的现状」而非「按你的标准产品改造我」,进一步削弱了产品标准化的空间。付费方式惯性:客户更习惯按项目、按人天结算,而非按产品订阅付费,这从收入确认方式上就把供应商往「人力投入随项目线性增长」的轨道上推。2.3 国内也有跑通沉淀的样本:华为市场约束大,不等于沉淀不可能。华为是国内少数把「现场到产品」闭环跑通的样本,而它的做法恰恰回避了「让客户自己用产品」这一国内最难的环节。做法:华为自 2021 年起组建煤矿、海关、公路等行业军团,把研发、销售、交付、行业专家压缩进同一作战单元直接面向客户现场。以矿山为例,客户包括山东能源集团,依托盘古大模型把矿山大模型应用到采、掘、机、运、通、洗选等 9 大业务系统,采用云边协同满足「数据不出企」。关键:华为云官方白皮书把该项目描述为人工智能开发「从作坊式到工业化」的升级,现场打磨的能力通过盘古「5NX」分层架构沉淀为 L2 场景模型——矿山方向首批封装 9 个专业 21 个场景应用,再打包成「矿山智安系列化解决方案」对全行业销售。注意:客户买的仍然是「华为帮我把矿山智能化做了」,而不是「我买一套盘古自己用」。华为把产品藏在了交付里,既符合国内客户「你来帮我干活」的习惯,又在内部完成了标准化沉淀。华为的样本说明:在国内市场,可行的沉淀往往不是把产品直接卖给客户,而是把标准化能力包进交付里——客户感知到的还是「你派人来干活」,但供应商内部的复用程度在不断提高。第三章 本质矛盾:线性 vs 指数,以及两种沉淀形态3.1 两条曲线把前两章的事实抽象出来,FDE 模式天然存在两条增长路径,决定一家公司是越做越轻还是越做越重。线性曲线:每接一个项目,投入的人力成本等比例增加。多一个客户就多一组驻场人员,项目结束能力随人走,下一个客户从头再来。天花板是人头费乘以人数,收入和成本同步增长,规模扩张不带来边际效率提升。指数曲线:现场每交付一次都沉淀出可复用的东西,下一个客户的交付站在上一个客户的产出之上,边际成本递减。前期投入重、爬坡慢,但资产积累到临界点后,新增客户的服务成本显著低于第一个客户。第一章的 OpenAI、Anthropic 与第二章的华为,都在努力爬指数曲线;而大量按项目、按人天计价的交付,跑的是线性曲线。3.2 分水岭不在「派不派人」,而在「沉不沉淀」一个常见误解是,FDE 的价值在于「派人到现场」。但派人到现场是 FDE 与传统软件销售的区别,不是 FDE 内部好坏的分水岭——驻场外包也派人到现场。真正决定走线性还是指数的,是派人之后有没有资产回收机制。这一点在海外两家官方材料里被反复强调:OpenAI 要求 FDE 识别可规模化的模式并以 eval 反馈影响产品路线图,Anthropic 要求整理可复用部署模式反馈产品工程团队。FDE 因此兼具收入功能与研发功能——这正是它与传统实施外包的本质区别。外包的产出归于项目,FDE 的产出有一部分必须归于沉淀。如果把工程师派到现场却没让现场产出回流,那么拥有的只是 FDE 的形态,而非 FDE 的内核。3.3 关键洞察:沉淀有两种形态,目标却完全一致这是本报告最核心的判断。「沉淀」并不只有「做出一个对外的产品」这一种形态。把海外与国内的实践放在一起看,沉淀其实分两种:形态一,对外的标准化产品:沉淀的成果是一个产品——盘古的 L2 场景模型、Anthropic 的 MCP 组件、黑湖从车间长出的 SaaS。它面向客户,客户(在海外)直接为这个产品付费、甚至自己使用。形态二,对内的标准化交付模式:沉淀的成果是一套交付能力——可复用的组件库、参考架构、行业知识库、交付 SOP、把资深专家经验显性化的标准动作。它面向供应商自己,客户感知不到它的存在,客户看到的还是「你派人来帮我把活干了」,但供应商内部第 N 次交付的人,手里握着前 N-1 次沉淀下来的标准化资产,所以同样派人,成本、周期、对资深专家的依赖都在递减。两种形态在客户那一端看起来完全不同——一个是「我买了产品」,一个是「你还是派人来干活了」;但在供应商内部,它们指向同一个目标:让每一次交付的成本不随项目数量线性增长。这是理解国内 FDE 出路的钥匙。3.4 为什么对内沉淀更适配国内市场第二章已经讲清楚:国内客户只为「干活」买单、不为「产品」买单,这使得对外产品化沉淀(形态一)在国内缺乏需求侧的付费支撑——你做出再标准的产品,客户也只想要你派人来用它帮自己干活。而对内的交付模式标准化(形态二)有一个决定性的优势:它不依赖客户的付费意愿,只依赖供应商自己的决心和机制。客户不需要改变任何采购习惯,照旧「派人来把活干了」即可;沉淀完全发生在供应商内部。换句话说,形态二把沉淀这件事的主动权,从「难以改变的客户」手里,挪回到了「自己可以决定」的供应商手里。这就解释了一个看似矛盾的现实:国内做 FDE,最后大概率还是要派人去把活干了——因为客户就吃这一套。但「派人去把活干了」和「成本不线性增长」并不矛盾,只要派去的人带着内部沉淀的标准化交付资产。海外沉淀产品给客户,国内沉淀模式给自己,形态相反,目标一致。难点也随之从「说服客户买产品」转移到了「内部是否真的建立了沉淀机制」——这恰恰是供应商自己能掌控的。第四章 两条沉淀路径的可操作方案:扎根国内市场本章把第三章的两种沉淀形态,落到国内市场下的具体可操作方案。立足点是国内现实:客户只为干活买单、数据不出域、高度定制、按人天付费。在这些约束下,对外产品化要换一种打法,对内交付标准化则是主战场。每条路径都给出可借鉴的业界做法与落地抓手。4.1 先看清约束:方案必须适配的四个国内现实需求侧:客户要结果不要工具,只为「派人把活干了」付费,不为「买产品自己用」付费——决定了对外纯 SaaS 产品在国内难走通。合规侧:数据不出域、私有化部署是政企药企的硬约束——决定了沉淀的产品必须支持本地化、组件必须可在隔离环境复用。交付侧:每个客户流程系统差异大、要求供应商适配现状——决定了通用产品标准化空间有限,需要「行业级」而非「通用级」的颗粒度。财务侧:按项目、按人天结算的惯性——决定了对内沉淀(降低自己的人天成本)比对外售卖更容易转化为实际收益。4.2 路径一:对外产品化沉淀——「把产品包进交付里」对外产品化在国内不能照搬海外的「卖通用 SaaS」打法,但可以换一种形态:不把产品单独卖给客户,而是把标准化产品包进交付服务里,客户买的还是「你帮我干活」,你交付的却是标准化程度越来越高的东西。这是华为军团模式给出的国内可行解。可借鉴做法分层封装:华为盘古 5NX:把现场场景沉淀为 L2 场景模型与行业解决方案包,对外以「行业方案」而非「通用产品」形态销售,客户感知是买方案、实质是买被产品化封装的能力。组件化:Anthropic 把交付物定义为 MCP server、sub-agent、agent skill——把交付拆解为可独立复用的组件,即便不能整体卖产品,组件层面也能跨客户复用。单点长出产品:黑湖科技从单个车间的 PoC,经 8 个月高频反馈,沉淀为服务数千家制造集团的 SaaS——证明从「单点定制」长出「行业产品」在国内是可能的,前提是选对高度同质的细分场景。落地抓手选择客户流程高度同质的细分行业(如某一类制造、某一类医疗场景)作为产品化突破口,同质度越高,单点沉淀越能跨客户复用。产品形态做成「行业解决方案包」而非「通用 SaaS」,匹配国内客户买方案、不买工具的习惯。产品默认支持私有化与本地部署,把合规约束前置到产品设计里,而非每个项目临时适配。4.3 路径二:对内交付模式标准化——国内的主战场这是最适配国内市场、主动权完全在己的路径。客户照旧「派人来把活干了」,沉淀发生在供应商内部:让第 N 次交付带着前 N-1 次的标准化资产,从而在「还是派人去」的同时,把人天成本、交付周期、对资深专家的依赖一年年压下来。对内沉淀的成果不卖给客户,但直接体现在自己的毛利和交付效率上。要沉淀哪几类对内资产可复用组件库:把客户现场反复出现的功能,做成可在隔离环境部署、跨项目复用的标准组件(如常见的数据接入、权限对接、Agent 编排模块),让下一个项目「拼装」而非「重写」。参考架构:沉淀经过验证的行业级技术架构,新项目从参考架构裁剪,而非每次从零设计。行业知识库:把行业术语、业务规则、合规要求、典型工作流沉淀为结构化知识库,降低新客户的需求理解成本——这部分在数据不出域的约束下尤其值钱,因为它是跨客户可迁移的「行业理解」而非「客户数据」。交付 SOP:把资深专家的隐性经验显性化为可培训、可执行的标准动作(交付方法论、检查清单、踩坑手册),降低交付对个别专家的依赖,让能力可复制而非随人走。可借鉴的组织做法角色分层:Palantir 的 Echo(需求发现)/ Delta(技术实现)、OpenAI 的 FDE/FDSWE 分层——共同点是设专职角色把交付速度规模化。落地含义:必须有人专职负责沉淀,否则沉淀一定被紧急交付挤掉。反哺入职责:把交付经验提炼为可复用资产,在两家海外公司都是 FDE 的硬性职责而非额外任务。落地含义:沉淀要写进岗位职责,不能靠自觉。把复用纳入考核:OpenAI 用生产采用率与路线图影响、Anthropic 用复用相关指标考核,都绕开了「验收即终点」。落地含义:把组件复用次数、SOP 被调用次数纳入交付团队考核,团队才会真做沉淀。落地抓手在交付团队里设独立的「沉淀」职能或角色,专职把项目产出转化为可复用资产,与一线交付解耦。建立组件库 / 参考架构 / 知识库 / SOP 四类资产的统一仓库与更新机制,每个项目结项必须回收资产,作为结项的硬性环节。把「资产复用率」「人天成本同比变化」纳入交付团队的核心考核指标,替代单纯的项目验收口径。前期容忍较慢的爬坡:对内沉淀的回报是滞后的,第一批项目会因为「边干边沉淀」而变慢,这是指数曲线的必经成本,需要在考核周期上给予容忍。4.4 人才标准:支撑两条路径的 FDE 素质要求两条路径对人的要求,在海外通用画像之上,因国内对内沉淀为主而有所侧重。海外通用四维度(可招聘、可考核)工程硬实力:生产级全栈代码、关系型数据库、从原型到生产的完整交付经历;OpenAI FDSWE 偏好前创始人或创业公司早期工程师。AI 工程素养:LLM 系统的构建与部署经验、理解模型行为对产品体验的影响、eval 设计与误差分析。现场作战能力:高模糊度环境独立决策、与工程师/产品/客户高管多线沟通、处理遗留系统与合规;Anthropic 要求 25%-50% 出差。反哺能力:把部署经验提炼为可复用原语、参考实现与 playbook。这一维度是 FDE 区别于驻场外包的分水岭。国内侧重:反哺能力权重更高在国内对内沉淀为主的模式下,「反哺能力」的权重比海外更高——因为国内 FDE 不只要把活干完,还要把这次的活变成下次能用的标准动作。一个只会把项目交付好、却不沉淀任何可复用资产的工程师,在线性曲线上是合格的,在指数曲线上是不够的。招聘与考核时,「能否把现场经验结构化为他人可用的资产」应作为区分普通交付工程师与 FDE 的核心标尺。国内补充:陆奇的「高斜率三要素」认知:持续更新认知模型的速度——技术快速演进下,学习速度本身是核心能力。品味:从 AI 生成的无数方案中判断高价值方向——生成不再稀缺时,判断力成为稀缺。能动:无标准答案下搞定复杂事情的韧性——现场模糊多变,执行心力不可替代。4.5 资历门槛从公开材料看,通用 FDE 岗位通常 5 至 7 年经验起步,管理岗 8 年以上含 2 年 FDE 管理经验;行业垂直岗叠加领域经验。这是一个复合型、偏资深的角色,而非入门岗位。第五章 三个尚无定论的开放问题FDE 是仍在快速演化的领域,几个关键问题目前都没有确定答案。本报告不替读者作答,只把分歧呈现出来供持续观察。问题一:部署的复杂性,是阶段性的还是结构性的?看多一方(如 a16z、陆奇)认为是结构性的——模型越强、现场越值钱,数据接入位置的争夺是长期的。审慎一方(如部分企业软件分析人士、Forbes)认为可能是阶段性的——模型与工具链充分成熟、部署高度标准化后,FDE 的价值窗口可能收窄。这决定了 FDE 是长期能力投资还是阶段性红利。问题二:国内市场能否跑出 FDE 模式驱动的平台公司?华为(分层架构)与黑湖(车间到 SaaS)证明了指数曲线在中国可能,但国内「只为干活买单」的市场现实提示,多数公司更可能停在项目公司形态。关键观察对象是智谱、黑湖、明悉等头部样本未来 18 个月的收入结构变化——按人天计价的比例是上升还是下降,是检验这个问题的硬指标。问题三:国内厂商何时会把 FDE 正式化?海外已出现独立岗位序列(OpenAI 三层角色)与认证体系(Anthropic Services Track),国内仍是分散的功能等价物。一个值得跟踪的信号,是国内头部云厂商是否会率先把 FDE 正式化为岗位序列,以及是否会模仿推出伙伴认证体系——这将标志国内从「概念讨论」进入「组织建设」阶段。
![[C++]内存管理：串顺序存储的内存回收](http://pic.xiahunao.cn/yaotu/[C++]内存管理：串顺序存储的内存回收)
