2026 年上半年，硅谷的新闻是三笔大钱：OpenAI 拉私募成立约 40 亿美元的 Deployment Co.,Anthropic 组了约 15 亿美元的 AI 服务公司，AWS 自掏 10 亿美元建数千人的 FDE 组织——巨头集体押注"把 AI 交付进企业"的前线部署工程师。
消息传到国内 ，很多做 to B 交付的老兵第一反应是失笑：驻场？我们驻了二十年了。
但另一组数字笑不出来。据智能超参数的中标监测，2025 年全年国内大模型相关中标项目多达 7539 个，披露金额约 295 亿元，项目数量较上年增长 396%——需求确实在爆炸。可是行业里人人都知道另一半故事：签下来的项目，交付得七荤八素；POC 惊艳、上线拉胯 ； 验收标准扯皮半年，回款遥遥无期 ； 驻场工程师干成了"高级人肉运维"，项目结束什么也没沉淀下来。 中国 toB 市场从不缺驻场的人，缺的是能把 AI 项目"交付成、验收掉、回款回、复制开"的人 ——这才是 FDE 与传统驻场的本质区别。
这篇文章做一件事：基于国内大模型 toB 市场的公开行情数据，加上政企交付一线的实践，把 FDE 的核心能力整理成一份 四阶段 × 12 项 的培养清单——并且，每一项都按中国 toB 的真实约束校准：招投标、账期、免费 POC、需求蔓延、数据不出域、信创合规、领导可见性。每项能力回答三个问题：它防止什么事故、具体怎么练、达到什么程度算过关。可以直接拿去当团队培养 SOP 和每周复盘检查表，也可以作为个人转型的对照自查表。
先看行情，再上清单。
01
中国 toB 行情：钱在哪、谁在赚、坑在哪
需求侧 ： 政策点火，央国企掏钱。 这一轮国内企业级 AI 的采购主力不是互联网公司，是央国企和政府 ： 按智能超参数的统计口径，央国企发起的大模型采购在整体市场中数量占比超过六成、金额占比约一半 ； 行业分布上，政务、教科、通信、能源、金融、交通、医疗是项目数量最集中的七大赛道，其中千万级大单三百余个、亿元级大单四十余个。政策是最强的点火器 ： 国资委的 AI+ 专项行动持续加码，2026 年 4 月国务院发文首次明确"支持采购大模型、Agent 服务"，叠加工信部等八部门的"AI+制造"专项—— 企业级 AI 在中国正式从"试点期"进入"政府采购 + 规模放量"阶段 。对 FDE 来说，这意味着未来几年的主战场画像非常清晰 ： 预算充足、流程严格、合规刚性的大 B 和 G 端客户。
供给侧 ： 四类玩家同台。 从中标榜单看，科大讯飞凭借在教科、医疗、金融等行业的场景化复制稳居"标王" ； 火山引擎、百度、阿里云、腾讯云四朵云稳居前十 ； 运营商系集成商(中电信人工智能、中移系统集成等)凭央国企身份以总集成商角色切走大量项目 ； 再加上智谱等模型厂商和一大批转型中的传统集成商。注意一个结构性信号:榜单头部厂商的共同点，恰恰是 在细分行业里形成了"可复制的解决方案" ——这与本文第 12 项能力直接呼应，后面细讲。
人才行情 ： 国内价码已经立起来了。 腾讯云在上海挂出的"AI 前线部署工程师"月薪 35–65K、15 薪 ； 智谱等模型厂给到 60–80K 月薪 ； 综合公开信息，国内头部企业 FDE 年薪大致落在 30 万–80 万人民币区间。与美国市场(中高级总包 30 万–55 万美元)相比绝对值差距明显，但在国内技术岗普遍收缩的背景下，这是少数逆势起价的岗位族——而且供给严重不足，因为它要的是"懂业务 + 懂工程 + 扛得住甲方"的复合体。
行情底色 ： 四个中国特色变量。 照搬硅谷的 FDE 方法论在国内会水土不服，因为约束条件不同。做国内 toB 交付，四个变量必须进入你的能力模型 ：
其一， 私有化部署与数据不出域是默认项，不是选项 。等保、数据安全法、行业监管加上信创要求，意味着你面对的常常是国产化算力 + 国产/开源模型 + 隔离网络的组合——模型能力比公有云旗舰弱一到两档，这个落差要靠工程和知识结构化补回来。
其二， 招投标与账期决定现金流 。项目从标书里来，写标书的人和用系统的人往往不是同一拨 ； 验收标准如果模糊，验收就会拖延，回款就会遥遥无期——在国内，验收标准不只是质量文档，是 回款依据 。
其三， 甲方强势与需求蔓延 。"顺便帮我们把这个也做了"是每个乙方都熟悉的句式 ； 领导意志与一线痛点常常是两张需求皮 ； 项目还要考虑"领导看得见"的汇报价值。
其四， 驻场传统深厚，但缺产品飞轮 。传统驻场是人力外包逻辑 ： 人走了，什么都没留下。Palantir 式 FDE 的核心是前线经验回流产品、A 客户的方案复用给 B 客户——这恰恰是国内集成商毛利困境的解药，也是"驻场"与"FDE"的分水岭。
一盆必要的冷水。 吴恩达对 FDE 的质疑值得认真听 ： 企业侧 AI Engineer 的需求量终将远大于厂商派驻的 FDE ； FDE 天然带厂商立场，不中立 ； 它可能只是 AI 产品不成熟期的过渡角色。但把这套论证放到中国语境，结论要修正 ： 国内多数政企客户的 IT 自建能力显著弱于美国企业，信息化历史欠账更多，组织上更习惯"交钥匙工程"—— 对乙方交付能力的结构性依赖，在中国比在美国更深、更持久 。真正的风险不是需求消失，而是低价中标把毛利打穿 ： FDE 是贵的，如果你的交付不能复制、不能沉淀，这门生意在中国的账算不平。这也是为什么这 12 项能力里，"验收"与"复制"两项在中国版里权重最高。
02
能力模型总览：四个阶段，十二项能力
本文不把能力平铺成清单，而是 沿一次真实交付的生命周期展开 ——因为在中国 toB 语境下，这条生命周期同时也是现金流曲线 ： 进场期决定你签什么、立项期决定你能不能验收回款、交付期决定你交付成本、放大期决定你毛利和复购。
- 进场期(听懂业务) ： ①需求考古 ②流程测绘 ③切口选择
- 立项期(定义成功) ： ④验收标准工程 ⑤POC 纪律 ⑥职责契约
- 交付期(构建系统) ： ⑦知识结构化 ⑧人机分工设计 ⑨合规与风险兜底
- 放大期(沉淀资产) ： ⑩渐进放量 ⑪信任运营 ⑫资产化复制
使用姿势有两个。 带团队 ： 新人按阶段递进训练，先在老带新项目里练进场期三项，过关再往后走。 做复盘 ： 项目出问题沿四阶段回溯，通常能定位到具体能力缺失——"验收拖了半年回不了款"，查④ ； "POC 做了仨月还在加需求"，查⑤和⑥ ； "上线后业务不用"，查⑥和⑪ ； "每个项目都从零干起、越干越亏"，查⑫。
下面逐项拆解，统一结构 ： 防什么事故 → 怎么练 → 达标线 。
03
进场期：听懂业务的三项能力
① 需求考古
防什么事故 ： 照着招标文件做需求。国内项目的第一现实是 ： 标书不等于真实需求 ——写标书的人(信息中心、咨询方甚至友商)和最终用系统的人(一线业务)往往不是同一拨，标书里还常混着上一个供应商的产品参数。照标书交付，技术上合规，业务上没人用，验收时两头不讨好。
怎么练 ： 进场后做 三层访谈， 每层问的问题不同。分管领导层 ： 这个项目在您的年度工作里排第几？明年您希望向上汇报什么成果？信息中心层 ： 现有系统格局如何？哪些红线不能碰 ？ 上一个项目为什么不了了之 ？ 一线业务层 ： 您一天的工作流里最烦的一步是什么 ？ 现在怎么绕过去的 ？ 三层答案拼在一起，才是完整需求—— 领导要的是"成果"，信息中心要的是"可控"，一线要的是"省事"，三者不重合的部分，就是项目最大的风险敞口， 进场期就要摆上桌面。产出必须落成结构化文档 ： 业务背景、目标、现状、差距、具体需求、初步方案，拒绝自由叙述。
达标线 ： 一轮访谈之后，能用一页纸写清三层诉求及其冲突点，且三层的人看了都认账。写不出冲突点的需求文档，基本可以断定还没挖到底。
② 流程测绘
防什么事故 ： AI 安在错误的节点上。国内企业还有个加重症状 ： 流程文档普遍缺失或失真 ——制度汇编里写的是"应然流程"，一线跑的是"实然流程"，两者差距可以大到面目全非。按制度文件设计 AI，上线即撞墙。
怎么练 ： 引入任何 AI 之前，先蹲现场还原实然流程(as-is)。对每个节点采集五要素 ： 输入从哪来、谁在判断、依据什么规则、输出给谁、异常走哪条路 ； 再给每个节点标两个数 ： 耗时、出错率。 值得 AI 介入的节点会在这两列数字里自己跳出来 。国内场景多做一层 ： 标注每个节点的"系统归属"——这一步在谁家的系统里发生，牵涉哪个部门的接口和权限，因为跨系统、跨部门的节点在政企环境里协调成本最高，直接影响你的排期与报价。
达标线 ： 一张 A4 纸画清改造前后差异，业务负责人和信息中心主任都看得懂 ； 并且你能指着图回答两个问题——时间花在哪了，接口卡在谁那。
③ 切口选择
防什么事故 ： 全面铺开，全面烂尾。"AI 全面赋能"式立项在政企市场尤其高发，因为大项目更好立项、更好汇报——但十几个方向同时铺开，资源摊薄、依赖交织，一年后一个能独立验收的东西都没有。
怎么练 ： 从蓝图逐层下钻到单一功能点，每次只切一刀，切口用四个维度打分: 业务痛感 (影响多少人、多高频、当前多少耗时，全部量化)× AI 可行性 (注意按私有化环境里实际可用的模型能力评估，不是按公有云旗舰的演示效果评估)× 交付周期 (4–8 周可见效)× 汇报价值 (成果能否被领导看见、讲清、对外示范)。第四维是中国 toB 的现实 ： 一期做成"标杆"，二期三期的预算才有人批。但要守住一条纪律 ： 汇报价值是加分项，不是目的 ——为了大屏而做大屏、为了发布会而做 demo 的"可见性工程"，短期风光，长期透支信任。
达标线 ： 能向任何质疑者量化回答"为什么先做这个不做那个"，并且答案里同时包含业务账和汇报账。
04
立项期：定义成功的三项能力
④ 验收标准工程
防什么事故 ： 验收扯皮，回款遥遥无期。这是国内 toB 与硅谷语境差别最大的一项 ： 在美国，验收标准是质量问题 ； 在中国， 验收标准是现金流问题 。合同里"系统运行稳定、功能满足需求"这类模糊表述，等于把回款的解释权交给了甲方——验收拖一个季度，乙方现金流就断一个季度。
怎么练 ： 在合同和 SOW 层面写入可量化验收 ： 输入规格(什么格式质量的数据允许进入)、评估维度、通过阈值(数值多少、谁定的、写进合同附件)、输出模板、异常规则(什么情况转人工)、后续动作。工程升级心法 ： 把验收标准直接做成一份评测集(eval set) ——立项时拉甲方业务骨干共同标注 30–50 条真实样本，每条写清期望输出与判定理由，双方签字。这份评测集一鱼四吃 ： 验收依据、回归测试集、模型换代基准，以及最重要的—— 回款触发器 ： 跑分达标即满足验收条件，白纸黑字，不看心情。经验规律 ： 同一个模型，验收标准从模糊到清晰，表观达标率常能提升二三十个百分点——变的不是模型，是标准 ； 而在国内，变的还有回款周期。
达标线 ： 甲方拿着评测集，不需要你在场就能自己打分 ； 且验收条款细到"打分达标 = 验收通过 = 付款条件成就"。做不到，风险都在你这边。
⑤ POC 纪律
防什么事故 ： 免费 POC 内卷，验证阶段无限膨胀。国内市场"免费 POC、效果达标再合作"已成通行获客话术，竞争之下乙方很难拒绝——但没有边界的免费 POC 是吞噬交付团队的黑洞 ： 范围越做越大、数据越接越多、周期越拖越长，最后 POC 做成了免费交付，项目还未必签。
怎么练 ： POC 可以免费，但必须 有边界、有转化条件， 四条写进 POC 协议或备忘 ： 范围(单一场景、明确功能点，超出即变更)、数据(甲方提供的样本量与质量责任、脱敏责任归属)、周期(硬上限，建议两周，最长不超过四周)、转化条件(达到什么指标进入商务流程，达不到双方止损)。POC 本身则执行最小验证纪律 ： 允许手动复制粘贴、允许没有 UI、10–30 条样本、只验证核心判断逻辑是否成立—— POC 阶段搭平台，是用自己的成本给别人的犹豫买单 。
达标线 ： 每个 POC 启动前四要素齐备 ； 两周内产出结论 ； 团队全年的 POC 转化率有人统计、有人复盘。没人算这笔账的团队，正在被免费 POC 慢性失血。
⑥ 职责契约
防什么事故 ： 两个国内高发事故。一是 需求蔓延不加钱 ： "顺便帮我们把 OA 也对接了""领导说再加个手机端"——每个"顺便"都是没有报价的工作量 ； 二是 数据责任悬空 ： 项目延期的第一大原因往往不是技术，是甲方数据迟迟给不出、给出来质量稀烂，而合同里没写数据准备是谁的责任，锅最后全在乙方头上。
怎么练 ： 立项时白纸黑字签下三张单。 分工单 ： 甲方负责评价标准制定、领域知识与数据供给、业务骨干投入(写明人名和投入比例)、最小场景陪跑 ； 乙方负责系统接入、工程化、安全权限、稳定性监控。 变更单机制 ： 任何新增需求走书面变更，评估工作量与工期影响后双方确认——"顺便"两个字在项目里不存在。 数据责任单 ： 数据范围、格式、质量标准、脱敏责任、供数时限，逐项落名 ； 甲方供数延期，工期顺延，写进合同。三条红线不变 ： 乙方不替业务做专业判断，业务不替乙方做技术选型，知识由业务供给、乙方负责结构化。
达标线 ： 复盘会上每个关键决策和每次延期都能指认责任归属，没有灰色地带 ； 全年项目里"无偿变更"的工作量占比有统计、且逐年下降。
05
交付期：构建系统的三项能力
⑦ 知识结构化
防什么事故 ： 知识库变文档坟场。国内版的加重症状 ： 私有化环境里你可用的往往是国产/开源模型加受限算力， 模型能力比公有云旗舰弱一到两档 ——把十五年的制度汇编、技术规程一股脑扔给一个能力受限的模型，效果只会更惨。模型越弱，知识结构越要强，这是私有化交付的铁律。
怎么练 ： 把业务知识建模为三要素—— 实体 (业务对象 ： 设备、工单、患者、合同)、 关系 (对象间关联 ： 隶属、触发、依赖)、 规则 (判定逻辑 ： 阈值、路由、豁免条款，政企场景里大量藏在制度文件的"但书"条款里)。在此之上设计调用路由 ： 先识别当前处理什么对象、处于什么状态，再决定调用哪个知识域、套用哪条规则。央国企有个独特富矿 ： 多年沉淀的制度、规程、案例库天然带结构(章节、条款、适用范围)，结构化抽取的性价比远高于互联网企业的野生文档——这也是国内知识密集型场景(能源、医疗、政务)AI 项目可行性的底气所在。
达标线 ： 给你一份 100 页的业务手册或制度汇编，能拆出实体清单、关系清单、判定规则清单和可独立调用的知识域划分。拆不出来，说明还在"读文档"，没在"建结构"。
⑧ 人机分工设计
防什么事故 ： 让 AI 一条龙包办全流程。国内政企环境里这个错误的代价更高，因为 责任制文化是刚性的 ——出了事要能找到签字的人，"AI 判的"在任何追责场景下都不成立。另一个反向事故 ： 把定时同步脚本包装成"AI 赋能"充数，验收时被懂行的专家当场戳穿。
怎么练 ： 对流程每个节点做执行主体三分法。 AI 承担识别、分类、生成、给建议——概率性输出可接受的模式任务 ； 自动化程序 承担采集、搬运、计算、状态同步——规则明确无需判断的确定性任务 ； 人 承担标准制定、最终审核、复杂例外、以及一切需要签字担责的环节。政企场景的标准搭配是"AI 初判 + 人签发" ： AI 提效，人担责，系统留痕(谁在何时基于什么建议做了什么决定)——留痕不是负担，是保护经办人的机制，把这一点讲给甲方听，推行阻力会小一半。
达标线 ： 拿到完整业务场景，能逐节点标注执行主体和责任人，每个标注说得出理由;方案评审时，甲方法务和安全部门挑不出"无人担责"的环节。
⑨ 合规与风险兜底
防什么事故 ： 高危场景裸奔上线。国内 AI 触达用户的场景，头顶悬着一整套刚性合规:《生成式人工智能服务管理暂行办法》的内容安全要求、数据安全法与个保法的数据要求、等保测评、行业监管(医疗的诊疗规范、金融的适当性义务)——一条不当输出在国内不只是舆情事故，可能直接是合规事故。
怎么练 ： 为每个 AI 触达用户的场景选定放行模式，且在政企与强监管行业，这不是自由选择而是合规映射。 白名单 (仅确认安全的问题域可自动输出，其余全部转人工) ： 医疗、政务、金融等场景的默认项——以医疗为例，AI 生成的任何面向临床或患者的内容，必须经专业人员确认后方可进入正式档案，这是责任结构，不是效率参数； 黑名单 (默认放行，拦截敏感项) ： 仅适用于物流查询、FAQ 等低风险高频场景； 灰度 (先白后黑) ： 中风险场景先积累安全样本再逐步放开。每个上线方案必附四件套 ： 风险分级、兜底策略(出错谁处理、多快响应)、影响半径上限、回滚预案(多快全量切回人工)；面向公众的生成场景，再加内容安全审核链路与日志留存。
达标线 ： 一票否决制——无分级、无兜底四件套、无合规映射说明的方案，不上线，没有例外。
06
放大期：沉淀资产的三项能力
⑩ 渐进放量
防什么事故 ： 验证通过后直接全量铺开，在长尾数据里翻车；或者更隐蔽的死法——模型输出一个"看似高级但无人理解"的结构，甲方既不会用也不敢改，交付物技术上成功、组织上死亡，二期自然没有下文。
怎么练 ： 五步放量节奏——AI 粗跑产出初步结果；抽约 1% 样本交甲方资深业务人员校准；把校准结论固化为 甲方能用自己的话解释的模板； AI 按模板全量执行；甲方复核新类别与边界 case。铁律 ： 交付物拿给业务方，对方能用自己的语言复述判断逻辑；复述不了，打回重做，无论指标多好看——因为在国内，能复述逻辑的甲方骨干，就是你在客户内部的"代言人"，二期立项时替你说话的是他，不是你的 PPT。
达标线 ： 全量上线时，甲方至少一名业务骨干能脱稿讲清系统逻辑、独立处理八成边界 case——这个人同时就是你下一期项目的内部推手。
⑪ 信任运营
防什么事故 ： 两种对称的失败。其一，把承载信任的人际触点自动化掉——客户答疑、客情跟进这类环节表面是信息传递，实际是关系载体，全自动化之后效率上去、续约下来；其二，验收即失联——国内 toB 是典型的关系型市场， 复购和转介绍几乎全部来自被经营好的标杆客户， 验收完拍屁股走人，等于把最贵的获客资产扔在了现场。
怎么练 ： 流程改造时对每个拟自动化节点追问 ： 这一步是"无价值搬运"还是"有价值接触"？原则 ： 自动化消除搬运，不消除接触。项目层面做三件事 ： 把"甲方自给自足"写进交付目标(文档、培训、值班交接，驻场结束时对方能独立运维和小步迭代)；把信息中心处成"自己人"(他们是你在客户内部的长期接口，也是下个项目的第一情报源)；验收后建立固定回访节奏(季度回访、版本升级通报、标杆案例共创——案例要让甲方领导一起出面讲，成果是他的，复购是你的)。
达标线 ： 方案中能指出至少一个"刻意不自动化"的环节并给出业务理由；交付结束三个月后系统仍在被使用、被维护；年度盘点时，老客户复购与转介绍占新签的比例有数、且在涨。
⑫ 资产化复制
防什么事故 ： 每个项目从零开始，越干越亏。这是国内集成商的经典毛利困境 ： 定制化程度高、人力成本刚性、低价中标压价——如果交付不能复制，FDE 模式在中国的账根本算不平。看看中标榜单就知道出路在哪 ： 头部厂商的共同特征，恰恰是在教科、医疗、金融等赛道形成了 场景化的规模复制 ——同一套解决方案覆盖不同客户，才撑得起数量与毛利。
怎么练 ： 三步抽象法。第一步，把一个行业场景完整跑通，确认端到端链路；第二步，抽出与客户无关的通用件——流程骨架、评测框架、知识路由逻辑、合规兜底机制、部署脚本(信创环境的适配包尤其值钱，做一次，后面每个国产化项目都在收利息)；第三步，验证迁移性 ： 换一个同行业相邻客户，只替换知识库、数据接口和少量定制层，看几天能跑通。每个项目交付文档必含《复用指南》 ： 哪些组件通用、哪些需替换、替换工作量估计。 FDE 的隐性 KPI 不是"做完这个项目"，而是"让下一个项目更快、更便宜" ——这是 Palantir 模式的精髓，也是中国乙方从"项目公司"走向"产品公司"的唯一路径。
达标线 ： 同行业相邻场景，换一个人基于你的框架和文档，复用七成以上组件、一周内跑通最小闭环；公司层面，单位项目的交付人天逐年下降——这个数字不降，"资产化"就只是 PPT 词汇。
全景速查表 (建议截图保存，作每周复盘检查表用):
07
个人怎么练：国内语境下的三条转型路径
路径一 ： 把现在的公司当客户。 12 项里有 9 项不需要外部客户就能练。选所在公司一条真实业务流程(报销审批、客服工单、内容审核都行)，完整走一遍进场期与立项期 ： 三层访谈、画实然流程、量化耗时、选切口、写出带评测集的验收标准。这套文档本身就是能力铁证——而且大概率会真的落地，因为你可能是全公司第一个认真画过这条流程的人。
路径二 ： 从乙方交付与售前转型，这是国内最短路径。 对照国内 FDE 岗位 JD，最受欢迎的三类背景恰好是国内存量最大的三类人 ： 集成商/软件公司的交付与实施工程师(懂驻场、懂政企现场的复杂性)、售前解决方案架构师(懂需求翻译与方案表达)、有大模型应用开发经验的后端工程师(懂工程化)。已在其中一类的，补齐另外两块的作品证据即可。投递四件套作品集 ： 一页纸需求文档(带三层诉求冲突分析)、一张流程测绘图、一份带评测集的验收标准、一份复用指南——这四样对应 12 项里最难伪装的能力，有经验的面试官一眼分辨。
路径三 ： 别只盯乙方，甲方侧同样缺人。 央国企的数字化部门、科技子公司正在大量吸纳"懂 AI 落地的自己人"——甲方侧 FDE 的工作内容高度重合(选场景、定标准、管乙方、保合规)，稳定性更高，且恰好回应了吴恩达的判断 ： 企业自建 AI 能力是长期趋势，提前站到甲方侧，等于站到了趋势的收益端。区域市场也值得看 ： 大模型采购正从一线向省会与地市财政/国企下沉，本地化交付人才在二线市场的稀缺度反而更高。
08
结语：在中国做 FDE，更难，也更值得
把硅谷的 FDE 叙事平移到中国会失真 ： 这里没有 45 天优雅撤场的剧本，有的是招投标、账期、免费 POC、需求蔓延和信创合规。但正因为环境更复杂，这 12 项能力在中国的稀缺溢价反而更高——2025 年 7539 个中标项目、295 亿元的盘子背后，是无数个"签得下来、交付不动"的团队在给会交付的人抬价。
三条行动建议 ： 带团队的， 把速查表做成每周复盘检查表，重点盯④验收和⑤POC 两项——它们直接决定现金流； 想转型的， 从路径一开始，本周就约一位业务同事做第一次三层访谈； 已经在交付一线的， 对照达标线自评，把"资产化复制"作为下一个项目的刻意练习——每交付一个项目，问自己一句 ： 这次，我给下一个项目留下了什么？
最后留一个判断供讨论 ： 随着 AI 编码能力增强，12 项里"构建系统"的部分会越来越多被 AI 自己完成，而进场期与放大期的能力——听懂中国甲方、经营长期信任、把项目变成资产——会更值钱。 机器越擅长交付，懂得让交付发生的人越贵。
-End-
