FDE（Forward Deployed Engineer，中文叫「前線部署工程師」）是一種特別的工程師。他們不只待在自己公司寫程式，還會直接搬到客戶（就是花錢請他們幫忙的公司）那裡，看客戶真正卡在哪裡，然後當場寫程式幫客戶解決。這個工作最早是美國一間叫 Palantir 的公司，大約二十年前想出來的，現在因為 AI 變強，又被 OpenAI、Google、Anthropic 這些大公司搶著找。
打個比方，想像你買了一大盒樂高，但說明書是照著別種房間畫的，在你家根本拼不起來。這時候如果有一個很會拼樂高的大哥哥大姐姐，來到我家，看看我的房間長怎樣，再幫我特別做幾塊零件，讓這盒樂高在我家也能拼得好好的。FDE 做的事就像這樣，只是他們用的是電腦程式，幫的是公司。
簡單講，FDE 的賣點是「離客戶很近、用寫程式解決真問題」；代價也很實在，就是常常要出差、容易被當成顧問用，進到 AI 大公司獨立成立的公司裡的人，還拿不到母公司股票。
重點先看
FDE = 搬到客戶那邊、寫真正能用的程式、為「事情真的做成」負責的工程師。
這個工作 Palantir 用了將近二十年，現在因為 AI 落地，被 OpenAI、Anthropic、Google 同時搶才。
它跟一般工程師、業務工程師、系統整合、顧問都有一點像，判斷點是「誰為成果負責、誰寫真正上線的程式」。
光環底下有真實代價：出差、被當顧問、一次性客製、領域綁定、AI 大公司外部公司沒股票。
台灣還沒有成熟的 FDE 市場，職缺常偽裝成「AI 技術顧問」「系統整合工程師」；美國薪資不要直接換算成台幣。
文章目錄
FDE 是什麼？先把名字和由來講清楚
「前線部署」這四個字，是從軍人借來的詞。就像派一個軍人走到很前面、離事情發生的地方最近。FDE 就是走到客戶那邊、離問題最近的工程師。
這個工作是 Palantir 大約二十年前發明的。Palantir 是一間做資料分析軟體的美國公司。他們最早的客戶很多是政府、軍方、情報單位，這些客戶的資料不能搬出自己家裡（內部網路），問題也沒辦法在電話裡講清楚。唯一能讓軟體真的幫上忙的方法，就是把工程師直接送進客戶的地方。這個起點決定了 FDE 的個性：它不是「產品做好了再派人去教」，而是「產品還沒做好，就要靠工程師在現場把它做到好」。
Palantir 自己把這個職位叫做 Forward Deployed Software Engineer（簡寫 FDSE），公司裡還給它一個代號叫 Delta。他們在自己的說明文章裡寫：傳統工程師是「做一個功能給很多客戶」，FDE 是「把很多功能做給同一個客戶」。這句話把兩種工作的差別講得很白。
有一個常被提起的故事：Palantir 的老闆 Alex Karp 從高級法國餐廳得到靈感。在那種餐廳裡，服務生不是只把菜端上來，他們是廚房的延伸，會看客人的表情、記得客人上次點什麼。Karp 覺得工程師也應該這樣，要走到客人面前，把產品的「最後一哩」做完，讓它真的能用。確切是哪一年開始的，沒有人查得到一手資料，只能說「將近二十年」。
FDE 一天到底在做什麼
很多人對 FDE 的第一個印象是「比較厲害的業務工程師，跑跑展示、改改簡報」。這是最大的誤會。Palantir 自己把 FDE 的工作寫得很白：他們要做程式碼審查、把程式改到容易上線、監控上線後有沒有出問題、處理超大的資料、找出系統壞掉的原因。他們的原話是「我們必須做出真的能用的軟體」。
用一天的時間來看，大概長這樣。早上在客戶的辦公室，聽使用的人抱怨，例如「昨天那條資料管線又壞了」「儀表板的數字對不起來」。中午以前，把這些抱怨變成可以動手寫程式解的小問題，可能當場做一個原型給對方看。下午跟自己公司的產品團隊開會，把這一週從客戶那邊學到的東西傳回去，判斷哪些該做進產品、哪些只是這個客戶的特殊需求。晚上或隔天，把原型整理成可以正式上線的版本，寫測試、給人審查、上架、盯著監控。
First Round Review 的報導訪問過一個以前在 Palantir 當 FDE 的人，叫 Shilpa Balaji，她說「住在客戶那邊，是當 FDE 最核心的一件事」。她把 FDE 的節奏講得很具體：「今天聽到客戶說什麼，明天就做出原型給對方看」，把本來要花好幾個月的循環，壓縮成幾天。
FDE 還有一件對產品很重要的事：把在現場學到的東西，回報給自己公司的產品團隊。Palantir 自己說，他們很多好用的產品功能，就是這樣從客戶那邊帶回來的。換句話說，FDE 不是把產品賣出去的人，而是讓產品在真實客戶那裡真的跑得起來的人。這兩件事聽起來像，其實是兩種不同的工作。
為什麼現在又紅了
AI 模型再聰明，也不會自己走進一家銀行的舊電腦、搞懂那套沒人敢亂動的權限、還要把輸出接到二十年老的主機上。企業要用 AI，真正卡住的地方不是 AI 本身，是「部署」（把 AI 裝到公司真的在用的系統裡）。有研究指出，絕大多數企業的 AI 試驗計畫，測不出明確的商業價值。這個數字在網路上流傳很廣，主要來自一份研究報告，但常被過度誇大，所以我們只記住方向就好：很多 AI 試驗最後沒帶來真正的價值。這個落差，就是 FDE 又被搶著找的原因。
這個落差很少被講清楚。AI 在實驗室裡表現很好，但企業的真實環境有三道牆。第一道是資料：公司的資料沒人整理、權限散在不同系統、舊資料格式改過好幾次。第二道是接線：輸出要接上老舊的主機，還要通過資安和法規的檢查。第三道是信任：業務單位願不願意把決策交給 AI。AI 自己一道牆都拆不了，所以才需要一種「懂寫程式、又願意跑到客戶那邊，把這三道牆一道一道拆掉」的人。
2025 到 2026 這波搶人大戰很大。The New Stack 報導，Google Cloud 一個星期就開出大約 59 個 FDE 職缺，老闆公開說要找「好幾百」人。OpenAI 成立了一個叫 OpenAI Deployment Company 的公司（規模大約四十億美金），還買下一家公司叫 Tomoro，帶來大約一百五十個部署工程師。Anthropic 則把 FDE 送到一家叫 FIS 的公司，一起做抓洗錢的 AI 系統。
這裡有一個必須講清楚的細節：OpenAI 和 Anthropic 不是把所有 FDE 都收進自己公司。他們自己公司裡有 FDE 相關的職位，但是把大批部署人力，放進用外面資金獨立成立的公司裡。The Pragmatic Engineer 的分析講得很白：待在這些外面公司裡的 FDE，不會被當成核心員工，拿不到 OpenAI 或 Anthropic 的股票。也就是說，同樣掛 FDE，你在哪一家公司、哪一個法律主體，決定你領到的是不是那種「跟著公司一起起飛」的包裹。
那這波熱潮會不會泡沫化？看好的理由是：企業用 AI 真的會卡在部署，而且短期內不會消失。看淡的理由也有：有人批評 FDE 其實是「用另一個名字包裝的顧問」，預言這個角色會慢慢變得跟顧問沒兩樣；也有人警告，FDE 可能會像「提示工程師」那樣，等 AI 工具更成熟之後就沒那麼紅了。比較穩的看法是：未來幾年 FDE 還會很缺，但薪水會開始分化，核心公司的職位會保值，外面公司的 FDE 會慢慢顧問化。
FDE 跟其他工程師到底差在哪
這是最容易搞混的地方。因為「AI 技術顧問」「系統整合工程師」「業務工程師」這些職稱，在台灣跟 FDE 實際做的事常常重疊。判斷點其實只有三個：會不會寫真正上線的程式、會不會為商業成果負責、搬到客戶那邊有多深。
| 這種人 | 主要做什麼 | 為什麼負責 | 寫真正上線的程式嗎 |
|---|---|---|---|
| 一般軟體工程師 | 做產品功能 | 產品團隊 | 會，但通常是給很多人用 |
| 業務工程師 | 跑展示、回答技術問題、幫忙成交 | 業績 | 很少 |
| 系統整合工程師 | 把產品裝起來、讓它跑得動 | 把東西交出去 | 偶爾，多半照規格做 |
| 產品經理 | 決定要做哪些功能、先後順序 | 產品的成果 | 幾乎不寫 |
| 傳統顧問 | 寫報告、給建議 | 建議對不對 | 不寫 |
| FDE | 搬到客戶那邊，寫程式解決真問題 | 事情有沒有真的做成 | 會，而且要為成果負責 |
Marty Cagan（矽谷很有名的產品專家）的說法更一針見血：傳統的系統整合是「客戶給規格、談好價錢、廠商照規格做」；FDE 是「一個有權限的工程師，搬進客戶那邊，自己找出問題和解法，為成果負責，不是為交件負責」。First Round Review 也提醒：如果你要這個人「成交幾張單、跑幾場展示」，那你要的其實是業務，不是 FDE。
看一份職缺說明的時候，有三個三十秒就能判斷的訊號。看產出：如果內容大部分在講「成交」「跑展示」「支援業務」，那是業務線，不是 FDE；如果講「部署」「客戶成果」「上線」，比較像 FDE。看出差：FDE 的職缺通常會寫出差比例，不寫的要小心。看程式：FDE 會要求真的寫程式的能力（資料庫、資料管線、監控），如果只要求「熟悉產品」「做展示」，那是別的角色。
光環底下，你要先看清的代價
有些媒體用「需求暴增」形容這波 FDE 熱潮，把它寫成 AI 時代的金飯碗。這個形容不是空穴來風，但當成全貌會誤判。這個角色的代價跟它的賣點一樣具體。
出差是第一個代價。有的 FDE 職缺直接寫「一年出差最高七成五、一次長達兩個月」；Palantir 的 FDE 出差強度也是業界出名。這不是偶爾飛兩天，是生活會被整個重新安排。有家庭、有在地牽絆的人要先想清楚。
「其實是顧問的另一個名字」是第二個代價。FDE 在很多公司做的事，跟外部顧問只差在一個有產品、一個沒產品。The Pragmatic Engineer 直言這個角色會變得跟顧問沒兩樣。Forbes 的報導裡，另一家公司的老闆講得更重：FDE「是好的銷售模式，但不是好的軟體經營模式」，會把客戶鎖在「永遠依賴、永遠付錢」的循環裡。
AI 大公司的「非核心」問題前面講過，這裡再強調一次：待在 OpenAI 或 Anthropic 外面那間公司裡的 FDE，拿不到母公司股票。如果你是為了「進 OpenAI 隨股票起飛」而選 FDE，要先看清楚合約上是哪一家公司。這一個動作，會決定你三年後的資產。
程式碼品質的妥協是另一種代價。FDE 做的事很多是「這個客戶這一次的解」，求快、求能用，常常不是追求寫得多漂亮。對把「寫乾淨程式碼」當核心價值的工程師，這會是長期的價值觀摩擦。
領域知識不夠也是風險。Forbes 報導裡，一家叫 Kinaxis 的公司、一位以前在 Palantir 做過的人就批評「派年輕工程師到客戶那邊」，說他們不懂那個產業的基本道理，主張 FDE 團隊要同時有懂技術、懂產業、懂領域的人。
還有一個比較少被談的代價：履歷變得不好解讀。FDE 做三年，履歷會長成「在 A 公司的 B 客戶做了 X，在 C 客戶做了 Y」，每一項都是一次性專案。一般工程師的履歷很好懂（做了什麼產品、多大規模），FDE 的履歷卡在中間，要你自己把每個專案講成「我到底有多強」。
你適不適合做 FDE
FDE 不是適合所有人的工作，硬走會兩頭空。判斷可以收斂成三層問題，一層一層過。
第一層是出差。你能不能接受一年有四到六成的時間不在家？這不是「願不願意」，是「會不會垮」。家裡有小孩、有要照顧的長輩、家人沒辦法配合的人，這一層就過不了。
第二層是一次性客製的風險。FDE 做的事很多是「這個客戶這一次的解」。你要問自己：這個專案做完，我帶得走什麼？如果只是又一個客戶的客製，你的履歷會長成「做過很多一次性專案」，不會長成「在某一類問題上有累積」。
第三層是有沒有回產品工程的路。健康一點的 FDE 團隊，會把現場學到的能力回傳給產品團隊，做兩三年後有機會回到產品或平台工程。如果這條路在你面試的公司裡不存在，你要自己想清楚退路。
面試的時候，可以直接問幾個問題來判斷這是不是健康的 FDE 團隊：FDE 做完的專案，有多少成果被收進產品？做兩年後通常往哪裡去？團隊多大，懂技術、懂產業、懂領域的人怎麼配置？出差補貼和頻率寫得清不清楚？
把幾個輔助條件疊上來：英文溝通（做海外 FDE 幾乎是硬門檻）、客戶溝通（能在講不清楚的需求裡問出真問題）、AI 工具的熟練度、寫作能力（把現場發現回傳給產品團隊、寫給客戶看，都要靠寫）。
這張表把「建議走」「再想想」「不建議走」三種情況分出來，給你對照。
| 訊號 | 你身上的情況 |
|---|---|
| 建議走 | 出差沒問題、英文夠用、想離開純產品做更靠近成果的事、公司有明確回產品工程的路 |
| 再想想 | 出差可以但家庭將吃力、英文讀寫 OK 但口語簡報沒把握、公司規模小、職稱是「技術顧問」而非 FDE |
| 不建議走 | 家庭無法配合出差、追求純粹的程式碼工藝、以為 FDE 是「不用寫程式的 AI 熱門工作」、想拿 AI 大公司股票卻沒查清楚合約主體 |
用一個常見情境（示意）把三層判斷串起來。假設有一位在台北寫後端程式五年的工程師，英文讀寫流利、口語簡報普通，已婚有一個兩歲小孩，收到一間 AI 新創的 FDE 錄取，條件是年薪比現在高三成、一年出差四到五成、多數在亞洲。第一層出差會卡關，因為兩歲小孩和家人的承受度不是他一個人能決定；第二層一次性客製風險還好，因為新創做企業 AI 落地，累積的領域知識帶得走；第三層回產品工程的路要面試時問清楚。這個情境的結論很可能是「再想想」，卡點在第一層。換成同一個人、單身、英文口語也流利，結論就會偏向「建議走」。同一個錄取，不同人生階段會有不同答案。
台灣有 FDE 嗎
要先知道一件事：台灣還沒有像美國那樣成熟的 FDE 市場。純 FDE 職稱在求職網站上很少見，多半偽裝成「AI 技術顧問」「系統整合工程師」「實施工程師」，出現在外商的台灣辦公室，或以「前線部署工程師」出現在 AI 新創。
譯名也有分歧。同一個 Forward Deployed Engineer，在台灣被譯成「前線部署工程師」「前沿部署工程師」，還常被誤寫成「前端部署工程師」（這是錯的，原文是 forward，不是 front-end「前端」）。這裡統一用「前線部署工程師」。
地理上，實際機會集中在台北和新竹。現實的路大概有三條。第一條，進做企業 AI 落地的台灣 AI 新創，職稱可能是「AI 工程師」，但做的就是 FDE。第二條，用夠強的英文加上客戶溝通能力，遠端做 OpenAI、Anthropic、Palantir 的海外 FDE，門檻高但不是不可能。第三條，進外商台灣實體的技術顧問或系統架構師職，工作內容跟 FDE 高度重疊，差別在職稱。
這三條路的難度和回報差很多。第一條門檻最低，但薪水跟著台灣市場走；第二條薪水最接近美國水準，但英文口語、跨時區、定期飛客戶現場是硬門檻；第三條介於中間，生活比較穩定，但做的未必是純 FDE。
薪水是台灣人最容易誤判的一塊。台灣目前沒有可靠的 FDE 薪資調查。網路上看到的大數字都是美國的，不能直接換算成台幣，因為兩邊的稅、物價、醫療、出差負荷都不一樣。例如美國 Google 開給 FDE 的底薪大約是十二萬到二十六萬美金（美金是美國的錢），但這只是底薪，還沒算獎金和股票，而且是美國的價碼。比較負責任的講法是：在 Palantir 這種 FDE 做了十幾年的公司，FDE 跟其他工程師拿的是同一套薪資級距；在 AI 大公司的外部部署公司裡，FDE 拿不到母公司股票，總包裹跟核心工程師差很多。談錄取的時候，一定要問清楚：合約上是哪一家公司、股票是哪一家的、多久才能拿到、出差補貼怎麼算。
FDE 要會什麼，面試怎麼準備
把能力拆開看，FDE 大概是「寫程式＋資料工程＋跟客戶相處＋寫作＋AI 工具＋商業判斷」六條線都要有一定水準的工作，這也是它難找又難培養的原因。
寫程式是底層。FDE 寫的不是展示用的程式，是真的要上線的程式，所以資料庫、資料管線、監控、錯誤處理這些基本功不能少。資料工程是另一條硬線，因為企業用 AI，八成的痛在資料這一層。這一代的 FDE 還要會用 AI 工具來加快工作，像 Claude Code 這類寫程式的 AI 助手、OpenAI Codex 這類會產生程式碼的模型，還要懂得在不同 AI 寫程式工具之間做選擇。
跟客戶相處和寫作是一組。FDE 要把現場發現回傳給產品團隊、寫給客戶看，這些都靠寫。商業判斷則是 FDE 跟一般工程師的根本差別：能不能在一團模糊裡，判斷「這件事為客戶帶來的成果到底是什麼」。
面試（特別是 AI 大公司的 FDE 關）大概考四條。第一，系統設計，包括怎麼把 AI 接上公司的資料、權限怎麼管、怎麼評估 AI 好不好、成本怎麼算。第二，模糊問題拆解，面試官會給你一個超開放的客戶情境，看你能不能在半小時內拆成可以動手的規格。第三，客戶溝通，用角色扮演的方式，考你能不能在客戶講不清楚時，主動問出真問題。第四，寫真的要上線的程式，不是考你會不會做很難的演算法題，是真的給你一個小專案要你改到能上線。
做了 FDE 之後，可以轉去做什麼
FDE 通常不是終點工作。把可能的出路列出來，可以幫你判斷要不要進、進了要做什麼。
最自然的出路是回產品或平台工程，這也是把 FDE 當成「試水客戶端工作」的人最常走的路。第二條是往系統架構師或現場技術長走，適合發現自己更愛客戶現場、沒那麼愛寫程式的人。第三條是帶一個 FDE 團隊，適合已經在某一個領域（像金融、供應鏈、醫療）做出深度的人。第四條是創業，因為 FDE 離客戶夠近、看過夠多真實問題，是少數能在還沒離職前就累積創業題目的工作。
時間上有一個大概的甜蜜點。做滿一年就走太早，只學到一家公司的內部系統；做超過四年還沒往出路邁進，會被定型為「那個客戶的專屬工程師」。兩到三年是比較健康的時間，這段期間要主動爭取跨產業、跨客戶的專案。
關鍵不在於你選哪條出路，而在於每個專案你帶走什麼。健康的心態是把每個 FDE 專案，當成在存三份東西：一份是領域知識（這個產業的流程、規定、資料特性、常見錯誤），一份是解法範本（這類問題通常怎麼解、怎麼評估、成本結構長怎樣），一份是人脈（哪些人以後會幫你）。如果一個專案做完，只帶走「又學會一家公司的內部系統」，這三份都沒存到，這個專案的回報就很低。
結論：把 FDE 當策略，不要當彩券
FDE 不是新工作，是 Palantir 做了將近二十年、在 AI 落地潮裡被重新看見的工程師角色。它的賣點是離客戶很近、用寫程式解決真問題；它的代價是高出差、被當顧問用、在 AI 大公司的外部公司裡還拿不到核心股票。
給你三個下週就能做的事。把目標公司的職缺拿出來，用上面的角色對照表看一看，它到底是不是真的 FDE。盤點自己的六條能力線（寫程式、資料、跟客戶相處、寫作、AI 工具、商業判斷），找出最弱的一條，排一個補強計畫。如果你鎖定的是 OpenAI 或 Anthropic 相關的 FDE，投履歷之前務必查清楚合約上是哪一家公司、股票是哪一家的、出差補貼怎麼算，這個動作會讓你少走半年冤枉路。
常見問題
FDE 跟一般軟體工程師差在哪？
一般工程師待在自己公司，做一個功能給很多人用；FDE 會搬到客戶那邊，專門幫某一個客戶，把產品改到在那邊真的能用、真的帶來成果。Palantir 的講法是「一個功能給很多客戶」對上「很多功能給一個客戶」，這是兩種工作最大的差別。
FDE 是不是就是業務工程師的另一個名字？
不是。業務工程師主要在跑展示、幫忙成交，很少寫真正上線的程式。FDE 寫真正要上線的程式，為「事情有沒有做成」負責，而且搬到客戶那邊的深度遠高於業務工程師。判斷點是「為成果還是為成交負責」「會不會寫上線的程式」。
為什麼 FDE 現在很紅？
因為 AI 變強了，但 AI 不會自己跑進公司的舊電腦和亂資料裡。大公司需要 FDE 到客戶那邊，把 AI 接好、讓它真的幫上忙，所以搶著請人。
FDE 要會寫程式嗎？
要，而且要寫「真的能上線」的程式，不是只做展示。還要會處理資料、會跟客戶講話聽懂需求、會用 AI 工具加快工作。
FDE 賺錢嗎？
薪水通常不錯，尤其是美國大公司，但台灣沒有可靠的薪資調查，網路上的大數字是美國的，不能直接換算成台幣。還要注意：在 AI 大公司的外部部署公司裡做 FDE，可能拿不到母公司股票；這個工作也常常要出差。
台灣有 FDE 的工作嗎？
有，但還不多，而且常常用別的名字，像 AI 技術顧問、系統整合工程師。機會集中在台北和新竹，可以留意做 AI 產品的新創公司，或外商的台灣辦公室。
做了 FDE 之後，可以轉去做別的嗎？
可以，常見的出路有四條：回產品或平台工程、轉系統架構師或現場技術長、帶 FDE 團隊、創業。關鍵是每個專案都要帶走可累積的東西（領域知識、解法範本、人脈），不要只做一次性客製。
想朝 FDE 方向發展，現在可以開始準備什麼？
先把寫程式和處理資料的基本功練好，再多練「把話講清楚」和「在模糊的問題裡找出重點」這兩件事，英文也很重要，因為做海外 FDE 幾乎是硬門檻。不用急著馬上認定要走 FDE，先把基礎打穩，未來的選擇會更多。
