一线实战案例

从 Palantir 的坎大哈起点、国内政企的落地样本，到一线翻车实录——看 FDE 这套打法在真实组织里怎么跑通、怎么跑崩。

FDE 不是纸上概念。它从一场真实的战争里长出来，又在一次次企业部署里被反复验证。把几个典型案例摆在一起，你会看到一个反复出现的成功公式。

读完你能回答：

• Palantir 当年怎么把「派工程师进战场」变成可复制模型
• 国内政企样本和海外打法的差异具体体现在哪里
• 这些案例（成的和崩的）里反复出现的「成功公式」到底是什么

起点：坎大哈的服务器

Palantir 是最早把这套打法变成模型的公司。2008–2009 年，工程师 Mark Scianna 被派到阿富汗坎大哈的美军旅级指挥部——不是去演示，而是去实地部署服务器、建数据集成、培训情报分析员。坐在作战室里得到的洞察，是帕洛阿尔托的会议室永远给不了的。

这件事后来被正式命名：内部把前线部署工程师叫 Delta（取北约音标，也暗合「三角洲部队」的野战含义），把负责使命与采纳的人叫 Echo / Deployment Strategist，把做平台的人叫 Dev。一句话区分：Dev 是一个能力服务多个客户，Delta 是一个人吃透一个客户的多重问题。到 2016 年，Palantir 的 FDE 数量一度超过传统软件工程师——这不是救火队，而是那几年整个 go-to-market 的主引擎。

「训练营」是这套模型的产品化形态：客户带着真实数据进场，Delta 与 Echo 驻场几天，现场做出能跑的原型，高管当场点着用。它替代的是传统售前里最贵的那一段——可行性报告与 PPT a16z-palantirization。信任红利 里讲的是它为什么能一次生产信任。

本土样本：国内的落地图谱

把镜头切回国内。这里落地的主战场和海外不太一样：买家主要是政企（B/G），部署偏好私有化与信创，价值衡量从「试点」走向「核心生产力」——这套规则本身在国内落地规则 里单独展开。下面几个样本都来自 2024–2025 年的公开报道，帮你建立「国内 FDE 长什么样」的直觉。

科大讯飞：「中国版 Palantir」的 FDE 打法

讯飞把「做交付」写进方法论：深入客户现场、共同定义问题、把经验沉淀为可复用平台。智医助理已在全国 31 省 680+ 区县常态应用，累计 9.3 亿次 AI 辅诊、规范病历 3.6 亿次；与中石油共建的「昆仑大模型」达 3000 亿参数，地震波波动方程求解效率提升 10 倍以上，在 100 个场景中落地；与合肥共建的「青天大模型」是全国首个公共资源交易专属大模型，覆盖 24 类工程采购，入选发改委全国唯一「人工智能+」特色示范。

国家电网：「光明电力大模型」进核心业务

国内首个千亿级多模态电力行业大模型。「营销供电方案智能体」把「用户对话受理 → 方案编制」全流程智能化；「公路应急指挥智能体」在京雄高速落地，预警准确率提升至 95% 以上，应急响应从「小时级」压到「分钟级」。

山东海化：盐化工「零手动」智能工厂

携手浪潮，基于海岳大模型构建「盐化工智控大模型」。一期投资 3200 多万元，当年效益超 2300 万元：氯气压缩机非计划停机由 4 次降至为零，维保成本从 80 万降至 20 万；节电 450 万千瓦时；工艺指标平稳率 +55%、关键自控率 +61%、人工操作频次下降 68%；1803 项流程精简到 400 项。

国家能源集团：AI 进采购与交易

智能评标工具接入工作流程后，综合效益达 19 亿元；电力交易人工盯盘从 1.5 小时压缩到 15 分钟，每度电收益提升 5%–10%，新增收入约 400 万元。

这些项目有个共同点：它们都不是「卖软件」，而是「做交付」——驻进客户业务现场，把真实痛点定义清楚，再用技术解决，最后把沉淀转成可复用的平台能力。这正是前文说的 FDE 内核。

一线踩坑实录

成功案例之外，更多项目是「翻车」的。把真实翻车记录摆出来，不是为了吓人，而是为了在你动工前，先知道哪些坑别人已经替你踩过。

战略误判：某头部券商「千亿参数」项目

2024 年启动「用生成式 AI 替代 80% 研究员」的千亿参数大模型，算力预算吃掉 IT 总预算 40%，但监管「人工复核」不可取消导致 ROI 无法闭环。2025 年 3 月被董事会叫停，已采购的 A100/H800 集群折价出售，账面损失 1.1 亿元。错在把「模型能力」当成「业务价值」。

技术业务脱节：华东某面板厂 200 万「0 上线」

花 200 万元采购质检大模型，技术团队定义的「智能质检」是像素级缺陷分割（mAP>0.95），生产团队要的是漏检率<50ppm 且节拍<3 秒/片。两套 KPI 对不齐，项目冻结，供应商尾款未付。需求翻译失真，是交付里最贵的隐性成本。

组织孤岛：某快消集团 AI 中心离职率 38%

2024 年成立「AI 卓越中心」、招 30 名算法工程师，业务方把中心当「乙方」、需求排队 3 个月，算法团队不了解 POS、DMS 系统数据结构、特征工程返工 4 次。2025 年 Q1 离职率 38%、项目交付率不到 20%。AI 部门成了「试点炼金」的孤岛。

「最贵玩具」：某企业 2 亿 GPU 空转

豪掷 2 亿元购买 GPU「应对未来需求」，六个月后仍在和不同供应商做概念验证，毫无进展。业内的复盘把这类做法叫「GenAI 陷阱」：在单个用例上停留太久，采购变成了目的。国内调研还给出过一组更冷的平均值：大模型项目平均投资 2300 万元、平均寿命仅 8.4 个月。这类匿名样本的数字只能当量级看，别当结论用。

海外数据是同一支温度计：MIT 的 NANDA 研究最尖锐——95% 的生成式 AI 试点没能突破原始部门、扩展到生产。Fluid Labs 的复盘把幸存者的做法归为五条：先画流程再选技术、把数据就绪当前提、监督式发布、为采纳而设计、从「一个窄流程」起步。

这些都不是「技术不行」。它们失败的原因，恰好是 FDE 这个角色被发明出来要解决的那部分：在写第一行代码之前，先把流程、数据、采纳和范围这四个坑填上。

业内怎么定义 FDE 这个岗位

岗位描述在各家公司五花八门，但真正在招、在干、在组织里设计这个角色的人，给出的定义高度一致——它不是一个「会写代码的销售」，而是带着产品进现场的工程师。Bloomberry 拆了 1000 条 FDE 招聘 JD，最能说明这一点的是：带销售指标的比例是 0%——它扛结果，但不背配额 bloomberry-fde-jobs。

Anjor Kanekar（前 Palantir FDE 7 年）

他曾在 Airbus 总装线、airgapped（物理隔离）环境里干活。「FDE 不只是交付，他的现场洞察要回流到产品路线图。」——这正是 FDE 和外包实施的根本区别：实施交完就走，FDE 把客户现场磨出来的认知变成产品的下一个功能。印证：FDE 是产品发现功能，不是驻场外包。

Colin Jarvis（OpenAI Head of FDE）

他公开谈 OpenAI FDE 的三阶段方法论：Scoping → Validation → Delivery。核心判断是「把客户现场发现的问题，整理成可重复的方法和长期产品能力，而不是一次性修补」。同一套逻辑在客户侧也有对应物：摩根士丹利上大模型时先建判分集、用检索命中率当放量门槛，评估跑不出来就不推给投顾 openai-morgan-stanley。印证：FDE 是「离真实问题最近的产品侦察兵」，而侦察的结果要先过评估这一关。

Leo Mehr（Ramp FDE 负责人）

Ramp 建了约 15 人的 FDE pod，招聘 JD 直接写「和销售一起赢单」「驱动核心产品路线图」。四条核心原则里最硬的一条：「寻找影响最大的问题，不达影响不罢休。」印证：FDE 既扛收入、又反哺产品，不是纯支持角色。

白井英（LayerX FDE 集团 EM）

他的判断很锋利：「FDE 更接近一种商业模式，而不是一个角色；和客先常驻（SES）的决定性区别是『带着产品』——解过的题会变成产品功能，复用到下一个客户。」印证：FDE ≠ 客先常驻 SES，差异在「是否有产品可沉淀」。

国内大厂 FDE JD 一手（火山引擎）

公开招聘要求里写得很具体：「现场技术决策，不依赖总部逐层审批」「每个项目至少留下 1 个跨客户可复用资产（代码 / Skills / 提示词模板 / Eval 集）」「作为产品研发的现场代理，把底座能力差距结构化反馈给产品研发」。印证：国内大厂的 FDE 与 Palantir 的 Delta 同构。

Accenture RDE / ArchSynapse AI 专栏

Accenture 与 Anthropic 的官方合作公告写得很直白：约 3 万名顾问接受 Claude 培训，其中包含 "reinvention deployed engineers"，职责是「把 Claude 嵌进客户环境」 accenture-anthropic。头衔换了名字，内核还是那一套——人进场、对着客户系统做集成。中文专栏 ArchSynapse AI（27 讲）则坚持「资料优先用一手来源、数字标来源、案例可溯源」。印证：FDE 已经越过 AI Lab，成为跨产品 / 咨询的组织设计范式。

把这些定义和前面四个战场上的同一人、它和售前、咨询、驻场有什么不同两篇连起来看：无论 OpenAI、Palantir、Ramp 还是国内大厂，对 FDE 的底层定义惊人一致——在客户系统里写生产代码、驻场、对结果负责，并把现场经验反哺产品。差异一旦落到「谁扛收入、谁写生产代码、谁留下来维护」这三问上，FDE 与咨询师、售前、驻场实施就分开了。

成功公式

把上面的案例拆开，反复出现的是同一条公式，和本站其它章节的方法论一一对应：

• 接真实数据与在跑的系统，而不是给提示词套壳——agent 直连的是账户、交易 API、内部知识库这些生产系统；只在提示词外面包一层的，换个模型就重做。
• 先挑高频、重复、可度量的流程——数学清楚，CFO 才守得住。
• 治理长在使用场景上，不长在模型上——护栏按账户 / 流程建，而非指望模型自觉。
• 把采纳当基础设施——培训 + opt-in 制造内部需求，而非自上而下强推。
• 人上移到判断，而不是被移除——这是读旧写新和上线不等于激活两课的落脚点。

最后一条值得记住：MIT 的 NANDA 统计里，外部厂商主导（vendor-led）的部署成功率约 67%，纯内部自建只有它的三分之一。差别不在模型，在于有没有人真正走进现场、把裂缝填上——这恰好也是这个岗位存在的理由。