1. 从猎头顾问的视角来看，FDE 是真实刚需岗位还是短期风口噱头？目前市场的人才缺口、需求增速如何？
从我们 Robert Walters AI 团队过去一年多的观察来看，FDE 不是一个单纯由市场热度制造出来的短期概念，而是企业 AI To B 落地过程中逐渐「被需要出来」的复合型岗位。
我们大概从 2025 年下半年开始接触到第一批 FDE 相关需求。到 2026 年中，FDE、Agent 工程化、AI 应用落地、AI 转型交付类岗位，已经成为我们 AI 招聘需求中非常重要的一类。这个变化背后，反映的是企业 AI 转型阶段的变化：2023 年到 2024 年，很多公司还在关注大模型本身、Prompt、PoC 和 Demo；但到 2025 年之后，越来越多企业开始关心 AI 如何真正进入业务流程、组织系统和生产环境。
所以我们更愿意把 FDE 理解为「AI 落地深化后的岗位结果」，而不是一个单纯的风口标签。
从我们合作过的客户来看，目前并没有企业因为 FDE 这个词热，就盲目设岗。相反，很多需求都来自非常具体的业务问题。例如，我们曾支持一家全球消费制造集团在中国搭建 AI 团队，目标不是做单点 AI 应用，而是把 AI 系统性引入电商、供应链和智能制造流程；也支持过国际金融机构在中国建设本地技术与数据团队，关注的是数据平台、工程体系和业务系统的长期升级。这类客户的共同点是：他们已经完成了早期 AI 认知和投入，现在进入了更深层的落地阶段，因此需要 FDE 这类既懂技术、又能理解业务现场、还能推动交付的人。
如果说前两年市场对「泛大模型人才」的集中追逐有一定阶段性热度，那么 FDE 的需求更接近企业 AI 转型进入深水区之后的结构性需求。它的核心不是「会不会用 AI」，而是「能不能把 AI 真正接进业务」。
2. 哪些类型企业是招聘 FDE 的主力？
目前招聘 FDE 的主力，并不是所有企业，而是那些已经对 AI 有初步认知、并且有真实投入的企业。
从 Robert Walters AI 团队接触到的客户来看，大致可以分为两类。
第一类是自上而下推进 AI 转型的行业头部公司。这类公司通常由管理层明确 AI 战略，内部已经开始搭建数据平台、AI 平台或应用基础设施，下一步需要把 AI 能力推广到具体业务部门和核心流程中。我们接触过一些全球化企业，它们在中国搭建 AI 团队，不是单纯做研发中心，而是希望借助中国的人才密度、工程速度和供应链场景，服务全球业务转型。
第二类是自下而上探索 AI 应用的企业。这类公司可能没有一开始就搭建完整平台，而是从某些高价值场景切入，例如研发效率、客服、供应链、营销自动化、知识管理、金融科技、制造运营等。它们通常已经通过早期项目验证了 AI 的价值，但在扩大应用范围时发现，单靠算法工程师、产品经理或业务团队自己推进都不够，因此需要一个更复合的角色。
这些企业普遍有几个特征：第一，在各自行业中处于第一梯队或成长速度较快；第二，对 AI 的关注早于市场平均水平；第三，内部已经有一定数据、系统或工程基础；第四，AI 项目已经从「试试看」进入「要产生业务结果」的阶段。
所以 FDE 的招聘主力，本质上不是追热点的公司，而是 AI 转型已经进入落地阶段的公司。它们需要的不只是模型能力，而是能把模型、数据、业务流程和组织协作连接起来的人。
3. 企业招聘 FDE 最看重哪些核心能力和特质？对比传统研发、售前岗位，FDE 的选人标准有何独特性？
目前 FDE 的用人标准还没有完全标准化，不同行业、不同公司对 FDE 的定义会有差异。但从我们帮助客户梳理岗位画像的经验来看，FDE 通常不是传统研发，也不是传统售前，而是介于技术、产品、业务和交付之间的复合型角色。
企业最看重的能力主要有四类。
第一是工程能力。FDE 不能只是讲方案，必须能够真正进入代码、数据、系统和部署环境。比如模型调用、RAG、Agent workflow、API 集成、权限体系、数据质量、系统稳定性、上线后的监控和迭代，这些都需要有真实工程判断力。
第二是业务理解能力。FDE 要能进入企业真实业务现场，理解流程、角色、痛点和约束条件。很多 AI 项目失败，并不是模型能力不够，而是没有真正理解业务流程，也没有找到合适的切入点。
第三是 AI 应用判断能力。不是所有问题都需要大模型，也不是所有场景都适合 Agent。优秀的 FDE 需要判断哪些流程值得改造，哪些环节应该用 RAG，哪些适合 workflow，哪些需要 Agent，哪些其实应该先做数据治理或系统改造。
第四是沟通和推动能力。FDE 经常需要面对业务部门、技术团队、产品团队、管理层甚至外部客户，因此不仅要能把复杂技术讲清楚，还要能推动跨部门协作，把项目从概念推进到上线。
和传统研发相比，FDE 更靠近业务现场；和传统售前相比，FDE 又必须具备真实的 hands-on 工程能力。它不是单纯「写代码的人」，也不是单纯「讲方案的人」，而是能把 AI 从技术能力转化成业务结果的人。
在我们实际做招聘时，会特别关注候选人是否经历过真实业务复杂度。例如，是否做过生产环境部署，是否处理过非标准化数据，是否与业务团队共同定义过需求，是否能说清楚项目上线后的效果，而不只是展示一个 Demo。
4. 目前 FDE 新人、资深、高阶岗位的真实薪资梯队是怎样的？
这个问题比较难用一个统一数字概括，因为 FDE 目前还不是一个高度标准化的岗位，不同行业、不同公司阶段、不同岗位定义下，薪资差异比较大。
从我们目前接触到的市场情况看，影响 FDE 薪资的核心变量主要有三个。
第一，是候选人的技术深度。如果只是做过简单 AI 应用集成，薪资溢价不会特别明显；但如果候选人具备复杂系统工程、Agent 架构、企业级部署、AI Infra、数据治理或安全合规能力，市场认可度会明显更高。
第二，是业务场景复杂度。金融、制造、供应链、跨境 SaaS、医疗、企业服务等场景，对合规、安全、系统稳定性和业务理解要求更高，因此对 FDE 的能力要求和薪资水平也会更高。
第三，是岗位承担的职责边界。有些 FDE 更接近高级应用工程师，有些更接近解决方案架构师，有些则承担 0 到 1 产品化、客户交付甚至 AI 转型负责人职责。职责边界不同，薪资区间会有很大差异。
所以我们通常不会建议企业一开始就简单按照「新人、资深、高阶」给固定薪资，而是先定义清楚这个岗位到底偏什么：是偏工程交付、偏客户现场、偏产品解决方案，还是偏 AI 转型推动。定义不同，市场 Mapping、人才来源和薪资区间都会完全不同。
这也是专业猎头在这类新兴岗位上的价值。我们在服务 AI 转型类客户时，很多时候不是直接拿一个 JD 去市场上找人，而是先帮助客户校准岗位定义，再判断这个角色应该从算法、后端、解决方案架构、技术咨询、产品技术负责人，还是企业内部数字化转型人才中去寻找。
5. FDE 目前是否有薪资溢价？
有一定溢价，但还没有到外界想象中那么夸张。
从我们目前接触到的市场情况看，FDE 相比普通大模型应用工程师，会有一定薪资溢价，但并不是只要挂上 FDE 这个 title 就能显著涨薪。假设当前市场上普通跳槽涨幅大约在 20% 左右，那么优质 FDE 候选人大概可以争取到 20% 到 30% 的涨幅，但超过 30% 的情况并不普遍，除非候选人同时具备非常稀缺的行业场景经验、复杂系统落地经验和较强的业务推动能力。
企业愿意为 FDE 支付溢价，本质上不是因为 title 新，而是因为这类人可以降低 AI 项目的失败率。
很多企业现在已经不缺模型、不缺工具、不缺供应商，真正缺的是能判断场景、打通流程、推动上线，并且对最终业务效果负责的人。如果候选人只能讲概念，溢价有限；如果候选人能证明自己做过真实业务场景里的 AI 落地，并且有明确的效率提升、成本节约、流程自动化或业务增长结果，薪资议价能力就会明显增强。
从 Robert Walters AI 团队观察到的趋势来看，企业对 FDE 的付费意愿，更多取决于候选人能否回答三个问题：第一，他是否真的懂 AI 工程化；第二，他是否理解业务流程；第三，他是否能推动项目从 PoC 走到生产环境。能同时满足这三点的人，市场上非常少，因此才会形成一定溢价。
6. 目前市场上 FDE 人才普遍存在哪些短板？企业招人最难匹配的点是什么？
目前市场上并不存在大量成熟的 FDE 人才。多数企业招聘 FDE 时，本质上是在现有人才市场中寻找「能力接近 FDE」的人，而不是直接找到已经拥有标准 FDE 经验的人。
这也是 FDE 招聘最大的难点。
从候选人侧看，常见短板有三类。
第一类候选人技术能力很强，但对业务流程理解不够。他们可以做模型、做系统、做工程，但很难主动识别业务痛点，也不擅长和非技术团队沟通。
第二类候选人业务和方案能力不错，但 hands-on 能力不足。他们更像售前或解决方案顾问，能够讲清楚 AI 的价值，但无法真正进入代码、数据和系统集成层面解决问题。
第三类候选人做过 AI 应用，但项目深度不够。很多经历停留在 Demo、内部工具或单点场景，没有经历过权限、数据质量、系统稳定性、用户 adoption、ROI 评估等生产环境问题。
从企业侧看，最大的难点在于用人标准还不清晰。很多企业知道自己需要一个能推动 AI 落地的人，但并不确定这个人应该来自算法、后端、产品、售前、技术咨询，还是解决方案架构背景。企业对市场候选人的完整画像不够清楚，候选人对企业真实需求也缺乏理解。
这也是为什么我们 Robert Walters AI 团队在过去一年接到越来越多 FDE、Agent、AI 应用落地和 AI 转型相关职位。因为在一个岗位定义尚未完全成熟的阶段，企业需要的不只是简历推荐，而是基于行业趋势、人才谱系和真实市场供给的判断。
我们经常会先帮助客户做三件事：第一，判断这个岗位是否真的需要 FDE，还是其实需要 AI 产品经理、解决方案架构师或应用工程师；第二，拆解这个岗位最核心的能力权重，是工程、业务、交付还是组织推动；第三，根据岗位定义去做市场 Mapping，帮助客户找到最接近这个能力组合的人。
对于候选人也是一样。很多人看到 FDE 这个方向很热，但不一定清楚自己是否适合。我们会帮助候选人判断，他的经历是更适合走 AI 应用工程、Agent 架构、技术解决方案，还是企业 AI 转型交付路线。FDE 的机会确实在增加，但它不是一个靠包装就能进入的岗位，它要求候选人真正有跨技术、业务和落地的能力。
