FDE 入门 · 03|Palantir 二十年前埋下的伏笔

上一篇留了个问号:一个被华尔街嘲笑了二十年的模式,怎么就成了 AI 时代的标配?

要回答这个,得先回到那个模式的起点。

一个解不开的死结

2003 年,Peter Thiel 和 Alex Karp 创立 Palantir,公司名取自《指环王》里能看穿远方的"真知晶球"。第一笔钱来自 CIA 旗下的风投机构 In-Q-Tel,第一批客户就是美国情报机构。

问题来了。

反恐分析员手里海量情报散在各个系统里,没法关联分析,这活儿确实需要软件。可传统做法完全失效:派销售去谈需求,回来写文档,工程师远程开发,十八个月后交付一套标准产品。

这条路在情报机构这儿走不通。数据是保密的,没法打包发过来;工作流程是保密的,你没法直接问"你们平时怎么干活",因为没人会告诉你;连需求本身也是保密的,写不进文档,也开不进会议室。用软件的人是间谍,他们既说不清自己到底想要什么,也不会告诉你他们的流程怎么运转。

没法远程调试,做个演示都得先过几周安全审查。

Palantir 的解法简单粗暴:把工程师直接塞进客户办公室,先住下来再说。

工程师做一个粗糙原型,拿给情报人员看,对方一句"这跟我们干的活儿一点关系都没有"就给否了。工程师再问:"那你想要它变成什么样?"就这么一轮一轮磨。

2004 到 2008 年,Palantir 的工程师常驻 CIA、NSA 和军方机构,一驻几个月,跟情报分析师坐同一间办公室,用同一台电脑看同一份数据。这种工作方式在当时的硅谷被视为"不正经"------谁家工程师不在办公室写代码?

可这恰恰是 FDE 的原型。

一顿法国晚餐

这个岗位的由来,有个流传很广的说法。

CEO Karp 曾经问过一个问题:为什么法国高级餐厅能保持很高的水准?他的观察是,好餐厅的服务员深度参与整套餐饮系统------了解菜品、了解做法、了解客人反馈,也会把餐桌上发生的事带回厨房。前厅和后厨连成了一个持续响应的系统。

Palantir 前商业化主管 Ted Mabrey 说过,FDE 这个角色的灵感就来自这个观察:好餐厅里的服务生不只是端盘子的人,也是后厨向前延伸的一部分。

工程师不是"售后支持",是研发部门向前延伸出去的那部分。这个定位决定了后面所有的事。

Palantir 一位前员工 Nabeel Qureshi 写过自己的经历:他搬到图卢兹住了一年,每周四天待在空客工厂,跟制造团队一起干活,最后帮空客把 A350 的生产节奏提高了四倍。

他用 Tyler Cowen 那句话解释这套模式:"稀缺的是 Context。"软件公司从来不缺代码,真正稀缺的是对制造、医疗、情报这些复杂行业业务流程的贴身理解。把人派进工厂,是为了拿到那些很少写进需求文档的默会知识。

Palantir活成所有FDE羡慕的模样:被骂十年外包,股价一天暴涨29%

Echo 和 Delta

这套打法后来在内部固定成两个角色。

Delta:负责快速搭原型、往前冲的工程师。代号效仿的是美军三角洲特种部队。干的是在现场写代码、接数据、做集成,把平台改造成客户能用的系统,解燃眉之急。

Echo:深入一线的领域专家,懂客户那个行业,负责挖真实问题、维护客户关系、做需求翻译。

Karp 把这批人称为"矛尖"------整支队伍最先扎进敌阵的那个尖。有段时间,Palantir 前沿工程师的数量,超过了坐在总部写代码的传统工程师。

这里有一句话我抄下来贴在显示器边上,因为它把分工讲得比任何 JD 都清楚:Dev 是为很多客户构建一个能力,Delta 是为一个客户构建很多能力。

你还在琢磨FDE怎么落地,Palantir已经让AI接管了

第一次读到这句我愣住了。我们平时写的代码,都是奔着"复用"去的------抽个公共方法,做个通用组件,最好一套逻辑服务所有客户。Delta 干的是反着来的事。

为什么非得分成两拨人

这是这一篇我最想讲清楚的地方。

只有 Delta 会怎么样?每个客户从零再来一遍,人按天卖进现场,毛利永远追不上人力成本。这就是华尔街骂了二十年的那句"伪装成软件公司的咨询公司",骂得没错。

只有 Echo 会怎么样?问题定义得很漂亮,落不了地,客户等到第三个月就不接你电话了。

关键在两个角色之间那条回流的路径。Delta 在客户甲现场解掉的一个麻烦,Echo 那边得把它抽象成行业级的通用解法,回灌到产品里;下一个客户乙来的时候,同一个问题就不该再从零解一遍。

Palantir 把现场定制从"服务成本"改记成了"产品研发"。这一个会计科目的差别,就是这套模式能不能算平账的分水岭。

所以 2026 年这三个月发生的事才这么有意思(据公开报道):

厂商 投入 关键动作 时间
OpenAI DeployCo 超 40 亿美元 收购 Tomoro,收编约 150 名 FDE 2026-05-11
Anthropic 15 亿美元估值 收购 Fractional AI,约 100 名工程师 2026-05-04
AWS 10 亿美元 5--6 人小组 45 天冲刺,客户含 NBA 2026-06-30
微软 Frontier Company 25 亿美元 派 6000 名工程师,客户含 LSEG、联合利华、诺和诺德 2026-07-02
Google Cloud 未披露 数百人 FDE 团队,内部叫"嵌入式构建者" 2026-05-12

90 天,大约 100 亿美元砸进同一条赛道。这不是巧合。

Palantir 是怎么活成 76 亿美元的

这五家里,微软那 6000 人不是外部招的,是从现有的 FDE 团队、技术顾问、云解决方案架构师和行业销售里整合出来的。换句话说,微软是把原来的售前和支持整建制改了名字,挂上 FDE 的牌子。这里头的水分,下一节说。

被嘲笑的二十年,怎么活过来的

Palantir 2023 年才第一次全年盈利。市场上一直有两种声音:一种说它是软件公司,该给 SaaS 估值;一种说它是咨询公司套壳,人力密集,毛利撑不起市值。

然后是 2023 年 AIP 发布,营收曲线从"慢热软件公司"直接切成指数形状。三年时间,年营收指引从 22.3 亿美元上调到 76.5 亿。据公开报道,2025 年全年营收 44.75 亿美元、同比增长 56.2%,净利润 16.35 亿美元、同比增 249.3%,9 月市值约 4074 亿美元。

市场给的不是软件估值的钱,是"AI 落地结果"的钱。那个骂了二十年的模式,忽然成了标准答案。

有句话把这个转变讲得最直白:模型被开源一冲就贬值,但驻场交付的能力跟客户长在一起,没法被开源。

Palantir 是怎么活成 76 亿美元的

有个坑我踩了两年才明白

我一开始把 Delta / Echo 理解成"前端和后端",或者"售前和交付",都是错的。

真正的差别在于谁有权决定做什么。Echo 挖回来的问题,得能进产品路线图;Delta 在现场写的代码,得能沉到平台层。这两条路在 Palantir 是通的,因为工程师的考核里有一项就是"你在客户现场写的东西,有多少搬回了产品"。

我待过的第一支"类 FDE"团队没这条通道。干了三年,我人在客户那儿解决的十几个难题,公司层面一个字没记录,下一个项目照样从零踩一遍。我们实际上是驻场外包,只是工牌上写了好听的名字。

这也是为什么我说第 04 篇那套辨别清单重要:一个岗位叫什么不重要,有没有回流通道才重要。

冷水部分

三个,都挺扎人。

第一,很多公司抄的只有 Delta,没有 Echo。你面到的"FDE",很可能只剩"派到客户现场写代码"这半截,问题由销售或产品定,你只管实现,做完的东西不回产品。这不叫 FDE,这叫驻场开发,工资还未必给到。

第二,"为单个客户动用所有能力"这话好听,可它是精英游戏。Palantir 那批工程师本身就是极高薪、极高门槛招来的,人效才撑得起这套结构。国内不少团队照抄名头,招的是应届和两三年经验的,配的是原来外包的预算,最后跑出来必然是烂尾。

第三,Palantir 自己在改这个岗位。AIP 之后,Delta 的工作重心从"亲手写代码解决问题",转向"指挥 AI 写代码,自己做场景适配"。有篇分析干脆说,Palantir 已经把碳基 FDE 往硅基 FDE 上演化了。

国内还在争论FDE模式"水土不服",Palantir已经把碳基FDE进化成了硅基FDE

所以你现在入行,学的其实是一个正在被 AI 改写的岗位。这个矛盾我留到第 20 篇正面回答。

一句收尾

Palantir 用二十年证明了一件事:驻场这件事本身能成立,只要它有回流通道;不能成立的,只有驻场。

它给整个行业留下了一对代号,和一道会计题。可今天满世界挂"Forward Deployed Engineer"这块牌子的公司里,愿意回答"你的回流通道在哪儿"的,我见到的不多。

下一篇不讲故事了,给你五个问题。照着问 HR,基本能分清你面对的是 Palantir 的徒孙,还是换了名字的驻场外包。


(本篇涉及 Palantir 早期历史的细节,来自公开报道与公司前员工的公开记述,含法国餐厅的比喻、空客图卢兹项目、Delta 与 Echo 的分工代号;财务数字为公司披露或媒体公开报道口径,年份均已在文中标注。)

相关推荐
打码的老程是远篁1 小时前
手把手教你玩转大模型——3. Transformer 的位置编码——模型怎么知道谁在前,谁在后?
人工智能·算法
海宇数科1 小时前
Go数据工程:利用海宇婚恋风险报告优化实名制严肃婚恋交友合规体验
人工智能·go
xiwc1 小时前
我用 MCP + 多 Agent 搭了一条自动化内容发布流水线
人工智能·mcp
lucas_AI1 小时前
Hinton 下场写 RSI 论文:今天一年的 AI 进步,未来可能只要 5 周
人工智能·llm
黑妹天下第一乖1 小时前
第 05 讲:阿加犀 AidCV 图像处理加速与 OpenCV 一致开发实战
开发语言·图像处理·人工智能·嵌入式硬件·数码相机·opencv·计算机视觉
天远API1 小时前
PHP数据工程:利用天远名下车辆车牌查询A优化智慧物业一户多车登记合规体验
人工智能
Ivanqhz1 小时前
MQA、GQA、稀疏/滑动窗口注意力及混合范式
人工智能·算法·机器学习
代码方舟1 小时前
Python数据工程:利用天远名下车辆车牌查询A优化个人债务重组与清偿能力评估合规体验
人工智能·python
DevOps老兵1 小时前
AIOps实战03:两代AIOps,传统机器学习与大模型该怎么配合
人工智能·机器学习·大模型·llm·aiops·老计聊技术