〇、一个被叫烂了的词#
今年秋招，FDE 从招聘软件里的一个生词变成了热词。AI 公司把它从数据公司那里借过来，贴在了「把模型送进客户现场」的角色上；媒体开始算岗位增速，培训号开始卖课。热度上来了，定义没跟上——翻遍能找到的解释，基本是三句话：懂技术、懂业务、能出差。
这三句全是形容词。形容词的问题是没法检验：一个人是不是「懂业务」，取决于谁在评价；「能出差」更省事，直接把工作地点当成了能力。一个不能被检验的定义，最后一定会变成一顶谁都戴得上的帽子——这正是它此刻正在发生的事。
这篇要做的是一件更窄的活：把这个角色拆到可判定的粒度。拆法是把 FDE 展开成五个分量：
FDE = 工程能力 × 领域理解 × 现场嵌入 × 端到端交付 × 产品回流
（五个分量的英文首字母有两对撞车——Domain 与 Delivery、Field 与 Feedback——所以下文一律用中文词，不套缩写，免得读混。）
后面按这个顺序走：先说每个分量买的是什么、缺了会退化成什么；再说为什么这五项是乘数而不是加数，以及乘法模型自己会在哪里失效；最后拿一条真实的九段管线把它跑一遍——从问题定义一直跑到生物学解释。
先把话说在前面：五个分量的拆法是本文的分析框架，不是哪家公司的官方定义。 它的合法性不来自权威，来自它能不能被证伪——下一节每个分量都给一条可观察的判据；凡是给不出来的，我承认那只是形容词。
一、这个词从哪来#
FDE 不是 AI 时代的发明。把这个具名角色追到源头，是 Palantir：这家公司把自己的工程师派进客户设施，一待数周甚至数月，在客户的内网里写生产代码。公司内部把他们叫 Delta，与写平台的产品工程师（Dev）相区分——Dev 是「一个能力卖给很多客户」，Delta 是「一个客户身上做很多能力」（Palantir 官方博客《Dev versus Delta》 ↗）。「forward deployed」这个说法借自军事用语，指的是部署在前线、而非留在后方基地的单位。
Palantir 自己反复澄清的一件事，恰好是这篇要拆的核心：Delta 不是咨询顾问。「顾问通常交付一次性的分析、建议或方案，而我们和客户一起建的是能持续改进的长期方案」；另一位前线工程师说得更直白——这份工作做的是把已有的软件产品部署出去、换成客户的业务结果，技术工作量「远多于咨询」（《A Day in the Life of a Palantir FDSE》 ↗）。
仔细看这段公司内部定义，五个分量里有四个已经在了：工程（写生产代码）、领域（拿业务结果）、现场（驻在客户那儿）、交付（部署出去）。第五个——产品回流——同样是官方定义的一部分，不是外部附加的善意：Palantir 明确写着，前线工程师有责任把现场的技术认知带回产品团队，「我们一些最有价值的产品能力，就是从现场这么长出来的」。
所以下面这五个分量不是凭空发明，而是把一个公司定义里本来就有、但混在一起说的东西逐项拆开，各自配上判据。拆开的理由很实际：混着说的时候，你没法判断一个人缺的到底是哪一项。
二、五个分量：把形容词换成判据#
逐条说清楚，每条给一个可观察信号。
工程能力（Engineering）——买的是能把方案变成在跑的系统，而不是能跑通的 demo。判据很简单：他交出去的东西，别人不看说明能不能跑起来？ 出问题的时候，他能不能自己定位到哪一层？这一项在 AI 时代反而更容易被高估：能生成代码，和能交付系统之间隔着依赖、权限、日志、可复现。模型降低的是「写」的门槛，不是「交付」的门槛。
领域理解（Domain）——把「帮我分析一下」翻译成可判定、可证伪的问题。判据：把客户的一段口语转述成几条可执行的判定点，客户点头吗？ 这是五个分量里唯一无法在短期内自学的——它按在这个行业里待过的时长计价。市场用「医学背景优先」这类条件给它明码标价，不是客套。
现场嵌入（Field）——见过真实数据的脏。判据：他上一次被真实数据打脸，是什么时候？ 这一项最容易被误解成「出差」。驻场只是形式，实质是接触到未经整理的输入分布。反过来也成立：远程也能做到现场嵌入——只要你敢让客户把原始数据直接递过来，而不是先做成一张漂亮的表。
端到端交付（Delivery）——从定义到结果一个人负责。判据：交付件出问题的时候，客户找的是他，还是别人？ 「端到端」不是要求一个人做完所有事，而是要求没有一段是「不归我管」的。
产品回流（Feedback）——第二个同类客户要比第一个快。判据：同一个问题第二次出现时，是从零开始，还是从组件开始？ 这一项最常被跳过，因为它不在交付路径上——它属于交付之后的动作，没人催，也没有对应的工时。
三、乘法模型：为什么是乘积，不是求和#
把五个分量各自归一化到 [0,1] 之后，先声明模型的边界：它是启发式的，不是测量仪器。它要表达的是门限性质（gate），不提供精确的边际替代率。
乘法的解释力落在三个推论上。
推论一：缺位不可补偿。 加性模型会暗示「工程能力可以补偿领域理解的缺失」——五项加起来分数够高就行。现实不承认这种补偿：五个分量里任何一个为 0，其余四项再高，输出也是 0。 纯技术团队做行业交付反复失败，根本原因在这里——不是不够努力，是结构上不通。这一条和另一句常被引用的话同构：0 乘以 N，仍然是 0。
推论二：补短板比拉长板划算。 在总投入固定的约束下，乘积的极大值出现在五项相等处，而不是某一项突出处：同样是 4.0 的总投入，五项都是 0.8 得到 0.328，而「四项 1.0 + 一项 0」得到 0。这是木桶效应的算式版本，但它比木桶更硬——木桶只是打不满，乘积是直接归零。
推论三：这个模型自己会在三处失效，得提前认下来。
- 分量之间不独立。 现场嵌入会提升领域理解，端到端交付会暴露产品缺口从而触发回流。真实系统里五项是相互增强的。它的门限性质来自「缺位即失效」这一条观察，不来自数学上的独立性——所以我不用它做任何精确计算。
- 归一化本身是主观的。 没有公认的尺子能把「领域理解」量到 0.7。所以这个模型只能用于定性比较（判断一个人缺的是哪一项），不能用于打分排名。
- 它是关于角色的模型，不是关于人的模型。 同一个人在不同项目里，五项的值不相同。一旦把它人格化——「这个人就是个 0.6」——它就退回了形容词，等于白拆。
先把自己的边界画出来，这个模型才不至于变成新的万能话术。
四、九段管线：一条能验证这五项的试金石#
抽象讨论没法验证。下面拿一条真实的分析管线来跑：从一句「帮我看看这批样本有什么差异」，跑到一句能写进论文的生物学解释。全程九段：
问题定义 → 数据检索 → 数据下载 → QC → 数据处理 → 统计分析 → 可视化 → 文献验证 → 生物学解释
九段可以归成三簇：前端（1–3）决定做什么，中段（4–7）决定做对没有，后端（8–9）决定结论是不是真的。
| 阶段 | 这一段在干什么 | 主要考核 | 典型失败 | 交付物 |
|---|---|---|---|---|
| ① 问题定义 | 把「看看有什么差异」改成可回答的问题 | 领域 · 现场 | 问题本身不可证伪 | 分析计划与判定点 |
| ② 数据检索 | 定位可用的数据集 | 领域 | 把「能下到」当成「能用」；物种/组织/平台不匹配 | 数据集清单 + 入选理由 |
| ③ 数据下载 | 取回原始数据 | 工程 | 只存文件不存校验和，三个月后无法复现 | 原始数据 + 来源与校验记录 |
| ④ QC | 判断数据能不能用 | 工程 · 领域 | 指标全绿就当可用，不看生物学合理性 | QC 报告 + 剔除决策 |
| ⑤ 数据处理 | 比对、定量、归一化 | 工程 | 参数不留痕，手敲命令行当管线 | 可重跑的处理流程 |
| ⑥ 统计分析 | 建模与检验 | 工程 · 领域 | 直接跑差异分析，不检验设计假设 | 统计结果 + 前提说明 |
| ⑦ 可视化 | 把结果变成能判读的图 | 工程 · 领域 | 图能看，但坐标截断、单位混用 | 图表 + 图注 |
| ⑧ 文献验证 | 与既有知识对表 | 领域 | 跳过这一步，把噪声当发现 | 证据等级评价 |
| ⑨ 生物学解释 | 把统计结果翻译成机制假说 | 领域 · 交付 · 回流 | 结论越出数据能支撑的范围 | 可检验的假说 + 下一步实验 |
前端决定做什么。 问题定义这一段最贵，也最容易被跳过。判据只有一条：能不能说出「什么结果会让我认为假设是错的」？ 如果说不出来，后面八段的努力都会变成给一个不可证伪的愿望找证据。数据检索不是搜索，是排除——真正的产出是入选理由，理由比清单重要。数据下载可以完全交给脚本，但有一条不可让步：记录来源、版本、校验和。今天省下的五行元数据，三个月后会变成没法复现的整条结论。
中段几乎全是工程活，也恰好是 AI 压缩得最狠的部分。 QC 报告、比对定量、统计检验、画图，工具链和模型已经能覆盖大半。但每一段都留着一道不能外包的缝：QC 的缝是「指标全绿不等于数据可用」，要看样本聚类是否按处理而不是按批次分开；处理的缝是参数要留痕；统计的缝是先检验设计假设（配对、批次、重复数）再跑差异；可视化的缝是——图能看，不等于图没骗人，坐标截断、单位混用、把 n=3 画成 n=30，全都在这一缝里。
后端几乎全靠领域理解。 文献验证的作用不是「支持我的结论」，是给结论定证据等级。生物学解释则是把统计结果翻译成机制假说，并且明确说出哪一部分是数据支撑的、哪一部分是推测——这一段最容易越界：数据说「表达上升」，解释会说「通路被激活」，再往下就变成「因此可以作为靶点」。每越一级，需要的新证据多一层。
然后是最关键的一点：这条管线不是线性的。 它有三条回退线。
- 回环 A：质控不过，退到「数据检索」——换数据集，而不是硬着头皮往下做。硬做出来的结果不是错，是不可解释：你不知道最后那个差异来自生物学，还是来自你没剔除的那批样本。
- 回环 B：文献对不上，退到「问题定义」——很可能问题本身就问错了。典型情形是把批次差异当成处理效应，而这个问题在一开始就该用配对设计避掉。
- 回环 C：机制冲突，退到「QC」——先排查污染与批次效应，再谈生物学。看到「显著的、但和已知机制完全相反的」结果，第一反应应该是回查数据，而不是准备推翻教科书。
这三条回退线，是整条管线上唯一无法外包的部分。每一段的具体动作都可以外包——下载可以写脚本，统计可以调包，画图可以用模板；唯独「判断该退回哪一段」，必须由一个同时懂数据和懂生物的人来做。 这就是 FDE 在一条分析管线里的位置：不是跑得最快的人，是决定下一步跑哪一段的人。
还有一个关于长度的观察：九段，大致是一个人能独立走完的最大长度。 再长——需要跨组协调、跨系统权限、跨季度排期——就必须交给组织。这既解释了 FDE 为什么天然是「一个人的带宽」，也解释了它为什么在现在重新变得可行：中段被压缩之后，一个人终于能把这九段握在手里。
五、分量 × 阶段：溢价为什么不均匀#
把五个分量和九个阶段交叉起来（图 4、下表），能读出三件事。
第一，领域理解的权重压在首尾两端。 第 ① 段（问题定义）和最后两段（文献验证、生物学解释）几乎全靠领域知识；中间六段里，它是配角。也就是说，一个人的行业经验真正被用到的地方，是这条管线的入口和出口。
第二，工程能力占据中段。 第 ③ 到 ⑦ 段，工程能力是主责——下载、处理、统计、画图，全是把已经想清楚的事做出来。
第三，产品回流只出现在最后一段。 九段里只有第 ⑨ 段它是主责，因为它是唯一不在交付路径上的分量。
三件事合起来解释了一个反直觉的分布：FDE 的溢价不在中间的执行段，而在两端。 而 AI 恰好把中间那一段压缩得最狠——下载、处理、统计、可视化，工具链和模型已经能覆盖大半，压缩空间几近见底。两端的空间最小：把模糊愿望翻译成可证伪的问题，要的是行业经验；把统计结果翻译成机制假说并说清边界，要的是对既有文献的熟悉。前者买不到，后者读得慢。
所以「模型变强了，FDE 会不会消失」这个问题，问法本身就有毛病：模型变强，削掉的是中间那六段——那六段本来就最便宜。留下来的两段，正好是定价最高的两段。前一篇讲过市场为什么这样定价（谈谈 FDE：站在甲方、技术与 AI 中间的向导），这一篇讲的是能力为什么这样分布——两件事互相印证，不是同一件事说两遍。
六、伪 FDE 的五个信号#
前一篇写的是这个模式在组织层面怎么失效（认知断流、单点依赖、边界漂移、合规红线）。这一节换个轴：能力层面怎么伪装。五个信号与五个分量一一对应，每个都可观察。
| 缺的分量 | 伪装形态 | 观察到的信号 |
|---|---|---|
| 工程能力 | 报告工厂 | 交付物永远是文档、流程图、方案，没有能跑起来的东西 |
| 领域理解 | 需求翻译机 | 从不质疑问题本身，问什么答什么，「你说怎么做我就怎么做」 |
| 现场嵌入 | 二手判断 | 所有判断都基于别人转述的口径和截图，没碰过原始数据 |
| 端到端交付 | 接口工程师 | 永远只交一段，接缝处总有人接；被要求「从头跑一遍」时答不上来 |
| 产品回流 | 定制作坊 | 第二个同类客户，比第一个更慢 |
第五个信号最狠，也最好测：同一个问题第二次遇到时，是更快还是更慢。 更快，说明第一次的认知被沉淀了；更慢，说明第一次只留下了代码，没留下理解。这个信号不需要看任何简历。
有一点要说清楚：伪装不等于欺骗。多数「伪 FDE」不是装出来的，是缺位而不自知——一个人把工程能力做到 1.0，会自然地觉得自己什么都能接，因为短板恰好在他看不见的那一侧。这也是为什么五个分量要分别配判据：不是为了评判别人，是为了让自己知道缺的是哪一项。
七、结语：定义比工具活得久#
三个条件让这个老位置在现在被重新定价——实现成本坍缩、接口标准化、组织流程滞后。这一层前一篇已经展开过，不重复。这里只说另一件事：热度会退，定义不会。
工具从 PPT 换成模型 API，还会换成 agent 工作流；管线的中段会被继续压缩，首尾两端的判断权不会移交出去。五个分量和三条回退线，是这轮变化里最稳定的部分——因为它们描述的不是技术栈，而是谁在什么位置上做判断。
对生物背景的读者还有一句：这五项里，领域理解和现场嵌入是你已经握着的资产，工程能力是唯一需要补、也补得动的一项——而且现在补的速度比三年前快得多。缺工程能力的人做不了 FDE；但只有工程能力的人，做的是另一份工作。
最后回到开头那三句形容词。它们不是错的，是不可检验。「懂技术、懂业务、能出差」之所以流行，是因为它谁都能说、谁都能往自己身上套。把它换成五个能看出来、能问出来的判据，这个角色才从一顶帽子，变回一个位置。
数据与出处#
- 角色的来源与官方定义：Palantir 官方博客《Dev versus Delta: Demystifying engineering roles at Palantir》 ↗（Dev 与 Delta 的分工、「一个能力卖给很多客户」对「一个客户身上做很多能力」、与咨询顾问的分界、前线代码回流产品的机制）；《A Day in the Life of a Palantir Forward Deployed Software Engineer》 ↗（前线工程师的日常、技术工作量的量级、现场认知回流产品）。检索关键词：
Palantir Forward Deployed Engineer Dev Delta。 - 「forward deployed」借自军事用语、以及 OpenAI / Anthropic / Google Cloud 等公司同岗招聘的现状：其中一份行业汇编见 The Forward Deployed Engineer ↗。注意这类站点同时提供咨询与付费服务，引用它只取事实陈述，不取判断。
- 五个分量、乘积模型、九段管线与三条回退线：本文的分析框架，不是任何公司的官方定义。它来自作者在真实分析管线上的观察，未经同行评议。其中九段管线的划分按常规生信分析流程整理。
- 岗位薪酬与市场定价的一手调查（生物技术本科 6–9K、FDE 12K 起、异地同岗 20–25K、医学背景明码加价）：见前一篇 《谈谈 FDE：站在甲方、技术与 AI 中间的向导》。那篇负责市场口径，这篇负责能力口径，两篇的数据不混用。