AI 时代真正稀缺的不是工程师,是翻译官

去年到现在,我一直在做一件不太有”职业称谓”的事。

在银行项目里,我对接业务方,把”客户咨询保险想知道收益怎么算”这种模糊需求,拆成意图识别 + 多轮对话 + RAG 调用的工作流;在零售项目里,同样的逻辑搬到门店 AI Agent。我不是在做模型训练,也不是在做纯前端——我是在把 frontier 模型这个”能力源”,翻译成具体业务的”production 系统”。

在国内大厂的招聘 title 里,这种人通常被叫做”AI 工程师”或者”AI 产品经理”,但这两个标签都不够准。

直到我看到 Anthropic 和 Palantir 最近一年的招聘节奏,才意识到:这种人国外有名字,叫 Forward Deployed Engineer(FDE),前线部署工程师。

而且他们正在被疯抢。

流行叙事:AI 时代要么搞研究,要么写代码

社交媒体上关于”AI 时代去做什么”的答案,基本只有两个流派:

• 研究派:去 Top 学校读 PhD,跟黄仁勋、Demis Hassabis 一起追 AGI。门槛高、年限长。
• 工程派:去字节阿里腾讯做 AI 工程师,卷 LeetCode、卷分布式、卷 PyTorch。门槛中、节奏快。

中间地带几乎没人讨论。如果你既不想读 5 年 PhD,又不想 996 写底层 ML infra,你会被告诉”那你做 AI 产品经理吧”——但 PM 在国内是个尴尬的角色,既不写代码,又得求着工程师改方案。

但你看 2025 年最热的几家 AI 公司在招什么:

• Anthropic 在 2025 年开放的 FDE 岗位数量,远多于 Research Scientist。
• Palantir 的 FDE 团队从来没停过扩招,他们的核心产品 Foundry 几乎完全是 FDE 在前线”长出来”的。
• OpenAI Solutions 在 2025 年成为内部扩张最快的部门之一,JD 几乎每条都写”既要懂 LLM、又要能跟 enterprise 客户对接”。
• Sierra(Bret Taylor 创立)、Glean、Hebbia、Decagon——这一票 2025 年估值飞起的 AI 公司,核心战略全部围绕 FDE 这个角色展开。

这些不是研究科学家,也不是普通 SWE。他们就是翻译官——把 frontier 模型的能力,翻译成具体行业的 production 系统。

为什么”翻译官”是稀缺品

不是因为这个角色技术多难,而是因为它的稀缺来自三个供给的交集。

工程师供给充裕,但工程师不愿意跟客户对接。 写代码的人通常不喜欢出差、不喜欢开会、不喜欢被业务方追问”什么时候能上线”。所以大部分技术好的人主动远离了 customer-facing 的位置。

PM 供给充裕,但 PM 不会写 production 代码。 国内大厂的 PM 普遍是协调型角色,没办法在客户现场打开 IDE 改一行 Python。客户问”这个 prompt 能不能调一下试试”,PM 只能说”我回去找工程师确认”——而 FDE 当场就能改完跑给客户看。

懂业务的人供给充裕,但懂业务的人不会 LLM。 银行做了 20 年风控的老法师,对业务理解超过任何工程师,但让他写一个 RAG pipeline 几乎不可能。

这三个集合的交集——既能写 production 代码、又懂某个 vertical 的业务、又愿意跟客户对接——就是翻译官的真实样貌。这不是 1+1+1=3,这是 1×1×1,任何一项为零,你就根本不在这个池子里。

模型本身正在 commoditize,落地能力是新的 moat

为什么 2025-2030 是这种角色的窗口期?因为 AI 行业正在经历一个深层转移。

模型本身正在变成 commodity。GPT-4o、Claude Sonnet、Gemini、Qwen、Kimi、DeepSeek——能力差距快速缩小、价格不断跳水、接 API 一个周末就能跑通 demo。模型本身不再是稀缺。

但把模型嵌入到某家具体的银行 / 保险 / 医院 / 政府 / 零售公司,做出一个真正能上线、过审计、过合规、跟现有 IT 系统打通的 production 系统——这件事的门槛反而在变高。因为 enterprise 客户的复杂度没有下降,只是表面上多了一个 LLM 入口。

这就是为什么 Palantir 能用一份 Foundry 合同卖到几百万美元一年——不是因为模型多牛,而是因为 FDE 团队会进客户现场,把模型缝进客户的 ERP、CRM、数据仓库,直到它真的产出业务价值。

这是 AI 时代最被低估的 moat:不是模型,是落地。

跨 vertical 经验 = 翻译能力的真实训练

我做完银行 AI Agent 之后,跳到零售做 AI Agent。本来以为是从一个 vertical 跳到另一个,纯粹是换业务的事。后来才发现,跨 vertical 才是翻译能力的真实训练。

第一次做银行 AI Agent 的时候,我会下意识地想”这个工作流应该这样设计”。但跳到零售之后,你发现银行那套对零售完全不 work——客户类型不一样、对话结构不一样、合规边界不一样、决策链路不一样。你会被迫重新思考:“我之前那些设计假设里,哪些是行业特有的、哪些是 LLM 通用的?”

这种被迫的”抽象层提取”,才是翻译能力真正长出来的方式。一个只在银行做过的人、和一个跨过银行 + 零售 + 保险的人,看待”AI Agent 工作流”的层次完全不一样——后者眼里的”通用模式”和”vertical 差异”会非常清晰。

而招 FDE 的公司想要的就是后者。他们不是要一个”懂某个行业的人”,是要一个”能在多个行业之间快速翻译的人”。

国内的盲区:还在卷”自研模型”,但海外已经在抢翻译官

国内现在有一个明显的认知盲区。

打开任何 AI 创业公司的官网,你看到的几乎全是”我们自研了 XX 模型”、“我们在 XX benchmark 上超越 GPT-4”、“我们做了一个 AI 应用产品”。模型派和应用派两条路上挤满了人。

但中间这条路——“我们帮 XX 行业把 AI 落地”——几乎没有公司在认真做。即使做了,也常常因为缺乏 FDE 那种”既写代码又懂业务”的人,做出来是个 demo,见不了客户。

海外的 Anthropic、Palantir、Sierra、Glean、Hebbia——这些公司的核心战略全部围绕”翻译官”这个角色展开。国内迟早会觉醒,但目前还有 2-3 年的时间差。

而 2-3 年,刚好是一个人完整跨行业经历、把英语补到能跟客户开会、把简历重新打磨成”国际化 FDE 画像”的时间。

写给 26-30 岁的你

如果你恰好是这样一个人:不是顶尖学校 PhD、不打算去做 LLM 底层 research、又对纯写 CRUD 没有热情、但已经有一两段在某个 vertical 做 AI 落地的真实经验——

你站的位置可能比你以为的更 valuable。

你身上的”跨工程 + 业务 + 客户”的能力,在国内大厂的 promotion ladder 里没有清晰对应,所以你可能感觉自己卡住、不知道下一步去哪。但在 2026-2030 的全球 AI 市场,这恰好是被疯抢的画像。

不要把自己标签成”AI 工程师”或”AI 产品经理”——这两个 title 都不够。给自己一个新的定位:AI Solutions Engineer,或者更直接,Forward Deployed Engineer。

然后用接下来的两到三年,把跨 vertical 的项目做扎实、把英语补上、把一两个真实落地 case 的”故事”练熟——不是 prompt engineering 的小聪明,是”如何把模型嵌入一个复杂业务”的完整叙事。

到那时候,你会发现你不是被 AI 时代淘汰的人,你是 AI 时代最被需要的那种人。