10 月 2 日，Anthropic 宣布投入 1 亿美元创办「克劳德前沿学院」（Claude Frontier Academy），目标是在 2027 年底前培养出大约 1 万名「前沿部署工程师」（Forward Deployed Engineer，简称 FDE）。
首批学员来自八家机构：埃森哲、贝恩、凯捷、澳洲联邦银行、德勤、麦肯锡、摩根士丹利、诺和诺德。旧金山、纽约、伦敦三个城市已经开课。
一家做模型的公司，掏出 1 亿美元不去买卡，而是拿去教人干活。这句话本身就是一条新闻——它等于公开承认，眼下卡住 AI 落地的不是模型能力，是人。
一、项目怎么运作
先说清楚规则，因为这条路跟你想的「线上认证课」完全不是一回事。
参加方式是提名制。企业通过自己的 Anthropic 客户团队或合作伙伴经理申请名额，个人报不了名。学员不是白纸，要求是有扎实工程功底、有基于大模型做过东西的经历，而且来的时候必须带一个明确的 Claude 项目回去做。
培养分两段。
第一段是多日线下集训。前三天在模拟的企业环境里走一遍完整流程：从挑选合适的用例，到把系统搭出来，到过安全评审，到准备交接。第四天换一个新场景做实战考核。通过的人拿到 Claude Resident Engineer 徽章。
第二段是 12 周驻场。学员回到自己的公司，带一个真实的 Claude 项目，Anthropic 的工程师提供支持，同批学员之间互相交流。12 周结束后再考一次，通过才拿到 Claude Frontier Deployed Engineer 徽章。首批徽章预计 2027 年初发出来。
Anthropic 商务与合作伙伴关系全球负责人 Steve Corfield 的说法可以抄下来：一小批有主动性、会用 Claude、又真正理解自己公司业务怎么跑的人，能改变整家公司；难的是造出这种深度的人。
算一下除法：1 亿美元 ÷ 1 万人，人均 1 万美元。这个数字不算贵，贵的是那 12 周里学员本来能干的活。
二、FDE 到底是个什么岗位
一句话：工程师走到客户现场，在客户的系统和数据里，把 AI 干成能上生产的系统。
它和普通开发的区别在于，普通开发照着需求文档写，而「该做什么」这个问题别人已经回答了；FDE 得自己在业务里找到这个问题，然后自己动手做出来。
它和咨询顾问的区别在于，顾问交付的是建议，FDE 交付的是跑起来的系统，而且要写生产代码。
它和售前的区别更直接：Bloomberry 分析了 1000 条 FDE 岗位，背销售指标的占比是零。
但真正区分「FDE」和「换了个好听名字的咨询顾问」的，是另一件事：现场学到的东西会不会回流到产品路线图。有这条闭环，才是 FDE；没有，就是驻场外包。
这个岗位不是新东西。Palantir 在 2010 年代初就设了，内部叫 Delta，到 2016 年前后 FDE 的人数甚至比普通软件工程师还多。OpenAI 是 2025 年才正式设这个岗。现在谷歌、Databricks、Salesforce、Snowflake、Infosys、TCS 都在招。
工作方式也得提前知道：60% 到 80% 的时间在客户现场或客户系统里，出差占 20% 到 50%。一周大概一半时间写代码，另一半开会、摸流程、搞基础设施。约 68% 的岗位明确要求出差，47% 明确要求面向客户。
三、为什么突然这么缺人
数据先说：Indeed 上，这个职位在 2025 年 1 月几乎没人发；到 2026 年 4 月，岗位数是那时的 52 倍以上，同比涨了大约 7 倍。2025 年 1 月到 9 月，月发布量涨了超过 800%。
把它放到大盘里看更清楚：同期 Indeed 上软件开发的整体岗位指数只有 74.4（2020 年 2 月等于 100），还在疫情前水平以下。一边整体在缩，一边这个岗在涨。
Lightcast 的口径是美国岗位从 2024 年约 200 个，到 2025 年约 1200 个，再到 2026 年前 7 个月超过 5200 个。
供给完全没跟上。金融时报和 Live Data Technologies 的统计是：岗位涨了 800% 以上，候选人池只涨了大约 50%。
根因其实不复杂：前沿模型的能力在趋同，差异化挪到了「谁能让模型在真实业务里跑起来」。而最后一公里挂在集成和组织上——数据在遗留系统里、权限批不下来、没人定义什么叫合格的输出、没有明确的负责人、合规评审排队。这些不是研究问题，是必须到现场才能解决的工程问题。
MIT 的 NANDA 项目测过一件事：95% 的企业生成式 AI 试点没有产生可测量的回报，报告把原因归为「学习鸿沟」——工具不迁就企业原本的运作方式。
四、钱给到什么水平
美国这边，Lightcast 经《财富》引用的数据是：FDE 岗位的中位招聘薪资超过 18.8 万美元，传统软件工程师约 14.5 万美元。其他口径略有出入——Indeed 平均基本工资约 17.2 万美元，Bloomberry 的中位数约 17.4 万美元，约 70% 的岗位带股权。
往上一档就不一样了。Paraform 口径下，前沿实验室的 FDE 总包在 35 万到 55 万美元之间。Anthropic 自己挂出来的 Lead 岗给到 27.5 万到 38 万美元（基本工资），纽约的 FDE 经理岗是 32 万到 40.5 万美元。
各国差得很远。德国 9 月 Glassdoor 上大约 310 个开放岗位，慕尼黑的 base 约 9.4 万欧元。
钱多的原因不是技术更难，是「愿意驻场、扛得住客户、还写得出生产代码」的人太少。
五、门槛和面试考什么
以 OpenAI 的岗位为例：5 年以上工程或技术交付经验且必须包含面向客户的工作，生产级 Python 或 JavaScript，以及在 LLM 上搭过系统。
听起来高，但入口不止一个。Palantir 招过毕业后只有 1 年经验的人；Salesforce 说自己在半年内把 FDE 团队扩了三倍，其中 40% 到 50% 来自内部转岗。所以「先转内部岗」是条被低估的路。
技术栈是这几块：检索增强（RAG）管道、向量数据库、Agent 编排、数据工程和后端集成，再加上一项容易被忽略的——给客户的具体任务设计评估标准。
面试里最有辨识度的环节是「拆解题」，Palantir 发明的。经典题是：一个城市想用你的平台把 911 响应时间降下来，60 分钟给我方案。拿高分的人不会上来就报技术栈，而是先问清楚问题、把问题切成小块、给一个最小可用版本、再把取舍讲明白。
能力上其实就三组：能建（写生产代码）、能发现真问题（在客户说的问题背后找到该解决的问题，并敢说不）、能交出去（文档、培训、让客户离开你也能跑）。第三组最容易被工程师忽略，也最容易决定你值不值钱。
六、普通人能怎么用这件事
Anthropic 这套是提名制，外人拿不到名额。但这件事对个人仍然有三条可落地的路径。
第一，先做作品集，别先考证书。作品集要展示的是「部署」而不是「演示」：有一个不是你的用户，有一套本来就存在的流程，有一个你不再被需要的时点。一个调用 API 的笔记本是演示，不是部署。
第二，从身边的小活开始。本地小店、公益组织、你现在所在的部门，挑一个重复性任务——分流邮件、对账表格之类——做出东西让人用上几周，再按部署的真实顺序写成案例。
第三，证书有用，但要排在作品集之后。市面上偏向应用 ML、生成式 AI、RAG 的短认证可以作为补充。雇主看的是你交付过什么，认证只是让 HR 别把你筛掉。
如果你已经在做 AI 副业，其实你已经在练同一套东西了：需求调研、范围约定、验收标准、交付与售后。可以对着AI 副业专题里的交付流程逐条自检，把「我给客户交付过什么」写清楚，这份材料比简历上多一行头衔有用得多；站内那篇AI 副业全景的 5 条真实路径也值得比着看，看自己离哪条最近。
七、别光看钱，四个风险
第一，增长数字的基数小。Lightcast 自己都说这个岗位相对成熟技术岗位规模仍小；不同来源的增速从 350% 到 1165% 都有，取决于谁在什么时候数的。趋势是真的，具体倍数别当真。
第二，可能是换了个名字的咨询。判断方法很具体：问产品团队里谁在读现场反馈；绩效评估里有没有利用率或计费工时；项目是怎么结束的；给一个客户写的代码会不会变成平台代码。这些问题答不上来，那就是驻场外包。
第三，倦怠和流动。最高 50% 的出差、频繁在客户之间切换上下文、要对采用率负责却缺乏控制权，这几条加起来的消耗不小。
第四，长期做集成会削弱系统深度。做了三年现场交付，想回核心产品工程，会发现技术栈的深度落后了。
八、老达点评
第一，这笔钱花得比买卡聪明。Anthropic 花 1 亿美元培训的不是自己的人，是客户和合作伙伴的工程师。这些人学成回去，带着 Claude 的做事方式上台，这就不是培训，是渠道建设。想看这家公司更完整的商业逻辑，可以读它自己摊开的 AI 账本那篇。
第二，「95% 的试点没有可测量回报」和「1 万名 FDE 还不够用」是同一件事的两面。AI 的价值不产生在模型里，产生在流程里。所以别指望换个更强的模型就能解决问题——这跟吴恩达讲 Coding Agent 那 5 项能力是同一个结论：模型能力是条件，不是答案。
第三，对国内读者的现实意义是：这套方法论在国内早就存在，只是没有统一头衔。企业里的「AI 落地顾问」「数字化转型岗」「自动化交付」干的就是这些活。所以别去追头衔，把方法论写进简历、把交付案例整理成作品集，比换个 title 值钱。
第四，如果你真想往这个方向走，最快的一步不是报课，是今天就去找一个真实用户。不用是客户，可以是同事。给他把一个重复动作自动化掉，跑满两周。这就是一份能拿得出手的部署记录——门槛低到没有借口，但绝大多数人不会做。
要顺着工具线补动手能力，可以从AI 智能体与自动化专题按场景切入。如果你在犹豫「把 AI 接进现有工作流」值不值得投入，Codex 接入 DeepSeek 那篇给过一个成本很低的起步方案。另外提一句，FDE 干的活里有很大一块是改工具链、写钩子，Claude Code 的 Mods 机制那篇讲的就是这类改造的边界在哪。
