5月初，OpenAI成立了Deployment Company（部署公司），Anthropic也宣布与包括Blackstone在内的多家金融机构合作成立合资企业。 这些顶尖模型公司，都开始押注同一种服务：不只是提供AI工具，而是深入企业内部，在具体业务场景中把AI能力真正部署起来。 这也让一个工种迅速走到台前——Forward Deployment Engineer（FDE），前线部署工程师。 本期播客，我们聊聊FDE这份工作的具体形态、它与Palantir早年军方部署模式的渊源，也讨论了在这波AI落地浪潮中，私募基金和咨询行业正在经历怎样的变化。

OpenAI组织架构调整 Greg Brockman 接替因病休假的AGI Deployment首席执行官Fidji Simo 准备在IPO之前，将 Codex、ChatGPT 和 Atlas 浏览器整合到一个超级应用中 是不是Codex才是AGI 的产品形态🤔

今天很意外的发现，All In昨天最新一期，聊的话题也跟我昨天说的OpenAI成立AI Deployment公司相关，而且他们直接请了SalesForce的CEO来做客聊这事儿 我简单看了下，视频里面有三个点有点意思，跟我昨天写的内容正好做个呼应 1. OpenAI亲自下场证明这个事儿不容易，算是被逼无奈 就大家以前以为企业的AI adoption 是：Prompt → 接 API → boop boop boop → 自动化完成……结果发现Too Young Too Naive，原因就是我昨天写的那些东西， 有点像“模型卖不进去，只能自己下场帮客户装”的Feel 但是！这里要说但是了！这事儿从好的一面想，这生意的TAM可能单纯比API revenue要大得多。企业愿意为这个花的钱，可能远大于API fee，毕竟API就是个工具预算，企业的AI Transformation那是战略预算，做过高管或者PLanning的老铁都懂 2. Salesforce CEO Marc Benioff 的观点 - 如果 AI 要改 SaaS 玩法，Salesforce会主动转型。 他们现在活的还挺好，各种数据啊营收啊都很不错。因为现在AI渗透进企业的速度远不及预期。真正有价值的不是软件本身。而是跟企业的关系+信任+内部部署能力+数据和上下文等等 他说Salesforce本来就是本来就是 API-first architecture，所以它比很多传统SaaS更容易 agent-native转型。他认同SaaS 前段UI未来可能被 AI 吃掉，以前那种按席位收费的好日子可能也一去不复返了，但Salesforce完全可以转型成一个AI 的Backend，或者说Operating layer，按API调用来收费，走基础设施流 3. 大佬Chamath认为过去他看空SaaS是对的，但现在这个时间点，SaaS有点跌无可跌了 或者更准确一点他的原话是- “the low end of the market is basically finished” “the high end of the market where Mark operates is quite safe” 低端 SaaS可能真有结构性问题；高端Enterprise SaaS 可能已经被市场错杀 他的逻辑就是之前说的，如果OpenAI 自己都要花大钱搞 deployment company，说明 enterprise AI adoption 根本没那么简单。所以之前业界盛传的“AI会秒杀 enterprise SaaS” 这个叙事根本没那么成立。 看了下SalesForce的股票，从24年底高位到今天已然腰斩，这周四+周五收盘都是逆势强势反弹，可能跟第一季度财报数据很好+1份价值7200万美元的美国空军合同有关。当然，也可能是市场反应过来，OpenAI亲自下场做AI deployment，对Salesforce其实是利好，不是利空。变相替Salesforce来教育市场 - “AI kills SaaS这事儿暂时不成立，顶流SaaS护城河依旧很深，我们可能之前真的恐慌超卖了……” 正好这两天看到 @ShanghaoJin 等一些美股大佬有在说硬件Infra短期可能有些情绪顶，软件其实可以看看，感觉SalesForce近期得加入关注列表了！

具备无限航区调遣能力，四航永盛号助力我国深远海风电场、跨海大桥工程建设#海洋强国装备# Capable of unlimited sea voyage deployment, it supports China’s offshore wind farms and cross-sea bridge construction for marine power strategy. #MarinePowerEquipment#

顶级 AI 公司背后，都有一个"超级 2 号位" 这是 AI 行业一个有趣的规律：技术天才负责模型，另一位"超级 2 号位"承包模型之外的一切：融资、招聘、法务、政策、商业化、销售和组织管理。 Anthropic 有 Daniela Amodei（联合创始人/总裁），她曾是 Stripe 创始招聘官，后担任 OpenAI 安全与政策 VP，负责财务、法务、招聘、传播、政策、GTM、企业销售和安全组织。她的哥哥 Dario Amodei 是 CEO，专注技术方向。 OpenAI 有 Fidji Simo（AGI Deployment CEO，2026 年 7 月上任），负责产品、商业、运营，COO、CFO、CPO 均向她汇报。她来自 Meta（Facebook 负责人），后任 Instacart CEO。Sam Altman 则聚焦技术和战略。 SpaceX/xAI 有 Gwynne Shotwell（总裁兼 COO），负责商业销售、政府关系、Starlink 运营、法务和 HR。她是 SpaceX 早期员工，2008 年起任总裁，2026 年 2 月兼任 xAI 总裁。Elon Musk 担任 CEO 兼 CTO。 DeepMind 曾由 Lila Ibrahim 担任 COO（后转任首席 AI 就绪官），负责运营、治理与伦理、政策、传播和 People & Culture。她来自 Intel，后任 Kleiner Perkins COO，2026 年转向政策方向。 这些"超级 2 号位"往往有成熟公司运营经验，能把复杂组织真正运转起来。 技术创始人专注突破，运营操盘手承接落地，这或许是顶级 AI 公司的成功公式。

国产引力一号起飞推力600吨，近地轨道运力6.5吨，支持一箭30星批量组网，夯实低轨星座发射主力 Boasting 600 tons takeoff thrust and 6.5-ton LEO capacity, China’s Gravity-1 can launch up to 30 satellites at once, supporting large-scale constellation deployment. #CommercialSpaceWorkhorse#

正在试用 @SuperiorTrade_ 上的自动化策略模板，还挺良心的，告诉我这个策略不赚钱，不建议我跑hh Superior Trade 正在帮助用户简化使用量化策略的门槛： 核心功能 > Intelligence 提供交易信号。支持整个 HIP-3 生态的交易标的，包括股票、指数、大宗商品、外汇。每天由专业团队进行筛选，只保留优质的信号 > Strategies 提供各种不同的交易策略，包括定投、网格、抄底、追高、均线交易、套费率等，也有很多社区孵化的交易策略 > Copy Trading 跟单聪明钱 > Agent Skills 这里收录了蛮多其他交易机构/交易员的 skills，直接安装就行 > Backtests 策略的测试结果可以从这里找到 > Deployments 实际部署在跑的策略 与其他 trading agents 不同的点 > 更注重信息源的细腻程度。交易策略经过智能的筛选和验证，而非简单给出多空指标+拼执行速度 > 更注重交易策略的搭建。不主张预测市场，而是提供一套构建完整交易策略的框架：从信号的测试、验证，再到执行交易 > 个人认为爆发力最强的一点：解决了 CEX 因为喂价标准不同导致市场碎片化的问题，兼容整个 HIP-3 生态，并为之提供了一套统一的 AI 策略自动化的 OS AI + trading 这个大方向基本是确定性的： 1) AI 执行交易能减少主观情绪的影响 2) 帮助缩小信息差，减少重复性的 research 工作 3) 将海量交易信号抽象成可执行的策略，量化交易不再是机构专属 风险提示 > 早期项目，历史样本不够丰富 > 需要放钱给 AI 部署交易策略，建议先小额尝试

最近刷 boss 发现一个非常高薪的新型岗位-FDE 工程师 年薪20-100万元不等，国内大厂开到35-55K·16薪，一年内岗位数量暴涨7倍.... 这不是简单的岗位更名，而是 反映了AI 竞争焦点的彻底转移 FDE工程师到底是什么 Forward Deployed Engineer-前沿部署工程师 这个概念最早来自 Palantir，借用军事中的“前沿部署部队”理念——不坐在后方指挥，而是直接到客户现场打仗 OpenAI 和 Anthropic 在同一天分别成立企业 AI 服务公司，核心策略完全相同：向企业派驻 FDE OpenAI 砸40亿美元成立“The Deployment Company”，直接收购150名资深 FDE 这个信号已经足够明确：AI 的战场已经从“比模型”转向“比落地” 为什么 FDE 会火？ 我观察到三个关键趋势 第一，企业 AI 仍处早期，成功需要“共创”模式 企业的业务场景太非标了，没有成熟产品可以直接套用，必须有人扎根现场，把模糊的业务问题转化为可落地的 AI 方案 第二，AI 关注点从 C 端转向 B 端 消费级应用的天花板已经显现，真正的商业价值在企业级应用落地 但企业的数据、权限、业务系统、第三方工具都需要打通，这不是远程写代码能解决的 第三，AI 进入“群雄逐鹿”时代 当所有大厂都有了差不多的大模型，竞争的关键变成了谁能更快地把 AI 变成客户的生产力 FDE 就是这个“最后一公里”的核心操盘手 FDE 和传统工程师的本质区别 传统软件工程师：在办公室写代码，交付的是功能 FDE：驻场客户现场，交付的是业务结果 举个真实案例 上海一条消费电子产线，换线调机要折腾2-3小时，FDE 扎根现场9个月，把换线时间压缩到55秒 这不是写几行代码就能搞定的，需要深入理解产线工艺、设备参数、工程师的隐性知识，然后把这些转化为 AI 可以处理的信号 FDE 的核心能力是：技术+业务+落地+运维的四维复合 普通人怎么成为 FDE 我按照我的理解和岗位的JD共性，梳理了一条相对清晰的转型路径 第一阶段：打基础（1-2个月） 了解 AI 基础概念：什么是大模型、Token、RAG、Agent 会使用claude code，cursor，codex等AI编程工具实现自己的需求 这个阶段不需要深度，但要建立完整的认知框架 第二阶段：AI 部署实战（2-3个月） 模型部署工具必须会：vLLM 部署大模型、FastAPI 写推理 API、LangChain 搭 Agent 重点是动手，找一个真实场景，哪怕是给自己的工作流做个 AI 助手也未尝不可 第三阶段：业务理解能力（持续修炼） 这是 FDE 和普通工程师的分水岭 跟随业务人员实地观察，记录全流程节点，识别关键决策点 把隐性知识转化为可建模信号 业务理解有三重境界：知道客户说什么、明白客户为什么这么说、预见客户接下来会需要什么 第四阶段：敏捷交付思维 FDE 模式遵循“80/20法则”：用20%时间交付80%核心价值，剩余80%时间持续优化 这需要你从“完美主义”转向“价值驱动” 先让系统跑起来，再根据真实反馈迭代 我的观察 FDE 的爆火，告诉我们：能把 AI 真正变成生产力的人，才是最稀缺的 这个岗位对普通人最友好的地方在于：它不要求你是算法大神，但要求你有产品思维、业务 sense、沟通能力 如果你是传统开发者，有业务经验，愿意到一线解决真实问题 FDE 可能是你在 AI 时代最好的转型方向 毕竟，OpenAI 和 Anthropic 已经用数十亿美元告诉你：这是眼下最急需的岗位

AI模型评分都是被专项攻坚创造出来的，于是我对比了Fable5，Grok4.5， Kimi K3针对同一个交易系统审计结果进行了对比。 先说结论： Fable5：最适合作为系统级主审核模型 Kimi：最适合作为代码缺陷与一致性专项审核模型 Grok：最适合作为代码梳理和方案发散模型，不适合单独决定策略修改 最佳组合：Fable5全面审核+Grok 4.5代码梳理+K3代码审核 具体细节： 1. Fable5：系统级判断能力最强 Fable5 最大的优势不是代码读得比另外两个模型更多，而是它能把： 代码规则； sizing snapshot； intent ledger； 实际 block 统计； 当前资产 headroom； SELL/REDEEM 回流路径； 放进同一个因果框架。 它使用了几个非常关键的实盘指标： ADD 近 7 天约占新增资金 43%； 84% 资金已经部署； ETH、SOL、XRP headroom 为 0； 近 40 个周期中主要阻塞是：blocked_capital_efficiency=47 blocked_asset_cap=28 deployment cap=0 runway=0 这让它能够区分： “某个机制理论上可能限制资金” 和 “当前实盘真正正在限制资金的机制”。 最终它得出： ADD 对资金流向重要，但当前周转主因在回收端、资产 cap 和效率过滤，不在 ADD 准入本身。 这是三个模型中最接近生产系统审核要求的判断。 弱点 Fable5 仍有一些过度推断： 把 ADD 描述为让资金“锁得更久”，实际上 ADD 的剩余 TTE 通常比 ENTRY 短； 把超 cap 资产总持仓约 $382 说成可以“直接解锁 $382”，没有区分总持仓、超额部分和可成交部分； 把模型中的 redeem_lag_days=2 一度当作实际回款延迟； “$5 仓位几乎不受每美元每日利润门约束”的推理不正确，因为该指标已经按资金归一化； 2-lot 最低 ENTRY 建议可能系统性损失覆盖率。 因此，Fable5 的系统方向判断最好，但具体数字和金融指标仍需二次校验。 最适合的角色 PRIMARY_SYSTEM_REVIEWER LIVE_OPERATIONAL_DIAGNOSIS CHANGE_PRIORITY_DECISION CROSS_MODULE_ROOT_CAUSE_ANALYSIS 2. Kimi：代码缺陷侦测能力最强 Kimi 对代码结构的还原比较准确： 固定 ADD 次数和 interval 已退役； ADD 采用 target-gap 模型； ENTRY 60%，ADD 补到 100%； allocator 是最终数量权威； style 仅作诊断； 现金、集中度、shock、深度共同限制订单。 更重要的是，Kimi 找出了其他两个模型没有明确指出的具体问题： shared_deployable_pool() 读取 account_snap["capital"]["deployable_cash"] 但该字段可能没有实际写入 → 回退到 free_cash → 策略层与 allocator 层资金口径可能不一致 它还发现了： 合同写 debounce 60 秒，代码/配置为 30 秒； 注释周期 16 分钟，实际 loop 600 秒。 这些是典型的静态审核、字段追踪和合同一致性检查优势。 弱点 Kimi 在资本效率和交易语义上的推理弱于它的代码检查能力。 典型错误是： ADD 价格更高，所以边际 edge/day 必然更差。 这忽略了剩余持有时间也缩短。更高 ask 并不必然意味着更低 edge/day。 它还认为： 60/40 会让剩余资金长期闲置； 提高 entry share 会改善周转； CONFIRMATION_NO 应收紧； 增加单市场软 cap 会改善组合周转。 这些结论缺少真实候选竞争、实际 block attribution 和反事实分配数据支持。 最适合的角色 STATIC_CODE_AUDITOR SCHEMA_AND_FIELD_FLOW_CHECKER CONTRACT_IMPLEMENTATION_DIFF LOCALIZED_BUG_DISCOVERY Kimi 很适合回答： “代码是否存在字段没有写入、默认值回退、文档与实现不一致、某个 gate 实际是否生效？” 但不适合单独回答： “应该如何改变交易策略和资本分配？” 3. Grok：代码梳理最完整，但最容易过度设计 Grok 对整个 ADD 路径的整理最详尽： 各层准入条件； risk latch； REDUCE reentry cooldown； 价格带； fingerprint； emergency cap； market target； ENTRY/ADD gap； allocator 的现金、集中度、shock 和深度约束； ADD 与 ENTRY 的评分和 continuity； SELL/REDEEM 对现金回收的影响。 它对当前代码执行模型的概括非常清楚： 能不能加由 headroom 决定；加多少由 target gap 离散为 lot；ADD style 只是解释标签。 因此，在“快速理解一个陌生复杂系统”方面，Grok 表现很好。 弱点 Grok 最大的问题是： 从“发现一个可能的机制副作用”快速跳到“建议修改策略”。 它提出了大量未经实盘证明的改动： TIME_TOPUP 冷却； ADD 1.5 倍 edge/day 门槛； ask≥0.97 限制为 1 lot； 降低 peak target； 提高 entry share； 单次仅补部分 gap； 弱化 continuity； 降低 TTE confirmation 权重。 这些建议表面上都很合理，但存在三个问题： 没有先证明这些机制实际造成了损失； 没有量化被 ADD 挤出的 ENTRY 是否更优； 可能重新引入此前已经修复的低 ADD recall 和 leader fidelity 偏差。 Grok很擅长生成完整优化空间，但容易把： POSSIBLE SIDE EFFECT 升级成： CONFIRMED ROOT CAUSE 再进一步升级成： SHOULD CHANGE PRODUCTION LOGIC 这是生产交易系统审核中最危险的倾向。 最适合的角色 SYSTEM_MAPPING CODE_AND_CONFIG_EXPLANATION HYPOTHESIS_GENERATION DESIGN_OPTION_ENUMERATION 不适合作为唯一的： PRODUCTION_CHANGE_APPROVER ROOT_CAUSE_FINAL_AUTHORITY STRATEGY_SEMANTICS_GATEKEEPER 三个模型的典型思维模式 Grok 发现机制 → 推演可能副作用 → 生成多种优化 → 倾向建议修改 优点：覆盖广、思路多。 风险：过度设计、假设升级过快。 Kimi 追踪代码和字段 → 找实现不一致 → 找局部缺陷 → 尝试从缺陷推导策略改进 优点：代码问题定位强。 风险：局部正确不等于系统结论正确。 Fable5 理解代码 → 读取运行数据 → 找实际 binding constraint → 区分主因和次因 → 按实盘收益排序 优点：最接近生产运营思维。 风险：仍会在个别指标含义和金额口径上过度断言。