两条都写 AI 代码的路，岔口在「需求从哪来」。
对比表里最有分量的一行是成功定义：FDE 对客户业务指标负责，AI Engineer 对产品指标负责。指标一变，技术选择全变——同样做 RAG，现场版要先解决数据出不了内网的问题，产品版要先解决规模化之后的延迟与成本。这不是技能高低之差，是工作对象之差。
国内 AI Engineer 岗位供给多、成长路径成熟，FDE 岗位相对少但对行业积累的回报更高；已有三五年工程经验的人转 FDE，行业知识会从「背景」变成「核心竞争力」，这是现场岗位独有的复利。
按处境选：要成长确定性选产品团队，要责任半径与行业纵深下现场。面试前把本文对比表「工作现场、需求来源、成功定义」三行的差异讲给面试官听，也能反过来验证对方岗位的真实定位。
—— FDEChina编辑部 · 实战派
导语
FDE 与 AI Engineer（AI 工程师）都在写 AI 相关的代码，用的是高度重叠的技术栈，做的却是两种工作：一个把模型能力落进客户业务，一个把模型能力做进产品。本文用一张对比表拆开两条路的差异，给正站在岔路口的人一份对照。FDE 与其他岗位的区别概览见新手指南第四节。
对比维度表
公开可见的招聘信息显示，两类岗位大致呈现以下差异。各家公司的实际边界有出入，具体以职位描述为准：
| 维度 | FDE | AI Engineer |
|---|---|---|
| 工作现场 | 客户环境或驻场，面对真实组织的约束 | 公司产品团队，面对迭代节奏与代码库 |
| 需求来源 | 客户业务方访谈与现场观察 | 产品规划、用户反馈、数据指标 |
| 成功定义 | 客户业务指标改善、系统被真实使用 | 产品指标改善：留存、性能、功能采用 |
| 技术栈侧重 | 系统集成、数据管道、RAG/Agent 落地与评测 | 模型训练与微调、推理优化、AI 功能工程化 |
| 协作界面 | 客户业务方、项目经理、自家产品团队 | 产品经理、算法研究员、基础平台团队 |
| 转型方向 | 交付负责人、行业方案负责人、客户成功管理 | 资深工程师、AI 架构师、应用科学家 |
| 典型背景 | 后端/全栈工程师转岗，或交付一线成长 | 算法工程化、平台工程、应用开发背景 |
三个关键差异展开
差异一：需求从哪里来，决定工作什么样
AI Engineer 的需求相对结构化：需求文档、指标、迭代排期，改需求有评审、排期有缓冲。FDE 的需求长在客户业务里，要靠访谈与观察挖出来——「这个审批环节为什么慢」往往比「给我们做个大模型应用」更接近真问题。喜欢确定性的人会在现场感到煎熬，喜欢具体问题的人反而觉得产品需求隔了一层。
差异二：成功定义不同，技术选择就不同
FDE 的技术选择围着客户约束转：数据出不出得了内网、旧系统怎么接、评测怎么对齐验收标准。AI Engineer 的选择围着产品转：延迟、成本、效果在规模化场景下的平衡。同为 RAG，两边关心的指标与常踩的坑并不一样，经验也不能直接照搬。
差异三：经验复利的方向不同
FDE 攒的是行业与场景知识：这类客户的流程、那类数据的脾气，复利落在「懂业务」上；AI Engineer 攒的是工程与模型纵深，复利落在「技术高度」上。三五年之后，两条路分别通向行业方案负责人与 AI 架构师这类不同的终点，切换成本随年限上升。判断哪条路适合自己，可以看你更愿意在哪种会议上花时间：客户的业务流程梳理会，还是自家产品的技术评审会。
怎么选：按处境给建议
按处境给建议：刚毕业或工程纵深尚浅，AI Engineer 的成长路径更标准，先打底再下现场不迟；已有几年后端或全栈经验、想放大业务价值，FDE 的责任半径与稀缺性都更大；对某个行业（如制造、医疗、金融）本来就有积累，FDE 能让行业知识直接变成竞争力。两条路并非单行道：现场经验回流产品团队，是不少公司刻意设计的通道。
小结与相关阅读
一句话收束：AI Engineer 把模型做进产品，FDE 把模型做进客户的业务流程。两条路都长期存在，差别在于你愿意让哪类问题占据自己的日常。继续对照：《FDE vs Solutions Engineer》比较签约前后分工的另一组岗位；《FDE 项目生命周期》看 FDE 的项目实际怎么跑；更多行业观察见FDE 观察频道。
参考来源
- 对比依据来自公开可见的招聘信息与公司公开资料中对两类岗位的职责描述（openai.com、anthropic.com、palantir.com 及国内招聘平台公开页面）；
- 具体公司的岗位边界以各家职位描述为准，本篇不构成对任何公司岗位设置的断言。