这张卡用一条线划清 ML Engineer 与 AI Engineer 的地盘：是否动模型。
核心拆解：ML Engineer 的工作覆盖特征工程、训练与微调管线、推理服务与效果监控，产出物是稳定达到指标要求的模型系统。基座模型时代应用层开发不需要训练能力，但评测、微调与推理优化仍属 ML 范围。最容易误用的判断是把 FDE 当 ML Engineer 招：FDE 需要的机器学习知识是「够用」级——懂指标、懂微调边界、懂推理成本，不需要从零建模。建模能力当然加分，但不是必要条件。
增量判断：国内团队的常见协作结构是一个小 ML 组支撑多个交付项目，FDE 负责现场效果问题的一线判断，判断不了再升级给 ML 组，升级路径要预先约定，内容至少包括响应时效与判定标准，升级时带上评测数据，沟通成本会显著降低。
行动建议：评估岗位或自己时，用「能否独立把一个开源模型微调到指标达标」用这条线区分两个方向，自评同样适用，团队分工表也按此画线。
—— FDEChina编辑部 · 实战派
定义
机器学习工程师（ML Engineer）指负责训练、微调、部署与运维机器学习系统的工程师，工作覆盖特征工程、训练管线、推理服务与效果监控，产出物是稳定达到指标要求的模型系统。
展开
与 AI 工程师的分工以「是否动模型」划线：基座模型时代，应用层开发可以完全不训练，但评测设计、微调决策与推理成本优化仍属机器学习范围。这条线在国内招聘里常被头衔通胀模糊，实用判据是看岗位是否要求独立把模型调到指标达标。对 Forward Deployed Engineer（FDE）而言，需要的机器学习知识是「够用」级别而非建模级别——懂评测指标含义、懂微调的适用边界、懂推理延迟与成本的量级，能判断现场效果问题属于数据、提示还是模型层。最常见的误用是按 ML Engineer 的画像招 FDE，筛掉了大量具备交付能力但缺论文背景的候选人。
国内团队的典型协作结构是一个小型 ML 组横向支撑多个交付项目：FDE 在现场做效果问题的一线判断与快速修复，超出边界的升级给 ML 组，这条升级路径要在项目启动时约定，避免现场问题在两个团队之间空转。