FDE 在 OpenAI 意味着什么 | OpenAI
2026年10月22日
我们的工作内容、协作方式,以及我们如何解决企业最棘手的难题以创造真正的影响力。
作者:Colin Jarvis,OpenAI 前端部署工程(Forward Deployed Engineering, FDE)负责人
当 Codex 发布时,团队里有人问我:“如果 Codex 能够‘一步到位(one-shot)’直接实现我们过去几个月才构建出来的用例,我们该怎么办?”
这个问题切中了 FDE 在 OpenAI 的核心意义。我们与客户并肩作战,理解他们最困难的问题,并构建他们可以信赖的解决方案。我们获得的经验有助于塑造我们的产品,并为研究团队(Research)提供切实需要解决的实际问题。
这就是进步。如果我们每隔几个月就把自己淘汰一次,那就说明我们的 FDE 团队把工作做对了。
我在 2025 年初创立了这个团队,旨在弥合我们所谓的**“部署鸿沟(deployment gap)”**:即模型表面上具备的能力,与人们在实际工作中能够可靠运用的能力之间的差距。
展示可用 AI 智能与业务价值之间差距的部署鸿沟示意图。

模型能力的迭代速度,已经超越了将它们投入实际应用所需的系统与流程的演进速度。有时缺失的是某款产品,有时则是模型在基准测试(benchmark)中表现优异,但在面对现实世界的变量和约束时却无法胜任工作。
我们专注于客户最棘手的问题。在现有模型能够胜任的领域,我们与产品团队及客户合作,使解决方案具备可复用性;在模型能力不足的地方,我们与客户及研究团队合作,明确差距并进行改进。我们的目标是让每一次交付都为下一位客户带来更高的起点——如果我们能将能力基线提升到让客户下次无需 FDE 协助就能解决同类问题的水平,我们就做好了自己的工作。
拥有 200 年历史的农业企业约翰迪尔(John Deere)面临的挑战,是如何为农户规模化地提供个性化建议。
其中一个例子是其精准除草技术 See & Spray,该技术利用摄像头和机器学习来识别并精准喷洒杂草,而非对整片农田盲目喷洒,从而将化学药剂的使用量减少高达 70%。
但要发挥这些优势,取决于农户是否懂得如何配置该技术、规划作业季,并随着环境条件的变化调整作业方式。
约翰迪尔部署了 OpenAI 的 API,以协助让这种支持变得个性化且可规模化。
AI 可以用自然语言回答农户的疑问,提供量身定制的设置指导和建议,在设备未能充分发挥潜力时进行识别,并帮助农户了解他们从该项技术中获得的实际价值。
这种机遇不仅限于某次单一交互:而是在整个客户旅程中提供相关的指导,帮助农户更好地利用设备,同时提高效率和可持续性。
这正是 OpenAI FDE 致力于解决的挑战:帮助企业从单纯拥有 AI 能力,跨越到构建出能在复杂、真实环境中交付实际价值的系统。
但这些问题往往非常开放,可能根本没有现成的基准真相(ground truth),也没有成熟的操作指南。人人都想构建从未存在过的东西,但很少有人愿意付出实现它所需的代价。
在不断提高“及格线”的同时寻找优秀的 FDE 人才,意味着需要持续的实验与实践。
以结果为导向(Start with the outcome)
在每次 FDE 团队例会的开场,我都会展示一张包含核心价值观的幻灯片:“以结果为导向,不惜一切代价达成目标,然后实现规模化。”

一个令人惊艳的 Demo 可以维持很久的吸引力,直到有人开始质疑它在实际生产环境中是否真的管用。
我们的工作是以可经受生产环境检验的标准,切实解决客户的问题。
2025 年中,我们大约有 15 名 FDE 与一家大型半导体客户合作开展了 10 多个用例。目标是使其芯片验证(verification)流程实现 AI 原生化,涵盖:
- 定向测试生成(Directed test generation)
- 根因分析与调试(Root cause analysis and debugging)
- 架构设计助手(An architecture assistant)
在该行业中,验证工作可占据整个项目约 70% 的工作量。机会巨大,而切入点也数不胜数。
部分 FDE 刚加入 OpenAI 几天,此前从未接触过半导体行业。他们直接扎根到客户的验证团队中,利用业余时间学习芯片设计,并与工程师一同构建评测基准(evals),以测试 AI 是否能生成有价值的测试用例并准确诊断芯片故障。
在边学边做的同时,我们针对各个特定用例构建了定制化的测试框架(harnesses)。在最初的 3 到 6 个月内,所有用例均成功上线生产环境并获得了早期用户的采用。成效直接体现在指标上:
- 通过基于 AI 的定向测试生成节省约 48% 的时间。
- 通过内核优化(kernel optimisation)实现 22% 的中位数性能提升。
- 将数周的调试周期压缩至数小时。
当我们汇报这些成果时,客户的首席硬件官问道:“你们来这里之前做过芯片设计吗?”
我们的 FDE 不需要从第一天就精通该行业,但深入学习它是他们的职责。
随着编程助手让软件构建速度越来越快,理解客户的业务逻辑变得愈发关键。我们在组建团队时兼顾了通用型人才与领域专家。
你需要拥有做出明智判断所需的充分知识,以及敢于对现状假设提出质疑的充足好奇心。
例如在生命科学领域,FDE 的科研背景有助于他们赢得研究人员的信任,这些研究人员从事临床前药物发现工作,涵盖靶点验证与优先级排序、基因表达分析以及化学合成路径重构等任务。这种专业背景使他们能够提出成熟独到的见解,推动这些工作流的改进。
让成功具备可复用性(Make success repeatable)
我们已经证明了这些工作流能够创造价值,但每一个用例仍需要……