OpenAI 10/22 首次公开自家 FDE 团队怎么干：15 人、10 多个用例、3 到 6 个月全部上生产

## 发生了什么

2026 年 10 月 22 日，OpenAI 官网发布《What forward deployed engineering means at OpenAI》，作者 Colin Jarvis，头衔是 Head of Forward Deployed Engineering。他 2025 年初创立这支团队，这是该团队成立以来第一次对外完整交代业务方式。

核心概念是「部署鸿沟」（deployment gap）：模型看起来能做到的事，和人在工作里能可靠用上的东西之间，隔着一截。分两条路处理——模型今天就能胜任的，FDE 和 Product 一起把它做成可复制的方案；模型做不到的，FDE 和客户一起把缺口定义清楚，交给 Research。

具名客户是 John Deere。这家 200 年历史的农业公司要把农技建议做成可规模化的个性化服务，其 See & Spray 精准除草设备用摄像头加机器学习识别杂草、只喷杂草，最高可减少 70% 的用药量（这是产品口径，不是 FDE 的交付效果）。真正的难点在后面：农民得会配置、会按季节排计划、会随条件调整，OpenAI 的 API 被用来把这类支持做成自然语言问答与配置指引。

## 数字集中在半导体那一役

2025 年中期，约 15 名 FDE 服务一家大型半导体客户，同时推进 10 多个用例，目标是让验证环节 AI 化——在这个行业，验证可能占项目约 70% 的工作量。有几名 FDE 入职才几天，此前没做过半导体，他们驻进客户的验证团队，业余补芯片设计，并和客户工程师一起搭 eval，判断 AI 生成的测试到底有没有用。3 到 6 个月内，这些用例全部进生产并获早期使用：定向测试生成省约 48% 时间，kernel 优化带来 22% 的性能中位数提升，原本要几周的调试压到几小时。

第二个动作是把个案变成通用件。同一批用例迁到以 Codex 为核心的通用 harness 上之后，每个项目删掉约 90% 的定制代码，第二个团队的上手时间从两个月缩到一天。另有两个案例：一家大型电信客户的语音客服，模型在关键 eval 上只有约 60%，FDE 拉上 Research，六个月做到 90% 以上（先到 80%，再到 90% 以上）；Thrive Holdings 的 Tax AI 试点处理 7,000 份纳税申报，吞吐量提升约 50%。

四原则里的第一条是 Jarvis 每次团队会议都放的幻灯片：「从结果出发，不惜代价做成，再谈规模化」。

## 为什么值得记

第一，这是模型厂商第一次把「我自己养的 FDE 团队」的账本摊开，而且带可核的客户与数字。此前 AWS、Anthropic、Salesforce、Google 讲的多是产能与认证（投多少钱、培养多少人、发什么证），OpenAI 这次讲的是单位产出：15 个人、10 多个用例、半年内上生产。

第二，它把「FDE 会不会被模型替代」这个问题反着答了。Jarvis 的原话是：如果每隔几个月就让自己「失业」一次，说明 FDE 团队在好好干活——某个问题类被抬高到客户不再需要 FDE，就该去找更难的问题。这不是防御性表态，是把交付经验回流成产品与模型能力的机制说明。

第三，Codex 那条数字最值得留意：定制代码删掉约 90%，第二个团队从两个月缩到一天。这说明 FDE 的产能瓶颈正在从「人」往「可复用的 harness 与资产」迁移——这恰好也是国内服务商讲「从一次性定制走向标准化复制」时最缺的证据。

## 边界

文章未披露团队总人数、收费方式、客户数量与收入贡献；John Deere 的 70% 是设备用药量口径，不是 FDE 交付指标；半导体客户与电信客户均未具名；所有数字均为 OpenAI 自述。