[{"data":1,"prerenderedAt":40},["ShallowReactive",2],{"article-zh-what-is-fde-forward-deployed-engineer":3},{"article":4,"related":17,"prevArticle":35,"nextArticle":36,"availableLocales":37},{"id":5,"slug":5,"title":6,"excerpt":7,"content":8,"image":9,"date":10,"published":11,"status":12,"category":13,"keywords":14,"meta_description":15,"og_image":16,"custom_css":16,"created_at":10,"updated_at":10},"what-is-fde-forward-deployed-engineer","FDE 是什麼？駐點工程師交付系統，FDE 交付結果","FDE（Forward Deployed Engineer）和駐點工程師差在哪？一個交付系統，一個交付結果。從一個跟著貿易公司出納與業務工作三週的例子，談 FDE 怎麼工作，以及企業什麼時候需要 FDE。","\u003Cp>FDE 是 Forward Deployed Engineer 的縮寫，直譯是「部署在前線的工程師」。這個角色 2010 年代初就出現在 Palantir，但真正被大家看到，是在 AI 公司紛紛開始招募 FDE 之後。\u003C/p>\n\n\u003Cp>這篇不談 AI 出現後 FDE 變了什麼，因為這個角色本來就是跟著 AI 一起被看見的，討論這個意義不大。我們想談的是：FDE 到底在做什麼、和大家熟悉的駐點工程師差在哪，以及企業什麼時候需要它。\u003C/p>\n\n\u003Ch2>先看 Palantir 怎麼用這個詞\u003C/h2>\n\n\u003Cp>在 Palantir，FDE 指的是工程師不在公司裡等需求，而是直接進到客戶現場工作。後來 Palantir 甚至把自家平台 Foundry 裡的 AI agent 命名為 \u003Ca href=\"https://www.palantir.com/docs/foundry/ai-fde/overview\" target=\"_blank\" rel=\"noopener\">AI FDE\u003C/a>，官方文件形容它是：\u003C/p>\n\n\u003Cblockquote>\u003Cp>\"an interactive agent that operates Foundry for you through conversational commands\"\u003C/p>\u003C/blockquote>\n\n\u003Cp>照文件的說明，它會依對話去處理資料轉換、建立和維護 ontology，執行之後看結果，再自己修正。連 AI agent 都借用 FDE 這個名字，對我們來說很能說明 FDE 的核心：先理解業務，再讓系統跟著業務運作。\u003C/p>\n\n\u003Ch2>FDE 和駐點工程師差在哪\u003C/h2>\n\n\u003Cp>如果只用一句話說：\u003Cstrong>駐點工程師交付系統（或工具），FDE 交付結果。\u003C/strong>\u003C/p>\n\n\u003Cp>真正的分水嶺是：\u003Cstrong>誰來定義問題？\u003C/strong>\u003C/p>\n\n\u003Cp>假設某家企業說：「我們每個月要花十天，才能完成跨銀行的應收帳款對帳，希望你們幫忙自動化。」\u003C/p>\n\n\u003Ch3>駐點工程師的典型做法\u003C/h3>\n\n\u003Cp>客戶提供對帳規則、欄位、系統 API 和需求文件，工程師完成介接、開發、測試與部署。成功的標準是系統符合規格、能正常運作。\u003C/p>\n\n\u003Ch3>FDE 的典型做法\u003C/h3>\n\n\u003Cp>FDE 會深入財務人員的實際作業，追查為什麼需要十天，例如：\u003C/p>\n\n\u003Cul>\n  \u003Cli>哪些資料延遲、缺漏，或無法互相對應？\u003C/li>\n  \u003Cli>哪些對帳規則其實從來沒有被寫成文件？\u003C/li>\n  \u003Cli>哪些例外需要人工判斷？\u003C/li>\n  \u003Cli>哪些人工決策可以交給規則、AI 或工作流程自動化？\u003C/li>\n  \u003Cli>這套解法能不能用到其他銀行、其他 ERP，甚至其他客戶？\u003C/li>\n\u003C/ul>\n\n\u003Cp>最後交付的不只是一支對帳程式，而是一套能持續擴充的對帳能力：包括例外處理、規則、資料對應，以及人工覆核的機制。\u003C/p>\n\n\u003Cp>FDE 一樣要寫程式、整合 API、解決部署問題，但這些是達成業務成果的手段，不是工作的全部。\u003C/p>\n\n\u003Ch2>訪談遠遠不夠，人要進到問題現場\u003C/h2>\n\n\u003Cp>在我們的做法裡，人一定要參與到問題的現場。只靠訪談，遠遠不夠。\u003C/p>\n\n\u003Cp>舉一個例子。在一家貿易公司，我們的工程師跟著出納與業務，整整一起工作了三週。三週裡一邊做事、一邊修正自己對這門業務、對卡點的認知；最後只用了不到一週，就提出一個能讓整體效率提升近 35% 的方案。\u003C/p>\n\n\u003Cp>這個方案不是從需求文件裡長出來的，而是從那三週的實際工作裡長出來的。\u003C/p>\n\n\u003Ch2>ProCheck 在中間扮演什麼角色\u003C/h2>\n\n\u003Cp>FDE 負責進到現場、把問題定義清楚；\u003Ca href=\"/procheck\">ProCheck\u003C/a> 負責的是 AI agent 的管理與訓練，替人省去大量的工作。像是費用管理、模型管理，這些都已經內建在裡面。\u003C/p>\n\n\u003Cp>也因為內建得多，ProCheck 有幾百個參數，真的只有受過訓練的專業人員，才有辦法拿來訓練 AI agent。但訓練好之後，上線使用就不需要那麼專業了：企業可以直接把這個 AI agent 當成一位員工。\u003C/p>\n\n\u003Cp>換句話說，專業集中在導入與訓練的階段，由 FDE 承擔；日常使用的門檻，則留給企業自己就能跨過的高度。\u003C/p>\n\n\u003Ch2>企業什麼時候需要 FDE\u003C/h2>\n\n\u003Cp>從我們的角度來看，判斷方式很直接：\u003Cstrong>如果不論從感受上或數據上，有些延遲會大幅影響經營效率，而一旦改善，就能省下大量成本，或幫忙爭取營業額，那就值得考慮。\u003C/strong>\u003C/p>\n\n\u003Cp>有一個很常見的訊號：管理者覺得「這件事看起來很簡單，為什麼要做那麼久？」\u003C/p>\n\n\u003Cp>出現這種感覺的時候，就可以考慮讓我們的顧問進場，或先\u003Ca href=\"/consultation\">來談談\u003C/a>。很多時候，一兩個小時就能知道需不需要 FDE。\u003C/p>\n\n\u003Ch2>結語\u003C/h2>\n\n\u003Cp>工程師邏輯嚴謹的特質，一直都是很珍貴的能力。FDE 做的，是讓這份嚴謹不只用在把規格做對，而是直接用來幫助企業成長。\u003C/p>\n\n\u003Cp>想了解我們怎麼進駐與導入，可以看\u003Ca href=\"/services\">服務說明\u003C/a>。\u003C/p>","https://cdn.sqa.tw/articles/what-is-fde-cover-2026-11-21.jpg","2026-11-21T12:00:00+08:00",true,"published","perspective","FDE 是什麼, Forward Deployed Engineer, FDE, 駐點工程師, AI 導入, AI agent, ProCheck","FDE（Forward Deployed Engineer）是什麼？和駐點工程師的差別：一個交付系統，一個交付結果。從實際進駐案例談 FDE 怎麼工作、ProCheck 扮演什麼角色，以及企業什麼時候需要 FDE。",null,[18,23,29],{"id":19,"slug":19,"title":20,"excerpt":21,"image":22,"date":10,"category":13},"ai-sdlc-transformation-with-teams","陪多個團隊走過 AI SDLC 改造之後","從去年底到現在，我們陪 8 個團隊走完整個 AI SDLC 改造，其中 6 個已經完全上線。回頭看，真正花時間的不是框架本身，而是陪每個專案一個個上線、一次次調整。","https://cdn.sqa.tw/articles/ai-sdlc-teams-cover-2026-11-21.jpg",{"id":24,"slug":24,"title":25,"excerpt":26,"image":27,"date":28,"category":13},"ai-development-sdlc-release-verification","當 AI 開發只要兩小時，驗證卻還要三天","AI 開發加速後，規格確認、測試與發布不會自動跟著變快。從一個預約系統 SaaS 的實際案例，談我們如何調整 SDLC，讓完整發布驗證從兩三天縮短到兩小時以內，以及 SQA 的角色如何跟著改變。","https://cdn.sqa.tw/articles/ai-sdlc-verification-bottleneck-cover.jpg","2026-11-05T12:00:00+08:00",{"id":30,"slug":30,"title":31,"excerpt":32,"image":33,"date":34,"category":13},"sme-guide-to-choosing-ai-agent","滿街都是AI Agent，中小企業應該怎麼選？","我們最近被委託做 AI Agent 導入後的全盤檢查，才發現 Agent 在客服收單環節默默多採購了五倍原料，還差點在財務面造成流動性風險。Agent 的問題，往往不是不夠聰明，而是沒有人問對問題。","https://cdn.sqa.tw/articles/sme-agent-black-box-inspection.jpg","2026-09-01T15:00:00+00:00",{"slug":24,"title":25,"date":28},{"slug":19,"title":20,"date":10},[38,39],"zh","en",1795282789130]