1. 从“Claude 参与造 Claude”说起这个标题到底在聊什么第一次看到“当 Claude 开始参与造 Claude”这个说法我脑子里冒出来的画面是流水线上机械臂组装机械臂。听起来有点科幻但拆开看其实很朴素AI 模型开始被用来辅助开发、调试、部署 AI 系统本身而在这个过程里一个叫 FDE 的岗位被反复提及。先把三个关键词摆清楚。Claude 是 Anthropic 推出的大语言模型系列配套的 Claude Code 是一个跑在终端或编辑器里的编程智能体工具能读代码库、改文件、跑命令。FDE 是 Forward Deployed Engineer 的缩写中文一般叫“前置部署工程师”或“解决方案部署工程师”最早在数据平台类公司里流行核心工作是带着工程能力扎到客户现场把通用产品改造成能解决具体业务问题的方案。人工智能则是这整件事的大背景。这个标题真正想问的是当模型能力越来越强、甚至能参与自身工具链的构建时那种“既懂模型又懂业务、还能现场写代码”的复合型岗位会不会从边缘角色变成核心角色我个人的判断是它不会取代算法工程师但会成为一个被严重低估的中间层而且这个中间层的价值正在被 Claude Code 这类工具快速放大。这篇文章适合几类人看正在考虑职业方向的学生、想从传统开发转向 AI 落地的工程师、以及团队里需要有人去客户现场“救火”的技术负责人。我会把 FDE 这个岗位拆开讲清楚把 Claude Code 的实际用法讲透再聊聊这两者结合之后到底改变了什么。全文基于我自己的使用经验和行业常见实践来写涉及具体操作的地方都会给出可复现的步骤。2. FDE 到底是什么岗位拆解一个被名字耽误的角色2.1 名字很唬人本质是“带工程能力的业务翻译”FDE 这个 title 直译过来是“前置部署工程师”听起来像是搞服务器上架的。实际上它的工作内容更接近“驻场技术负责人 解决方案架构师 全栈工程师”的混合体。我见过的最准确的一句描述是FDE 是把产品的通用能力翻译成客户业务语言的那个人。举个具体场景。一家公司买了某数据平台的授权产品本身能跑 SQL、能建数据管道但客户的实际问题是“我们的库存周转率算不准因为三个系统的口径不一致”。这时候纯售前讲不明白纯后端开发又不懂业务FDE 就要下场先跟业务方对齐口径再写代码把三个数据源接起来最后交付一个能跑的看板。整个过程里他既要能跟 CFO 聊指标定义也要能打开终端调 API。这个岗位最早在 Palantir 这类公司被大规模使用后来国内一些做企业级 AI 和数据产品的公司也开始设这个岗。它的核心不是“会多少技术”而是在信息不完整、需求随时变的现场环境里快速拼出一个能用的东西。2.2 和算法工程师、售前、项目经理的边界在哪很多人会把 FDE 和这几个岗位搞混我用一张表把边界划清楚。岗位核心产出主要工作场所对代码的要求对业务的理解算法工程师模型、训练 pipeline办公室极高偏研究中等偏数据售前工程师方案 PPT、Demo客户会议室低能演示即可高偏商务项目经理排期、交付节奏会议室 文档基本不写高偏流程FDE能跑的业务系统客户现场 远程高偏工程落地极高要能定义问题从表里能看出来FDE 的独特之处在于它同时踩在技术和业务两条线上而且两条线都要踩实。算法工程师可以不懂客户怎么算库存售前可以不会写 Python但 FDE 两样都得会一点而且要在现场快速切换。我自己的体会是FDE 最像“技术顾问 实施工程师”的合体。你既要能听懂客户说“这个报表不对”背后其实是数据口径问题也要能当场打开编辑器把 SQL 改对。这种能力组合在传统岗位里是稀缺的因为大部分人的职业路径会逼着你二选一。2.3 为什么这个岗位现在被重新提起FDE 不是新概念但它在 AI 时代被重新提起原因很直接大模型让“现场写代码”这件事的门槛大幅降低了。以前一个 FDE 要现场改代码得对客户的代码库足够熟改错一行可能引发连锁反应。现在有了 Claude Code 这类工具你可以让模型先读一遍代码库理解结构再给出修改建议甚至直接生成补丁。FDE 的角色从“亲手写每一行”变成“判断模型写得对不对、业务逻辑通不通”。这就带来一个有意思的循环Claude 这类模型在辅助开发 AI 系统而开发这些系统的人里FDE 是冲在最前面的那批。标题里说的“Claude 参与造 Claude”指的就是这个循环——模型能力提升让 FDE 这类岗位的效率提升进而加速 AI 系统本身的落地和迭代。3. Claude Code 实操FDE 手里最趁手的一把工具3.1 安装与环境准备Windows、macOS、Linux 三条路Claude Code 本质是一个命令行工具通过 npm 分发。不管你用什么系统第一步都是确认 Node.js 版本。我实测下来Node 18 以上比较稳Node 20 LTS 是最省心的选择。# 检查 Node 版本 node -v npm -v # 全局安装 Claude Code npm install -g anthropic-ai/claude-code # 验证安装 claude --versionWindows 用户有个坑要提前说如果你在 WSL 里跑体验会比原生 PowerShell 好很多因为很多命令行工具链在 Unix 环境下更顺。如果坚持用原生 Windows可能会遇到虚拟化平台相关的提示这时候需要在系统设置里确认虚拟化功能已开启否则某些沙箱能力用不了。macOS 和 Linux 基本一路顺畅装完直接claude就能进交互界面。第一次运行会让你登录授权按提示走就行。注意安装过程中如果遇到网络相关的报错先检查 npm 源是否可用换一个稳定的镜像源通常能解决大部分下载问题。3.2 第一次跑起来从“你好”到读懂一个代码库装完之后别急着上大项目先拿一个小仓库练手。我的习惯是新建一个空目录放两三个文件让 Claude Code 先熟悉一下工作方式。mkdir fde-demo cd fde-demo git init echo def add(a, b): return a b calc.py claude进入交互界面后直接问它“读一下当前目录的代码告诉我这个文件在做什么。”它会自动扫描目录、读取文件、给出解释。这一步的意义在于让你感受它的上下文感知能力——它不是单纯补全而是先理解再回答。我建议新手在这个阶段多试几个指令比如“给这个函数加一个类型注解”“写一个测试用例”“解释这段代码的时间复杂度”。每个指令都观察它的输出质量慢慢你就知道什么任务适合交给它什么任务得自己来。3.3 在 VS Code 里用 Claude Code配置要点和常见报错很多人不习惯纯终端想在 VS Code 里用。Claude Code 有对应的集成方式核心是让编辑器里的终端能调用claude命令。配置本身不复杂但有几个高频报错值得提前知道。报错信息常见原因处理方式provider 缺少 base_url 配置环境变量没设全检查 API 相关环境变量是否完整400 配置错误参数格式不对核对配置文件里的字段名和值命令找不到PATH 没配好确认 npm 全局 bin 目录在 PATH 里权限被拒文件权限问题检查目录读写权限我踩过最深的一个坑是环境变量。Claude Code 依赖一组环境变量来定位服务端点如果只设了一半它会报一个很模糊的 400 错误让人以为是代码问题其实是配置问题。建议的做法是把所有相关变量写进一个.env文件启动前统一 source 一遍。# 示例把配置集中管理 export ANTHROPIC_API_KEY你的密钥 export ANTHROPIC_BASE_URL你的服务地址提示配置文件里的字段名大小写敏感复制粘贴时容易带进不可见字符建议手敲一遍关键字段。3.4 让 Claude Code 干活的正确姿势任务拆解比提示词更重要用了几个月之后我最大的感受是Claude Code 的效果七成取决于你怎么拆任务三成才是提示词写得好不好。举个真实例子。我要给一个数据管道加一个字段校验逻辑。如果直接说“帮我加个校验”它可能给你一个泛泛的实现。但如果拆成三步“先读pipeline.py告诉我数据从哪进、从哪出”“在入口处加一个校验函数检查user_id不为空”“给这个校验函数写两个测试用例一个通过一个失败”这样每一步都有明确的输入和输出模型不容易跑偏你验收起来也清楚。FDE 在现场最需要的就是这种“把模糊需求拆成可执行步骤”的能力而 Claude Code 恰好把这个能力的杠杆放大了。4. FDE 的核心能力模型技术、业务、沟通三线并行4.1 技术线不需要最深但需要最广FDE 的技术能力有个特点深度可以不如专职工程师但广度必须够。你可能会在一天之内碰到 Python 脚本、SQL 查询、REST API 调用、前端页面调试、部署脚本每一块都不需要你是专家但你得能上手改。我整理了一个 FDE 常见技术栈清单按使用频率排序Python数据处理、脚本编写、调用模型 API几乎是必备SQL客户现场绕不开的口径对齐全靠它命令行工具git、curl、ssh 这些基础操作要熟API 集成把不同系统接起来是 FDE 的日常前端基础能改个页面、调个样式方便做 Demo云平台基础知道怎么部署、怎么看日志Claude Code 在这条线上的价值是补广度。你不熟某个库的用法直接问它你不确定某段 SQL 的性能让它帮你分析。它像一个随叫随到的技术顾问把你从“查文档半小时”压缩到“问一句十秒钟”。4.2 业务线把“客户说的”翻译成“系统要的”这是 FDE 最容易被低估的能力。客户说“我要一个实时看板”背后可能是三种完全不同的需求有人要的是秒级刷新有人要的是每小时更新一次但字段要全有人其实只是想要一个能导出的表格。FDE 要做的第一件事不是写代码而是问对问题。我常用的一个套路是“三问法”这个数据最终给谁看他拿它做什么决策数据从哪来更新频率是多少口径谁说了算如果这个功能明天上线你最想先看到哪个数字这三个问题问完需求基本就清晰了。很多时候客户自己也没想清楚你问的过程就是帮他理清的过程。这一步做扎实后面写代码的时间能省一半。4.3 沟通线在技术和业务之间当“人肉编译器”FDE 的沟通不是普通的“会说话”而是能在两种语言体系之间来回翻译。跟业务方聊的时候你要把技术限制翻译成业务影响比如“这个字段现在取不到因为上游系统还没开放接口我们可以先用历史数据顶上下周再接实时”。跟技术团队聊的时候你要把业务需求翻译成技术任务比如“客户要的‘活跃用户’定义是近 7 天有登录且完成过一次核心操作对应到我们的表就是……”这种翻译能力没有速成办法只能靠多跑现场积累。但我有个小技巧每次沟通完用一句话把结论写下来发给对方确认。比如“确认一下我们要做的是 X判断标准是 Y下周三是节点”。这一句话能挡掉后面 80% 的扯皮。5. 当 Claude 参与造 Claude这个循环到底改变了什么5.1 模型辅助开发开发反哺模型标题里那个“Claude 参与造 Claude”的循环拆开看是这样的Anthropic 的工程师用 Claude Code 来写代码、调 bug、做测试这些使用数据又反过来帮助改进模型。这不是 Anthropic 独有的很多做 AI 产品的团队都在这么干。对 FDE 来说这个循环的意义在于工具本身在快速变强。你今天学会的 Claude Code 用法三个月后可能因为模型升级而变得更简单。这意味着 FDE 的学习曲线不是线性的而是跟着工具一起往上走的。你不需要成为每个领域的专家但你需要保持对工具变化的敏感度。我自己的做法是每周花半小时看看 Claude Code 的更新日志试试新功能。有时候一个小改进就能省掉一个重复劳动比如批量文件处理、更聪明的上下文选择。5.2 FDE 会成为 AI 时代的核心岗位吗回到标题的问题。我的判断是FDE 不会成为“最核心”的岗位但会成为“最被需要”的岗位之一。原因有三点。第一AI 落地最大的瓶颈不是模型能力而是最后一公里的适配。每个客户的业务逻辑都不一样通用模型解决不了所有问题必须有人下场做定制。第二FDE 的能力组合——技术广度 业务理解 现场沟通——恰好是 AI 最难完全替代的因为它涉及大量非结构化判断。第三Claude Code 这类工具把 FDE 的效率放大了让一个人能覆盖以前两三个人的工作量这反而增加了这个岗位的性价比。但也要清醒地看到FDE 的工作强度不低经常要出差、要面对客户的临时需求、要在信息不全的情况下做决策。它不是那种“坐在办公室调模型”的岗位适合喜欢变化、能扛压力的人。5.3 想入行的人该怎么准备如果你是在校学生或者想转行我给一条我自己会走的路径打基础Python SQL 命令行这三样是硬门槛花两个月能到能用水平练工具把 Claude Code 用熟学会拆任务、验证输出、处理报错做项目找一个真实的小需求比如帮某个小团队做个数据看板从头到尾走一遍补业务找一个你感兴趣的行业读几份行业报告理解它的核心指标练表达把每次技术决策用非技术语言讲一遍录下来自己听这条路径不需要你等毕业现在就能开始。我见过最快的人用半年时间从零基础到能独立接小项目关键不是天赋是有没有真的动手做过完整的东西。6. 实操中踩过的坑与排查技巧6.1 Claude Code 使用中的高频问题速查用久了之后我整理了一份自己的排查清单遇到问题先对照这张表能省不少时间。现象可能原因排查动作模型读不到文件工作目录不对确认启动时的 cwd修改后代码报错上下文理解偏差让它先解释再改响应很慢上下文太长缩小任务范围输出不符合预期任务描述太模糊拆成更小的步骤环境变量报错配置不完整逐项核对变量名我遇到最多的问题是“模型改完代码后跑不起来”。后来发现根因通常是它只看到了局部没看到全局依赖。解决办法很简单改之前先让它读一遍相关文件改之后让它自己跑一遍测试。多花两分钟省掉半小时调试。6.2 现场交付的避坑经验FDE 在现场最容易踩的坑我总结成三条。第一条不要在客户面前第一次跑新代码。所有关键脚本提前在本地跑通现场只做演示和微调。我见过有人现场改 SQL 改出语法错误场面很尴尬。第二条所有口头确认都要落到文字。客户说“就这样”你要回一句“我理解是 X对吗”然后发邮件或消息确认。这不是不信任是保护双方。第三条留一手降级方案。实时接口接不上先用离线数据顶上新功能来不及先上核心字段。FDE 的价值不是做出完美方案是在约束条件下做出能用的方案。6.3 关于学习和成长的个人体会最后分享一个我自己的习惯每次做完一个项目写一份“如果重来我会怎么做”的复盘。不用长三五条就行。这个习惯坚持一年你会发现自己踩过的坑越来越少判断越来越准。FDE 这个岗位没有标准答案每个客户、每个项目都不一样。但底层能力是通用的快速理解问题、拆解任务、动手实现、清晰沟通。Claude Code 这类工具能帮你加速但替代不了你对业务的理解和对现场的判断。工具越强人的判断力越值钱这大概就是“Claude 参与造 Claude”这件事给我们的最大启示。