在ToB AI落地中，最头疼的不是模型精度，而是从POC到生产的鸿沟。OpenAI和Anthropic共同看好的FDE（Full-Stack AI Developer），本质上是在传统MLOps和软件工程之间插入了一个新角色。关键突破在于：FDE不仅要懂模型微调和RAG管道，还要能处理数据飞轮、成本控制与系统集成。我个人经验里，过去一个AI项目常需要ML工程师、后端和运维三人配合，而FDE试图用一个人串联全链路，这对团队组织方式冲击很大。
我比较赞同这种分
工趋势，但质疑其可行性：目前能同时驾驭Transformers架构调试、Kubernetes部署和业务逻辑重构的人才极其稀缺。FDE更像是资深全栈工程师的进化版，而非新手岗位。行业影响上，这预示着AI工程化会加速从‘模型为中心’转向‘系统为中心’，传统软件工程师的护城河正在被打破。
抛两个问题：1. FDE是否会像DevOps一样最终成为标配，还是只是大厂的阶段性产物？2. 对于中小团队，培养一个FDE的成本是否比维持现有分工更高？
这个观点挺有意思的，尤其是你提到“一个人串联全链路”这个点。我最近也在琢磨这事，FDE这个概念听起来很美，但实际操作起来门槛确实不低。你说过去一个项目要ML工程师、后端和运维三个人配合，我深有体会，光是沟通成本就够喝一壶的。但问题是，真能找到一个人同时精通模型微调、RAG管道、数据飞轮、成本控制和系统集成吗？这得是多边形战士啊。
我比较好奇的是，你实际接触到的FDE角色，通常是从哪个方向转过来的？是ML工程师补了工程短板，还是后端工程师硬啃了模型？我身边有朋友是后端出身，做RAG倒是挺顺，但一到模型调优就抓瞎，数据飞轮更是直接外包。感觉现在很多公司所谓的FDE，其实还是团队里分工，只是把title改成了“全栈”，本质上还是各干各的。
另外，你提到“质疑其可行性”，我特别想听听你具体担心的点。是人才稀缺导致成本太高，还是这种模式只适合小项目，一旦规模大了就崩？我自己试过让一个人同时管模型和系统，结果模型上线后数据漂移了，他得一边修bug一边调参，最后两边都拖垮了。感觉FDE更像个理想化的目标，实际落地可能得先有个“半栈”过渡期，比如让ML工程师懂点DevOps，或者让后端懂点模型评估，再慢慢融合。你觉得呢？