本书培养的角色
市场发明岗位名称的速度，比定义这些岗位的速度更快。 大多数名称其实是同一门纪律在不同深度上的表现：也就是本书要训练的纪律。下面是完整地图，以及本书会把你带到每个角色的哪个位置。
这里定义的是新一轮 agentic AI 时代的角色：企业开始制造、运行并治理 AI Worker 之后才出现的工作。条目按照实际工作聚类来排列，每个条目旁边的结论都是真实的范围线：本书会把你带到哪里，哪里开始由认证路径接手。结论比名称更重要。本书停下的地方，会明确说出来。
所有人都从同一组 Foundations 开始，也就是任何 agent 工作之前都需要掌握的浏览器端技能。在这一层之上，是通用 agent 的两种使用模式。Mode 1 是用通用 agent 更快地完成自己的工作，这是每个读者都需要的能力，不是一个岗位名称。Mode 2 是制造替你工作的 AI Worker，岗位名称主要就出现在这里。地图先从 Foundations 层和 Mode 1 Practitioner 开始，再转向 Mode 2 角色；后者几乎占据了整张地图。
如果你还不熟悉这些词（Digital FTE、SKILL.md、Agent Factory），先读 Thesis 和 Glossary；本页默认你已经理解它们。
一眼看完整张地图：核心流水线、扩展和支撑它的内容、本书停下的位置，以及位于底部的共同基线。
人人都从这里出发的基线
Foundations：在任何模式之前的地板。 每位读者都以同样的方式开始：打开浏览器标签页，进入 Foundations。这里包括如何写 prompt，agentic 工作的两种文档语言，如何委托你自己不写的代码，skill 与 connector，以及如何在 AI 时代思考。没有模式，没有岗位，也没有要安装的东西。这是整张地图站立的地板。所有人从这里开始，但这不是你拥有的头衔。
Mode 1 Practitioner：不是头衔，而是一种能力。 在这层地板上，你用通用 agent 更快地完成自己的工作：推理、写作、编程、分析、规划、交付结果并结束会话。这就是 Mode 1。本书会为每个人训练这种能力：工程师通过 Claude Code 或 OpenCode，领域专家通过 Claude Cowork 或 OpenWork，并遵循通用 agent 解决问题的七项原则。这是每位读者进入下面 Mode 2 角色之前先运行的第一个模式。它让你在现有工作中更敏锐，而不是直接给你一个新头衔。所有人先运行的第一个模式，不是你拥有的头衔。
通才核心
这些核心角色像一条流水线一样运行，从意图到生产：Outcome Architect（定义要做什么）→ Digital FTE Builder（构建）→ AI-Native Company Architect（系统）→ Cloud AI Engineer（运行）。如果在自己的公司内部运行，就是这四个角色；如果在客户公司内部运行，由一位嵌入式、厂商中立的工程师端到端承载，就是 Forward Deployed Engineer。地图上的其他内容，要么支撑这条线，要么扩展这条线，要么为它划定边界。
四个角色在你自己的公司内部跑通这条线；一位嵌入式工程师在客户公司内部承载同一条线。
Outcome Architect：拥有意图，而不是执行。 Agent 时代的工作分成三部分：意图、执行、验证。Worker 拥有执行；这个角色拥有意图。它决定一个 Worker 应该达成什么，编写把目标钉住的 spec，设定什么叫「正确」，并决定哪些 Worker 值得先被构建。也就是说，在 Builder 回答「怎么做」之前，由这个人先回答「做什么」和「为什么」。Strategist 路径负责面向客户的发现和 ROI；Outcome Architect 负责内部 Worker 路线图，以及支撑路线图的 spec。本书会直接训练这一点：spec-driven development 的核心，就是把意图写到 Worker 可以被约束和评估的程度。本书训练它：这是整个方法赖以成立的纪律。
Digital FTE Builder：端到端构建的单位产品。 市场通常把这个叫作 AI Engineer，用来笼统描述一个能用 AI 组件构建应用、并驱动 AI coding agent 的人。本书的名称更锋利，因为你构建的东西也更明确：Digital FTE，也就是整家公司被组装起来的单位。本书最主要的毕业角色就是它。它训练完整主干：spec-driven development、SKILL.md 编写、agent 架构、工具和 MCP 接口、评测与人的监督；同时包含足够的部署能力，让你可以交付上线，至于更深的生产运行能力，则留给 Cloud AI Engineer。本书端到端训练它。
AI-Native Company Architect：设计公司，而不是单个 Worker。 这里关注的是整个企业：双层模型、管理层、劳动力、在两者之间传递事件的神经系统，以及这一切所依托的记录系统。Agent Factory 是这位架构师实践的过程；AI-Native Company 是他们交付的产品。本书是它的权威来源。为期五个季度的 Certified Agentic AI Architect 项目是它的认证凭证。完整训练；由 Architect 路径认证。
Cloud AI Engineer：在生产环境中运行 AI Worker 和 AI-Native Company 的人。 构建 Digital FTE 只是工作的一半；可靠地运行它是另一半。运行它所属的整家 AI-Native Company 也是如此。AI-Native Company Architect 设计企业，而这个角色运营企业：在真实云基础设施上部署并扩展 Worker、管理层和神经系统，用 Azure Container Apps 交付，用 Inngest 做持久执行，用 Dapr 和 Kubernetes 扩展。这是系统从原型变成组织可以依赖的一家公司之处。本书端到端训练它。
几乎没有其他人训练的两个角色
Subject Matter Expert as Skill Author：市场还没有命名的角色。 会计、律师或供应链专家把判断力编码进 SKILL.md，成为 Digital FTE 的知识引擎。大多数市场清单会漏掉这个角色，因为它们仍然把 AI 工作想象成只属于工程。本书把领域判断本身视为可以编写、测试和部署的东西。这是几乎没有其他人训练的两个角色之一。完整训练它：判断力进入，工作 agent 出来。
Forward Deployed Engineer (FDE)：市场找不到的厂商中立版本
FDE 实际做什么。 大多数软件工程师在总部构建产品，甚至从未见过使用产品的客户。FDE 正好相反。他们去到客户真实的工作现场，坐在真正做事的人旁边，理解这些人面对的真实问题，并在那里用自家公司平台直接构建解决方案。不是 demo。不是幻灯片。是在客户真实环境中运行的软件。
可以把它想成两种医生的区别：一种医生在另一个城市读你的病历；另一种医生坐在诊室里，检查你，并当场开始治疗。FDE 是第二种医生。
Palantir 是一家为政府和大型企业构建软件的大型数据分析公司，它在 2010 年代初创造了这个角色，最早把这些人称为 "Deltas"。1 到大约 2016 年以前，Palantir 的 FDE 数量甚至多于普通软件工程师，因为它的客户（政府机构和大型传统企业）需要有人在现场，用 startup 心态穿透内部官僚结构。Palantir 对这一区别的解释最清楚：普通开发者关注「一个能力，很多客户」（构建一个功能，发给所有人），而 FDE 关注「一个客户，很多能力」（嵌入一个客户，解决客户需要的一切）。这个岗位描述捕捉到了范围：它看起来像 startup CTO 的工作。你在高风险项目上从头到尾拥有一切。
这不同于 Solutions Architect 或 Sales Engineer。Solutions Architect 提供建议：做 demo，在白板上设计方案，用样例数据构建 proof-of-concept 原型，说服潜在客户签约。交易关闭后，他们的参与通常会逐渐结束。FDE 接上 Solutions Architect 停下的地方。他们直接在客户基础设施上、用真实数据写生产代码，并留下来直到客户获得真实价值。简单测试是：如果这个角色要对客户专属工作在生产环境中真正运行负责，它更接近 FDE；如果它要对证明或解释产品负责，它更接近 solutions architect。
一个真实例子：OpenAI 的 deployment team 嵌入 John Deere，这家接近 190 年历史的农业公司，在现场解决种植季问题。他们从每位农民过去的使用情况出发，帮助构建 AI 驱动的推荐，判断农民使用 John Deere 的定向除草系统 See & Spray 时可以少用多少化学品。John Deere 认为这项工作让化学品用量下降约 70%，并把客户参与度提高了 6 倍。2 截止日期是种植日历，而不是产品路线图。这句话就能概括 FDE 的工作：真实生产软件，在客户世界里构建，并在客户真正需要时交付。
FDE 是代码、产品和客户相遇的地方：software engineer 的构建能力、platform engineer 的产品直觉，以及 solutions architect 对客户的理解，集中在一个在客户世界里构建而不是在总部构建的人身上。
为什么现在每家 AI 公司都想要 FDE。 2025 年前三个季度，FDE 岗位发布量增长超过 800%。3 Salesforce 建立了专门的 FDE 团队来支持 Agentforce 平台。4 OpenAI 创建了 "Deployment Company"，这是一家由 OpenAI 控股、由投资者联盟支持约 40 亿美元的子公司，核心就是为企业配备 FDE。5 背后的原因很简单：MIT Media Lab 2025 年的一项研究（Project NANDA）发现，约 95% 的企业定制生成式 AI 试点没有可衡量回报。6 不是因为 AI 不工作，而是因为把 AI 塞进企业混乱的真实系统里极其困难。FDE 就是为弥合这道鸿沟而存在。它们是 Palantir 到 2024 年底市值超过 1360 亿美元、超过 Lockheed Martin 的原因之一，7 现在每家 AI 公司都想复制这个模型。
厂商 lock-in 问题。 关键就在这里。Palantir 的每位 FDE 都构建在 Palantir 平台上。OpenAI 的每位 FDE 都构建在 OpenAI 模型上。Salesforce 的每位 FDE 都构建在 Salesforce 工具上。工程师深入客户公司，把某个厂商的产品接入一切，然后离开。之后再切换会很痛苦、很昂贵，就像只安装一种品牌管道的水管工：水管能用，但你若想请另一个水管工，就得拆墙。正如 Andrew Ng 在 The Batch 中指出的，8 客户很难找到不绑定单一厂商的 FDE，因为从厂商角度看，这个角色本来就是为了把客户锁住。
本书训练市场一直想要却找不到的 FDE。 这里的方法不绑定任何厂商。本书的毕业者会把完整 pipeline（spec 意图、构建 Worker、设计系统、在生产环境中运行）带进客户组织，同时不把客户锁进任何单一平台。下个季度出现更好的模型，或者明年出现更便宜的 runtime，你就切换。客户保留选择自由，而你保留适用于任何 stack 的纪律。这里要诚实说出一个 tradeoff：厂商的 FDE 往往被高度补贴，有时甚至免费，因为厂商会通过 lock-in 赚回来；厂商中立的 FDE 则由客户或独立公司付费。这不是 bug，而是 feature：客户现在购买的是选择权，而不是以后支付切换成本。
这就是几乎没有其他人训练的第二个角色。更准确地说，本书训练的是厂商中立 FDE 的技术核心，也就是市场找不到的一半。另一半（客户发现、优先级排序、ROI 框定，以及对不现实要求说不的纪律）属于 Certified Agentic AI Business Strategist 路径。本书训练技术核心；咨询层属于 Strategist 路径。
支撑角色
每条流水线都需要有人检查工作、制定规则并承担责任。下面三个角色做的就是这些事。
Evals Engineer：AI Worker 上线前做压力和碰撞测试的人。 你不会在没有碰撞测试的情况下交付汽车。你不会在没有临床试验的情况下发布药物。一个会影响真实的人和真实的钱的 AI Worker，也需要同样的纪律。Evals Engineer 设计这些测试：Worker 给出的答案对吗？遇到从未见过的情况时，会优雅地失败吗？会留在被给定的边界内吗？这不是最后才补上的东西。它被嵌入每一章。核心课程，不是附加内容。
AI Governance Officer：决定 AI 被允许做什么。 公司里的每个员工都有边界。初级会计可以批准 500 美元以内的费用，超过这个数字就需要经理签字。银行柜员可以处理存款，但不能批准贷款。AI Worker 也需要同样的结构。Governance Officer 在公司层面写下这些规则：AI 可以自己决定什么，什么必须交给人审批，什么永远不能碰。他们还负责映射到公司必须遵守的法规：银行的公平借贷规则，医院的患者隐私，欧洲的数据驻留法律。AI-Native Company Architect 构建执行这些规则的系统；Governance Officer 决定规则应该写成什么。本书直接训练这种治理框架纪律；你所在行业的具体法规，是你带进来的输入。本书训练治理框架；你所在司法辖区的规则由你提供。
Digital FTE Supervisor：名字写在责任线上的人。 当 AI Worker 处理理赔、起草合同或标记交易时，必须有人负责。那个人就是 Supervisor。他们是 human-in-the-loop：检查工作的人、批准输出的经理、审计轨迹在出错时指向的名字。这不是构建 Worker 的人，而是每天运行它的人，就像班组经理运行一个团队。本书训练它。
本书刻意停下的地方
LLMOps Engineer：到模型为止，不构建模型本身。 在生产环境中运行 agent 是 Cloud AI Engineer 的工作，本书会训练它。本书也会训练实际 fine-tuning，但把它作为最后手段，而不是默认选择。Fine-tune 会把你的系统绑定到某个模型快照上，并牺牲整个方法要保护的可选择性，所以只有在 prompting、context、tools 和 retrieval 真正不够时才使用。硬边界是构建模型本身：从零开始预训练 foundation model 不在范围内，因为这种能力正在商品化。本书训练 fine-tuning 和模型周边 ops，不训练 foundation model 的构建。
Harness Engineer：你使用的 runtime，不是你构建的 runtime。 Harness 是 agent runtime，例如 OpenAI Agents SDK、Claude 的托管 agent 等。它运行 agent loop、管理状态并执行 tool calls。本书训练你熟练使用这些 runtime，并在它们之间保持可移植性，因为你的纪律会比任何获胜的 runtime 更长寿。构建 runtime 本身不是这份工作。本书训练使用任何 runtime 的 operator，不训练构建 runtime 的工程师。
AI Data Engineer：面向 agent 的数据层。 system-of-record 工作会触及面向 agent 的数据层：Postgres、pgvector 和 MCP 是 agent 读取数据的主干。经典 pipeline 和数据仓库工程是相邻能力，但不是中心。本书训练面向 agent 的数据层，不训练通用数据工程。
模式本身就是信号。Agent 时代把工作展开为许多角色，而不是一个角色：构建 Worker、运行和治理 Worker、教会 Worker 判断。地图才是重点：找到你已经站在哪里，以及本书会把你从那里带到多远。