从姚星丞到OpenAI FDE：AI人才“中间层”正失去溢价

顶尖 AI 研发人才的身价仍在持续攀升。

今年 7 月离开腾讯后，腾讯混元大语言模型预训练负责人姚星丞的下一站确定为 Thinking Machines Lab——一家由 OpenAI 前 CTO Mira Murati 创办的前沿 AI 公司。知情人士透露，姚星丞在腾讯的年薪包大约处在数千万元人民币区间，而 Thinking Machines Lab 给出的薪资还要高出不少。

在很多人的预期中，随着大模型与 Agent 框架趋于成熟，原来需要整支团队折腾数月的方案，如今单个工程师调几个 API、挂接现有工具就能快速搭建。AI 技术门槛似乎在降低，人才稀缺度也理应随之回落。姚星丞的逆势高薪显得尤为醒目。

与此同时，OpenAI 正在海外大力招募 Forward Deployed Engineer（前线部署工程师，简称 FDE）。这类工程师不负责训练底层模型，而是深入客户现场，把模型接进企业系统，用生产采用率和工作流改进来衡量效果。

一个在模型最上游，一个离客户最近，两端的人才正在同时变贵。而在两者之间的大量中间层工程师，处境正在发生剧烈分化。

顶尖预训练专家的经验壁垒

过去两年，预训练研究员一度被认为性价比正在降低：Scaling Law 遭遇瓶颈的声音不断，模型架构收敛，开源社区持续跟进，很多科技公司转向 Agent 与实际业务场景。

腾讯此前发布混元 Hy3 preview 时，也明确提出摆脱单纯刷榜，转而注重工具调用、Agent 能力及真实推理成本。

但大厂对顶级预训练人才的需求并未冷却。核心原因在于：前沿论文是公开的，但完整主导过超大规模集群训练的人极为稀缺。

理解 Transformer 架构与真正管理数千张甚至上万张 GPU 稳定运行数月是两回事。数据配比方案、Loss 异常排查、训练稳定性维护以及尺度扩展失效的应对，都必须在真实的大规模工程实践中积累。大厂提供的海量算力和试错机会，让少数核心研究员积累了无法靠自学获得的护城河，也让他们在国际前沿实验室中具备极高的议价权。

前线部署工程师：将模型推入真实生产

在链路的另一端，FDE 的身价同样水涨船高。FDE 并不是新概念，Palantir 等公司早已将其作为核心架构，但在 Agent 时代，该职能变得不可替代。

企业如今不缺能跑通 Demo 的模型，缺的是能把模型与企业权限、内网数据、现有业务流程无缝集成的落地能力。OpenAI 对 FDE 的考核重心是真实业务采用率和系统稳定性，而不再是实验室跑分。

数据反映出企业落地深度的变化：在 OpenAI 的企业客户中，代码生成与任务执行类 Token 占比已达 64%；深度使用 AI 的前 10% 企业，人均输出 Token 达到普通企业的 8 倍以上。

企业正在将更多实际业务流托付给 AI。非技术部门的大规模介入，让部署环境变得更加复杂，这倒逼技术交付人员不仅懂模型边界，更要深入一线理解组织流程与数据接口。

中间层溢价加速消退

最尴尬的是处于两端之间的技术角色。此前，只要掌握大模型 API 调用、熟练编写 Prompt、掌握 LangChain 框架并会搭简易 RAG 管道，就能享受显著的技能溢价。但随着生态工具成熟，这种技能红利正在快速瓦解。

以 MCP（模型上下文协议）为例，其 SDK 单月下载量快速逼近 5 亿次，Python 和 TypeScript SDK 累计下载超过 10 亿次。连接模型与数据源、外部工具的复杂度被协议化、基础设施化。

曾经需要自行编写的状态管理、循环调度和调用接口，如今被标准化框架包裹。同时，基础的文本处理和轻量自动化也逐步被普通业务人员直接掌握。

AI 技能的需求依然在增长，但“稀缺性”却大幅稀释。如同过去的办公软件技能一样，编写 Prompt 与基础工具集成正在演变为常规工程素养，不再构成长期高薪溢价的支点。

AI 人才市场正在清晰地向两端撕裂：一端负责在底层推高智能上限，另一端深入产业把智能转化为商业生产力；而仅靠教程搭建浅层应用的中间开发者，最容易被更强大的基础模型与自动化工具直接吞没。