PHASE 01 · 2003-2015
军事安全
CIA · NSA · 美军反恐情报分析。建立不可替代的情报分析能力，并通过这一垂直深度积累早期上下文层基础。
理解 Palantir 的第一步，是放下"它是不是一家 AI 公司"这个问题。
它是一家做上下文基础设施的公司——AI 只是这个基础设施上的一个新组件。四层架构构成了它的战略纵深：
情报分析平台。最早服务于 CIA、NSA、美军反恐。核心能力是把分散在不同系统中的数据连接成可理解的上下文。
企业数据操作系统。把 Gotham 的能力平民化。护城河在与客户业务系统的深度 API 对接、行业 Domain Model、合规知识库。
2023 年推出。让 LLM 在 Palantir 已有上下文层中运行——模型看到的不是原始数据，而是经过二十年沉淀的行业知识图谱。
持续交付平台。解决高度安全环境（军事网络、气隙隔离系统）中的软件持续更新问题。
模型是可替换的（今天用 Claude，明天可以换 Gemini），
但上下文层不可替换。
Integrating LLMs and AI-based products is a
perfect use case for the role. — PRAGMATIC ENGINEER · ON FORWARD DEPLOYED ENGINEERS
传统企业 AI 部署有两种极端：纯产品（SaaS 标准化，不做定制），或纯咨询（埃森哲式，每个项目从零开始）。前者触达深度不够，后者成本不可控。Palantir 的 FDSE 模式走的是第三条路：
FDSE 是驻扎在客户现场的工程师，同时具备技术实现和行业理解。关键区别在于：所有定制化工作都基于 Palantir 的标准工具栈——FDSE 做的不是写新代码，而是用 Foundry/AIP 的标准组件组装客户需要的解决方案。
这意味着：每一个客户项目的交付成果都会沉淀为平台能力的一部分。一个 FDSE 在石油公司做的供应链优化方案，经过抽象和产品化，可以复用到其他能源客户。内部工具产品化，而非对外售卖——这是 Palantir POC 周期仅 1 个月（C3.ai 需 4-5 个月）的关键。
这一模式正在被整个行业复制。OpenAI 已雇用大量 FDSE 角色，由其前首席研究官 Bob McGrew（正是 Palantir 出身）推动。Ramp、Commure 等公司也在效仿。
CIA · NSA · 美军反恐情报分析。建立不可替代的情报分析能力，并通过这一垂直深度积累早期上下文层基础。
把军事级数据整合带入工业供应链。能源公司用它优化供应链，制造商用它预测设备故障。
AIP 推出后快速触达广泛商业客户。股价从 $15 飙升至 $111（7×），DeepSeek 估值震荡中逆势上涨 40%。
"纵向打穿、横向复制"的策略，与 C3.ai（能源→制造军工→金融）形成互证，是ToB AI 企业最值得参考的扩张范式。
2026 年 3 月，Palantir 以一种令人不安的方式再次登上头条：美国中央司令部通过 Palantir Maven Smart System 调用 Claude，在对伊朗的军事行动中协助确定打击目标——首 24 小时超过 1,000 处。
Palantir CEO 公开讨论这一参与，声称执行"更高使命"，并以年增长 430%、3,600 亿美元估值作为背书。外界评论尖锐但准确：现代军工复合体构建的是算法，而非坦克。
与此同时，纽约医院弃用 Palantir、英国对其引发隐私担忧——这提醒我们：
Context Layer 的力量是双刃剑。同样的数据整合能力，
用在企业供应链是效率工具，
用在军事情报是打击目标系统，
用在执法机构是监控基础设施。
护城河越深，伦理责任越重。这不是一个可以靠"使用政策文档"解决的问题。
模型能力不是护城河，上下文层才是。 核心投入应该在行业 Domain Model、API 对接、合规知识库的沉淀——而不是追逐最新的基础模型。
FDSE 模式值得认真考虑。 但所有定制化必须基于标准化工具栈，否则会掉入纯咨询的成本陷阱。
"先纵后横"是验证过的扩张路径。 找到一个高壁垒垂直领域打穿，建立不可替代的上下文层，再横向复制——而非一开始就追求通用平台。
伦理框架需要提前想清楚。 当你的上下文层足够强大，客户（包括军方和政府）会找到方式使用你的能力，而你能控制的边界远比想象中窄。