从“想用 AI”到“交付业务结果”

03课程课件#

04FDE 是什么，为什么在 AI 时代重新爆发#

FDE 是 Forward Deployed Engineer 的缩写，通常译为“前线部署工程师”。这里的“前线”指客户现场：FDE 进入客户的真实环境，理解业务、连接数据和系统，在现场快速构建应用，并把一线经验反馈给产品团队。

1. Palantir：把工程能力放到客户现场 面对国防、金融、制造和医疗等复杂业务，仅出售标准软件再交由第三方实施，很难真正产生结果。FDE 因此被赋予现场观察、建模、开发和决策权。
2. 大模型公司：交付本身就是业务 通用模型只有进入企业流程、被稳定使用，才能形成持续收入。OpenAI、Anthropic 等模型公司都在通过 FDE 或 Applied AI 等角色，缩短模型能力与具体业务之间的距离。
3. 云厂商与渠道商：原有交付链路正在重构 云厂商擅长标准产品和基础设施，渠道商擅长定制实施，但 AI 项目要求团队同时理解业务、模型和工程结果，传统分工很难完整承接。
4. Solo FDE：最小交付单位缩小到个人或小团队 AI Coding、Agent 框架和成熟模型显著降低了构建成本。过去需要完整项目组完成的工作，现在可能由 1 至 3 人完成验证和早期交付。

模型能力已经足够强，但企业落地仍存在四类明显缺口：

企业不会为“接入了 AI”长期付费，只会为稳定交付的业务结果付费。

05企业需要的不是对话框，而是生产级 Agent#

通用聊天工具能给建议，却很难独立承担企业任务。它在真实工作中通常有五个限制：

1. 缺少执行能力 能告诉用户“可以怎么做”，却不能进入系统完成操作、推进任务。
2. 缺少企业上下文 不了解组织内未被写下来的规则、经验、角色关系和历史决策。
3. 只能短暂交互 企业任务往往跨多个步骤，需要持续运行、处理失败并寻找替代方案。
4. 缺少可信数据 如果不能稳定连接业务数据，模型只能根据公开信息泛泛而谈。
5. 输出难以担责 涉及金额、合同和法规时，结果必须可验证、可追溯、可审计。

工具调用、MCP、Computer Use，以及规划、循环、自我修正、记忆与上下文能力的成熟，让 Agent 开始具备进入生产流程的条件。但技术可用不等于项目能落地，FDE 仍要解决四个现场问题：

• 业务 Know-how：把关键流程、显性知识和隐性经验转化为系统可执行的规则。
• 数据基础：找到数据在哪里、质量如何、如何清洗并安全接入。
• 组织协作：处理新技术与旧流程、岗位利益和奖惩机制之间的冲突。
• 决策层共识：让管理者投入必要的时间、预算和组织资源，并对目标达成一致。

06FDE 的核心能力与完整职责#

FDE 是工程、产品、售前、实施和客户成功的交叉角色，但并不是简单地把这些岗位拼在一起。它的统一目标是：对真实环境中的可衡量结果端到端负责。

1. 需求识别 访谈只是起点，更重要的是观察一线人员如何获取信息、执行任务、协作和处理例外。
2. 工程与系统集成 完成数据处理、工具接入、Agent 编排、部署，以及和企业旧系统的连接。
3. 评估与验证 提前定义目标、测试任务、验证集和验收标准，避免项目末期才发现双方期待不一致。
4. 跨层沟通 对齐管理层目标，获得中层配合，并让一线员工愿意提供真实流程和反馈。
5. 生产级交付 交付的不只是能演示的 Demo，而是稳定、规模化、可审计、可回溯的软件能力。
6. 经验沉淀 把现场发现沉淀为模板、Skill、平台能力和产品迭代输入，让一次交付可以被复制。

07如何找到第一个可交付的企业场景#

大模型公司和云厂商通常优先服务需求明确、预算充足的大型客户。个人或小型 FDE 团队更适合从熟悉行业里的中小企业切入：决策链短、流程可观察，也更容易完成从问题到结果的闭环。

1. 从熟悉的人和行业开始亲友企业、原工作行业、垂直社群和已有客户关系，能降低建立信任和理解业务的成本。
2. 选择一条可被完整观察的流程先找单一角色、单一目标、输入输出明确的任务，不要一开始就试图改造整家公司。
3. 先用人工方式跑通亲自执行一次流程，理解信息从哪里来、如何判断、哪里会失败，再决定哪些环节适合自动化。
4. 建立最小评估集收集真实任务、样本和边界案例，明确什么叫“可用”、什么叫“失败”。
5. 从错误容忍度高的环节开始优先处理资料整理、跟单、初步分析等可人工复核的任务，先建立结果与信任。

获客也不必从陌生销售开始。课程给出的四类入口分别是：熟人和既有关系、AI/FDE 社群、专业内容与自媒体、垂直行业长期深耕。核心不是“到处找客户”，而是让真正相关的人看到你理解并解决过类似问题。

08案例：把一次性交付变成每天使用的能力#

案例一：VC 行业研究

行业研究需要处理大量公开资料、企业数据和访谈信息。Cherry Studio 的实践不是让 AI 直接替投资人做决策，而是把投研团队的方法沉淀为 Skill，再组合 Deep Research 和外部数据工具，生成结构完整、附带信源的研究报告。

案例二：电商投流异常分析

一个 SKU 的广告数据可能达到上万行，十人投流团队也很难保证每个人的分析水平一致。实践中，团队把异常识别经验沉淀为 Skill，让工作流每天自动扫描账户、发现低效活动并给出建议，再由运营根据 GMV、利润和阶段目标做最终决策。

企业级 AI 的价值不只是“替一个人做得更快”，还包括把团队最佳实践稳定复制给每一个执行者。

这两个案例共同说明了两件事：

• 能否把企业共识和最佳实践沉淀为普通员工每天可用的能力。
• 能否清楚设计人和 AI 的协作边界，把最终责任留在合适的位置。

09先定义问题，再构建最小闭环#

连连 AI 的分享把问题定义进一步拆开：需求不等于问题。客户说“想引入 AI”“想降本增效”，只是表层表达。FDE 要继续追问：为什么要做、现有方案是什么、替代方案是什么、真正影响结果的阻力在哪里。

判断一个问题是否值得做，可以从四个维度评估：