Forward Deployed Engineer —— 贴近业务现场，把业务意图转化为可运行、可评估、可治理的智能能力。这不是一本工具手册，而是一套从 PoC 到生产的完整交付方法论。
为什么企业 AI 在 Demo 之后容易失速？FDE 在交付链路中承担什么责任？个人如何形成可迁移的 FDE 能力？这是后续场景定义、技术构建与项目治理的共同起点。
AI 2.0 以基础模型、自然语言接口、多模态和工具使用为核心；Software 3.0 把自然语言指令、上下文、知识检索、工具调用、工作流和评估共同纳入应用逻辑。
模型 API 解决的是"能力可调用"，企业部署解决的是"能力可用、可控、可运营"。竞争焦点从接入模型转向部署结果，稀缺能力从单点 Prompt 技巧转向业务、数据、工程、治理的协同。
Demo 证明概念可能成立，Delivery 证明能力可以在约束中稳定运行。常见断点：
贴近业务现场、负责把业务意图转化为可运行、可评估、可治理智能能力的复合型工程角色。Forward=靠近用户，Deployed=进入环境，Engineer=工程方法。
先证明业务问题值得解决，再选择技术。不拒绝写代码，但拒绝为了写代码而写代码。
对业务效果闭环负责，不局限于单个技术模块。不能把问题甩给业务方、算法方或数据方。
用短反馈周期降低错误方向的成本。速度不等于粗糙——真正的快速来自范围小、基线清、样本真、决策快和可回滚。
识别真实业务痛点，把"我们想做智能体"拆成用户、流程、数据、指标和约束。访谈管理层、一线用户、IT/数据/合规，输出问题树、场景卡和业务价值假设。决定 PoC 方向是否正确。
把业务问题转化为可运行技术方案。设计 RAG 管道、Agent 逻辑、工具调用链路和数据流。判断使用 Dify/Coze/n8n 快速验证，还是进入 LangGraph/LlamaIndex 工程化。决定 PoC 是否跑得起来。
让 AI 输出更稳定、更贴合业务、更可验证。掌握 Context Engineering、Few-shot Learning、Prompt 资产管理、RAG 调优、查询改写、Rerank、引用溯源和失败样本分析。决定 AI 是否真正好用。
关注成本、延迟、质量、失败率、用户采纳和系统升级。成本/性能/质量/风险/业务五层指标体系。决定 AI 能否从 PoC 走向长期运营。
| 指标层 | 具体指标 |
|---|---|
| 成本指标 | 单次调用成本、月度调用量、模型费用、向量库费用 |
| 性能指标 | 响应延迟、超时率、并发能力、任务完成时间 |
| 质量指标 | 准确率、引用可信度、人工采纳率、用户满意度 |
| 风险指标 | 敏感输出、越权请求、工具误调用、人工驳回率 |
| 业务指标 | 节省人时、处理效率、转化率、续约率、风险减少 |
| 岗位 | 核心关注 | FDE 对比 |
|---|---|---|
| 开发工程师 | 代码质量、系统实现、接口稳定 | FDE 更靠近业务价值闭环、场景验证与客户现场反馈 |
| 算法工程师 | 模型结构、训练数据、指标优化 | FDE 关注模型进入业务流程后的可用性，通常不训练底层模型 |
| 售前/解决方案 | 商机识别、方案包装、成交支持 | FDE 更靠近 PoC 搭建、技术验证和交付闭环 |
| 咨询/OPC | 诊断问题、设计流程、提出建议 | FDE 把建议转化为可运行的工程系统 |
| 客户成功 | 产品采用、续约、满意度 | FDE 是客户成功之前的智能能力构建者 |
| AIBP | 业务效果、Ground Truth、验收 | AIBP 定义什么是好，FDE 让好结果稳定发生 |
强调客户发现、系统设计、生产代码、eval-driven feedback。模型公司不只输出 API，深入客户场景推动落地。
先建业务对象、关系、动作和权限，再让 Agent 工作。帮助客户重构业务语义层。
强调在受控边界内解决具体客户问题，高风险行业需要人审、日志、评估和责任边界。
现场观察、流程图、基线、问题树与停止条件
模型认知、上下文工程、RAG、Agent 设计
API 对接、数据处理、部署、系统架构
Golden Dataset、指标、人审、回归门禁
工作包、依赖、变更记录、验收证据
预期管理、高层沟通、跨部门协作
选定知识助手或流程自动化场景，完成场景卡、20-50 条样本和平台 Demo
接入一个真实 API 或 Webhook，增加权限、人审、Trace 和回归评估
组织真实用户试用，记录失败与迭代，完成 Demo 脚本、验收结果、30 天落地计划和作品集说明
| 能力域 | 可接受证据 | 证据不足的典型表现 |
|---|---|---|
| 业务诊断 | 现场观察、流程图、基线、问题树与停止条件 | 只有访谈摘要，没有反例或基线 |
| 技术取舍 | 方案比较、约束清单、失败实验与决策记录 | 只写最终架构，不说明为何放弃其他路径 |
| 交付推进 | 工作包、依赖、变更记录、验收证据与升级路径 | 只展示功能，没有责任人和未完成差距 |
| 安全治理 | 数据边界、权限、审计、红队样本与应急预案 | 依赖模型拒答或免责声明 |
| 运营与采用 | 使用率、任务成功率、人工接管率、成本和改进节奏 | 上线即结项，不跟踪真实使用 |
技术路线的上限常由问题定义决定。本模块把"我们想做一个智能体"转化为可验证的场景、流程、业务对象、样本和指标。
客户常说"做知识库""上大模型""建智能体"。FDE 要追问：谁在什么触发条件下，为了什么结果，使用哪些信息，做出什么判断或动作，目前付出多少时间与错误成本。
战略目标、ROI、预算、风险、组织协同
实际操作、痛点、异常、使用体验、工作负担
系统接口、数据质量、权限、部署限制
数据分级、敏感字段、审计要求、风险红线
影子跟随：观察用户实际完成任务的过程，重点记录输入来源、复制粘贴、等待、判断、异常、系统切换和人工校验。用户口述的流程通常会省略经验动作和补救步骤。
JTBD（待完成任务）：关注用户"雇佣"一个工具来完成什么任务，而不是想要什么功能。结构：当我处于什么情境，我想完成什么任务，从而得到什么结果。
| 任务类型 | 适合的方式 | 示例 |
|---|---|---|
| 确定性任务 | 规则或传统自动化 | 固定字段校验、定时同步、格式转换 |
| 概率性认知任务 | 模型辅助 | 语义理解、资料检索、文本生成、分类判断 |
| 高风险判断与写入 | 人机协同 | 退款赔付、合同审批、客户承诺 |
低风险动作自动执行，高风险动作人工确认。不要一开始把端到端流程全部交给 Agent。
任一道门无法通过，都应缩小范围、改为研究任务或暂缓。优先级公式：
用统一结构表达企业中的业务对象、属性、关系、动作和权限。PoC 只需覆盖核心对象及其标识、状态、版本、所有者和允许动作。
| Ontology 元素 | Agent 映射 |
|---|---|
| 对象（客户/订单/工单/政策） | 输入与状态结构 |
| 属性（状态/金额/风险等级） | 检索过滤和工具参数 |
| 关系（客户拥有订单） | 路由与约束 |
| 动作（查询/创建/审批/关闭） | 工具或工作流节点 |
| 权限（谁能看/改/执行） | 执行前置条件 |
| 指标层 | 具体指标 | 说明 |
|---|---|---|
| 质量 | 准确率、召回率、引用准确率、格式合规 | PoC 至少包含 |
| 效率 | 处理时间、响应延迟、自动化覆盖 | PoC 至少包含 |
| 体验 | 使用率、采纳率、修改率、满意度 | — |
| 风险 | 越权、敏感输出、幻觉、误操作 | PoC 至少包含 |
| 业务 | 成本、收入、问题解决率、风险损失 | — |
效率收益基于"基线处理量 × 每次节省时间 × 合理人力成本"，并扣除人工复核和异常处理。风险避免和增量收入若难以归因，应作为情景假设而非确定收益。
模型如何选择，上下文如何组织，RAG 如何把企业知识变成可追溯依据，知识库如何长期治理。重点不在罗列工具，而在理解每一层失败时应检查什么。
复杂问答、逻辑判断、规划任务需要更强推理；简单分类未必需要最强模型
Agent 场景需模型稳定理解工具描述和参数 Schema；测试正确选择工具和填充参数
适合长文档分析、多轮任务；不等于无限记忆，成本和延迟通常更高
图片、截图、票据、表格、图纸理解；需定义输入质量和验收标准
低成本模型适合批处理/分类；高能力模型适合复杂推理；设计分层调用策略
政企/金融/医疗需国产模型/私有化/模型网关/审计；PoC可用脱敏数据
| 维度 | Prompt Engineering | Context Engineering |
|---|---|---|
| 关注 | 如何表达任务 | 模型在回答时能看到什么信息 |
| 本质 | 指令 | 工作环境 |
| 企业应用 | 角色、任务、约束、步骤、示例 | 系统指令、用户输入、历史、知识、工具、状态、权限 |
ReAct（推理与行动交替）：模型根据观察选择下一工具，适合步骤难以预先完全确定的任务。风险：工具调用错误、循环失控、上下文混乱。必须设置工具白名单、最大步骤、错误处理和人工接管。
Plan-and-Execute（先计划后执行）：将目标拆为计划再逐步执行，适合较长可分解任务。计划需可检查、可修改，并限制工具和预算。
采集文件、网页、表格、系统记录和人工资料
解析、清洗、去重、切分、脱敏、元数据标注
写入知识库、向量库、对象存储和索引
解析成功率、文本有效率、重复率、检索命中率
增量更新、版本管理、失效处理、质量监控
从"回答问题"进入"参与流程"。Agent 动态选择工具，Workflow 稳定编排步骤，企业集成让输出真正进入 CRM、ERP、工单和协作系统。
| 维度 | Workflow | Agent | Loop Agent |
|---|---|---|---|
| 适用 | 路径稳定、规则明确、需审计 | 路径不完全确定、需选择工具 | 观察-行动-反馈循环 |
| 控制 | 预定义步骤、分支、规则 | 模型根据目标动态决策 | 重复直到完成/预算/停止 |
| 风险 | 低（确定性） | 中（路径不确定） | 高（循环失控） |
工具描述应说明：用途、适用条件、参数 Schema、返回值、权限、幂等性和常见错误。
读取型 vs 写入型工具分级管理：
MCP 为模型应用发现和调用工具、资源、提示提供标准接口，降低连接器重复开发。但不自动解决信任。
接入前要评估：来源、身份认证、传输安全、工具清单、权限、数据出境、日志和停用机制。
Skill：可复用的任务能力包，组合业务 SOP、提示、脚本、工具配置、输入输出规范和评估样本。成熟 Skill 写清前置条件、权限、步骤、异常、停止条件与负责人。
Harness Engineering：关注围绕模型的整体运行环境——上下文装配、工具执行、状态持久化、预算、沙箱、权限、追踪、评估、恢复和人审。
按意图、风险、成本选择模型、知识库、流程或人工队列。需独立样本和混淆矩阵，低置信度进入澄清或人工。
将目标拆为计划再逐步执行。计划需预算、依赖、完成条件和可修改节点。适合报告生成、竞品分析等长任务。
对结果进行规则或模型审查，适合格式、证据和一致性检查。同源模型自我批评可能复制原错误，需外部证据或人工校验。
统一分派、汇总状态、预算和失败处理。使用前应证明单 Agent 加工具无法清晰解决。
仅在知识域、工具权限或并行任务确实不同时使用。Handoff 必须携带结构化任务、证据、未决问题和权限。
传递结构化目标、已完成步骤、证据、未决问题、权限和预算。无结构的"互相聊天"难以评估和恢复。
每一层保留关联 ID 以支持端到端 Trace。模型不直接拼接核心系统写入请求，由业务服务层校验。
AI 系统无法只用"功能是否完成"验收。EDD（评估驱动开发）把样本、指标、Trace、部署和治理连接为持续迭代闭环。
| 指标层 | 具体指标 |
|---|---|
| 质量 | 分类准确、检索召回、答案忠实、引用正确、格式合规 |
| 效率 | 响应延迟、处理周期、自动化覆盖、人工节省时间 |
| 体验 | 使用率、采纳率、修改率、满意度 |
| 风险 | 越权、敏感输出、幻觉、误调用、人工驳回 |
| 业务 | 成本、解决率、转化、损失避免、客户成功 |
每次修改 Prompt、模型、知识库、工具或工作流，都可能引入效果退化。回归门禁要求修改前后跑同一批评估样本。如果关键指标低于阈值，不能发布到下一阶段。
最常见、最高频、最能代表日常任务
资料不足、输入模糊、多答案、规则冲突
历史答错、漏召回、错引用、工具调用失败
法律、财务、客户承诺、敏感信息、权限边界
应拒答、转人工或要求补充信息
三层是递进和组合关系，不是互斥选择。升级依据是业务规模和可靠性要求，而不是项目"看起来正式"。
| 等级 | 名称 | 说明 |
|---|---|---|
| L0 | 纯人工 | 所有操作由人完成 |
| L1 | 内容建议 | AI 提供建议，人决定使用 |
| L2 | 受控工具建议 | AI 可调用只读工具，写入需人确认 |
| L3 | 经确认执行 | AI 可执行，但高风险动作需显式确认 |
| L4 | 限定范围自动执行 | AI 在限定范围内自主执行 |
从单点 PoC 走向企业级落地的方法链路：DIVE 框架、敏捷小组、四阶段生命周期、体外创新与资产化。
业务访谈、流程观察、问题树、基线测量、利益相关者分析
场景优先级排序、ROI 假设、四门筛选、范围锁定
Golden Dataset、PoC 搭建、评估闭环、停止条件
系统集成、人审节点、反馈入口、运营 SOP、持续迭代
验证关键假设，不承诺生产级高可用。可使用人工复核、模拟数据、低代码工具和临时脚本。
进入有限真实用户和数据范围，补齐基本权限、日志与反馈。
补齐高可用、容量、安全、审计、应急和运维。
业务负责人能维护知识、规则和样本，FDE 转向平台升级与治理。
可复用的行业场景方案包
版本化的提示词和任务能力包
Golden Dataset 和回归测试
标准化的交付流程和检查清单
监控、告警、回滚和持续优化
私有化部署、信创适配、数据分级、Prompt 注入防护、AIGC 审计与行业合规矩阵。
脱敏要覆盖入库前、检索前、生成前和日志落盘前。敏感字段包括姓名、电话、身份证号、地址、账号、合同号、银行卡等。
记录谁在何时以什么版本读取了哪些数据、调用了什么工具、参数摘要、结果状态、是否人审和最终动作。审计必须防篡改、可检索并按制度留存，同时遵循数据最小化。
模型选择不只看能力，还要看成本、延迟、合规、部署方式和工具调用能力。私有化项目更依赖 FDE 的系统集成、权限设计和运维能力。
作品集六要素、五级报价、两个完整案例（电商舆情 Agent + 知识库工单分流 Agent）、生产就绪九项门禁。
真实场景、用户、痛点、基线
架构选型、技术路径、权衡记录
Golden Dataset、指标、回归结果
失败样本、改进记录、恢复过程
已交付/未交付、风险、责任
Prompt、Skill、评估集、SOP
面向：品牌运营、电商、内容、客服团队
数据源：RSS、Firecrawl、SerpAPI、Apify、NewsAPI、Reddit API
编排：n8n 编排 → Dify/Coze 分析 → PostgreSQL+pgvector 存储
展示：FastAPI+React 看板 → 飞书/企业微信通知
评估：Golden Dataset + Promptfoo/Langfuse
面向：客服、知识管理、运营支持
知识库：火山 VikingDB / Qdrant / pgvector
文档解析：Unstructured / MinerU / RAGFlow / LlamaParse
Agent：OpenAI Agents SDK / LangGraph
工单系统：Zendesk / Jira SM / Chatwoot / Zammad
评估：Ragas / Promptfoo / LangSmith / Langfuse
这不是排行榜，而是面向企业落地的导航索引。工具是否适合，取决于业务场景、数据权限、团队技术栈、预算、合规要求和上线目标。
智惠工程师是打通 AI 服务商业化落地"最后一公里"的关键引擎——AI 行业正从"模型军备竞赛"转向"落地能力比拼"。
兼具技术、产业和落地能力的复合型人才，为客户提供一站式、全流程、陪伴式 AI 项目落地服务，涵盖行业洞察、需求挖掘、解决方案、二次开发、系统集成、交付部署等全业务环节。
核心目标：需求洞察 + 问题定义 + 快速论证。懂客户业务、会构建方案、懂 AI 场景、会商务谈判。人才来源：各行业 BD、云中台、解决方案经理、技术型客户经理。
核心目标：原型设计 + 定制开发 + 部署交付。懂软件工程、会开发迭代、懂 AI 技术、会交付运维。人才来源：云网条线、集成体系、云中台等具有 AI 项目开发经验的二开队伍。
核心目标：平台构建 + 能力沉淀 + 平台赋能。懂平台设计、会平台使能、懂数据工程、会组件沉淀。人才来源：电信数智、AI、云等专业公司及行业公司产品研发队伍。
需求清晰、产品适配度高、轻量配置即可交付、复制推广效率高。
作战模式：售前与售中一体，队伍独立完成标化场景闭环
需求较明确、定制程度较深、具备复制推广价值。
作战模式：业务顾问和技术交付组队深入客户一线，引领需求，敏捷开发迭代原型
需求复杂、技术难度高、系统集成深、交付周期长、示范带动作用强。
作战模式：标杆项目抽象建模为本体，基于本体模型 + Vibe Coding 快速生成个性化交付物
明确人才缺口、组建方案及引进计划，重点配置业务顾问和技术交付角色
实体或柔性团队分层分级组建，内部选推 + 转型培养 + 外部引入
以真实项目为载体，围绕"场景-方案-实现-迭代"全流程，方法讲授+现场实操
遴选优质 AI 项目和先进省市，招募全国智惠工程师人才训战赋能，师徒实训
将认证纳入工程师认证体系，坚持实战导向明确认证标准
| L2 | 能力项 | L3 | L4 |
|---|---|---|---|
| 标化场景需求分析，识别 AI 机会点 | 业务调研与诊断 | 独立主导定制化调研，输出流程图、痛点清单 | 设计跨业务领域调研方法论和标准化工具 |
| 标化方案设计，组合微调 | AI场景识别与规划 | 端到端流程拆解，AI场景优先级排序 | 行业AI场景改造范式，可复用识别框架 |
| 标化产品商务报价 | 商务策略制定 | 基于POC设计分阶段商务策略 | 构建可量化可验证的价值测算模型 |
| L2 | 能力项 | L3 | L4 |
|---|---|---|---|
| 标化产品交付 | 可行性评估 | 定制化AI方案全维度技术可行性评估 | 自主搭建三级指标体系，主导跨域复杂项目评估 |
| 标化方案设计 | 数据集成与POC | 定制开发场景POC方案设计与实施 | 联合创新场景POC，异构数据集成治理 |
| 标化场景运营 | 工程实现与安全 | 复杂环境主导AI方案工程实现，安全加固 | 定义实施标准和技术规范，设计AI安全基线 |
| — | 持续集成与部署 | 主动需求识别与迭代，数据驱动运维 | 多客户版本演进，智能运维与知识回流 |
检验你的 FDE 知识掌握程度。共 30 道题，涵盖八大模块核心知识点。选完每题可查看解析，完成后查看得分和评价。