FDE · FORWARD DEPLOYED ENGINEERING
不是做 demo，
是把 AI 接进真实业务。
FDE 是既懂业务、又懂 AI、又能工程落地的人。我们进入客户真实任务，把业务判断、AI 能力边界、数据入口、人工反馈和工程系统接在一起，让 AI 不只是能跑，而是能在业务里持续产生结果。
为什么 demo 跑通，
业务还是没效果
以社媒内容工厂为例，表面上是让 AI 找爆款、拆爆款、复刻爆款。vibe coding 半天能搭出 demo，但要跑出业务效果，问题通常不在提示词，而在业务数据流。
真实诊断：
客户以为问题在模型，想继续优化 skill 和提示词。FDE 进场拆完数据流后发现，第一步「找爆款」的数据入口就错了：三方数据源不稳定、字段缺失没校验、买量内容和自然流量混在一起、外部事件带起来的假爆款进入样本池。脏样本进了系统，后面所有 AI 拆解和复刻都会被污染。
客户以为问题在模型，想继续优化 skill 和提示词。FDE 进场拆完数据流后发现，第一步「找爆款」的数据入口就错了：三方数据源不稳定、字段缺失没校验、买量内容和自然流量混在一起、外部事件带起来的假爆款进入样本池。脏样本进了系统，后面所有 AI 拆解和复刻都会被污染。
BAD SAMPLE
先识别假爆款
不知道怎么做爆款的人，看不出参考样本本身已经错了。业务判断是 FDE 的第一层能力。
DATA SLA
再定义数据 SLA
哪些数据要实时返回，哪些可以 daily 异步执行，失败后怎么重试，字段缺失怎么校验。
AI BOUNDARY
最后决定人在哪里介入
AI 能拆解什么、复刻什么，哪里必须人工审核，哪里要保留专家反馈进入下一轮迭代。
我们怎么做 FDE
行业里 FDE 的共识越来越清晰：不是把 AI 工具交给客户自己摸索，而是进入客户现场或真实任务，把模型能力转成生产系统，把 use case 跑成可复用 playbook。我们会把这个过程拆成五个动作。
01 · 诊断业务流和业务一起拆任务链路，找到真正影响结果的数据、判断、权限、反馈点。
02 · 定义 SLA明确实时 / daily / 异步任务边界，设计失败重试、字段校验、异常告警和人工兜底。
03 · 工程化入口把数据源、业务系统、SaaS、飞书表和内部工具接成 Agent 可以稳定调用的入口。
04 · 设计 human-in-the-loop把审核、修改、反馈、直接改稿等业务动作写进系统，让人的经验被记录下来。
05 · 沉淀组织资产把做对的沉成 Skill，做错的沉成 Eval，重复路径沉成 Workflow，关键数据沉成数据基座。
让系统自己持续进化
传统 FDE 是人进入客户现场，看员工怎么工作，再把软件和模型接进业务。Agentic FDE 是在此基础上，让 Agent 进入真实任务，记录和学习关键任务链路里的输入、输出、人工修改和业务结果。
INPUT / OUTPUT
记录任务痕迹
每一次 Agent 输出、每一次人的修改、每一次业务结果，都成为下一轮优化的材料。
SKILL / EVAL
沉淀改进对象
做对的地方沉淀成 Skill，做错的地方沉淀成 Eval，重复路径沉淀成 Workflow。
PIXEL DISTILL
接入经验蒸馏
通过 Pixel Distill，把真实工作数据里的判断逻辑提炼出来，让数字员工越来越聪明。
什么时候该找 FDE
我们自己做 FDE，但不建议所有团队一上来就找 FDE。AI 转型通常先做个人提效，再做组织提效。员工还没有真正用上 Agent 时，更适合先做部署、内训和陪跑。
适合 FDE 介入
- 员工已经在真实工作里高频使用 Agent
- 个人效率提高了，但组织效率没有同步提高
- 跨部门流程、数据权限和系统入口开始互相摩擦
- 团队已经沉淀出足够多日志、样本和真实流程问题
- 需要把局部 AI 用法升级成组织级业务系统
先不要急着找 FDE
- 员工还不知道怎么拆任务、给上下文、设 eval
- 团队只是偶尔用 ChatGPT，没有稳定 Agent 工作习惯
- 核心问题仍是工具部署、基础培训和使用陪跑
- 没有真实任务痕迹，FDE 进场也只能从基础教育做起
- 只是因为市场 FOMO 想立刻做组织改造