\r \r

FDE — 前沿部署工程师全流程助手\r

\r

概述\r

\r FDE（Forward Deployed Engineer）是 AI 时代最关键的技术角色之一，起源于 Palantir 的驻场工程师模式，现已发展为 AI 公司连接模型能力与企业业务的"最后一公里"枢纽。\r \r 本技能提供 FDE 全流程方法论，覆盖从客户现场审计到产品化抽象的完整闭环。\r \r

何时使用\r

\r

• 接到客户现场部署/交付任务，需要系统化方法论指导\r
• 需要将 AI 模型能力嵌入客户业务流程\r
• 需要分析客户业务痛点并设计技术方案\r
• 需要评估 AI 落地的技术可行性与业务价值\r
• 需要将定制化解决方案抽象为可复用平台能力\r
• 准备 FDE 面试或职业转型\r \r

FDE 核心定位\r

\r FDE 不是传统工程师，而是技术-业务-产品三维交汇的复合角色：\r \r | 维度 | 传统工程师 | FDE |\r |------|-----------|-----|\r | 工作地点 | 后方研发中心 | 客户现场 |\r | 核心任务 | 按需求文档开发 | 主动挖掘痛点，定义技术问题 |\r | 技术边界 | 单一领域 | 全栈，AI+数据+集成+部署 |\r | 价值体现 | 功能交付(output) | 业务结果(outcome) |\r | 客户关系 | 间接 | 嵌入式协作 |\r \r

FDE 三阶段工作流\r

\r

阶段一：审计（Audit）\r

\r 深入客户现场，理解真实业务流程，建立信任关系。\r \r 执行步骤：\r \r

1. 入场准备 — 加载 references/fde-framework.md 中的审计清单\r
2. 利益相关者访谈 — 与业务方、技术方、管理层分头沟通\r
3. 业务流程映射 — 绘制 As-Is 流程图，识别痛点与效率瓶颈\r
4. 数据资产盘点 — 梳理可用数据源、数据质量、访问权限\r
5. 技术环境评估 — 理清客户 IT 基础设施、兼容性约束\r
6. 输出审计报告 — 用 scripts/client_audit.py 生成结构化审计报告\r \r 关键产出：\r

• 业务痛点优先级矩阵（影响×可行性）\r
• 数据可用性评估\r
• 技术约束清单\r
• 干系人关系图谱\r \r

阶段二：评估（Evals）\r

\r 将业务需求转化为技术方案，验证可行性，量化预期价值。\r \r 执行步骤：\r \r

1. 需求技术翻译 — 将行业术语转化为精确的技术问题定义\r
2. 方案设计 — 结合现有产品能力 + 定制化开发，设计 MVP 方案\r
3. 可行性验证（POC） — 用最小成本快速验证核心技术路径\r
4. 价值量化 — 建立业务指标与技术指标的映射关系\r
5. 风险评估 — 识别数据隐私、安全合规、集成复杂度等风险\r \r 关键产出：\r

• 技术方案设计文档\r
• POC 验证结果\r
• 预期 ROI 计算\r
• 风险矩阵与缓解方案\r \r

阶段三：部署（Deployment）\r

\r 将方案落地到客户生产环境，持续迭代直到交付业务价值。\r \r 执行步骤：\r \r

1. 快速原型开发 — 使用 AI 辅助工具（Cursor/Copilot）加速编码\r
2. 系统集成 — 对接客户现有系统（API、数据库、遗留系统）\r
3. 用户验收测试（UAT） — 与真实用户一起验证\r
4. 上线部署 — 灰度发布 → 全量上线\r
5. 迭代优化 — 基于用户反馈持续改进\r
6. 知识转移 — 培训客户团队，输出运维手册\r \r 关键产出：\r

• 可运行的解决方案\r
• 用户验收报告\r
• 运维手册\r
• 业务价值达成报告\r \r

Echo-Delta 协作模式\r

\r 起源于 Palantir 的双人协作架构：\r \r

• Echo（回声团队）：行业专家，长期驻场，深入客户业务，挖掘未明晰的痛点，转化为技术需求\r
• Delta（三角洲团队）：FDE 工程师，快速构建原型、系统集成、部署交付\r \r 当作为 FDE 执行任务时：\r

1. 先扮演 Echo 角色：深度理解业务，不做任何技术假设\r
2. 再切换 Delta 角色：快速出原型，用代码说话\r
3. 在两个角色间灵活切换\r \r

产品化抽象闭环\r

\r FDE 区别于传统驻场开发的核心在于飞轮效应：\r \r

客户现场经验 → 沉淀为解决方案 → 抽象为平台能力 → 复用下一客户 → 效率指数级增长\r
```\r
\r
每个项目结束后，执行抽象检查：\r
- [ ] 本次方案中有哪些通用组件可以抽取？\r
- [ ] 哪些行业 Know-how 可以模板化？\r
- [ ] 反馈给后方产品团队的优先级建议？\r
\r
## 技术工具栈\r
\r
FDE 的技术武器库（详见 `references/fde-toolkit.md`）：\r
\r
- **AI/ML**：LangChain, LlamaIndex, RAG, Prompt Engineering, PyTorch\r
- **数据工程**：SQL, Pandas, Spark（按需）\r
- **部署运维**：Docker, Kubernetes, Linux\r
- **AI 辅助编码**：Cursor, Claude Code, GitHub Copilot\r
- **快速原型**：Streamlit, Gradio, FastAPI\r
\r
## 捆绑资源\r
\r
| 资源 | 路径 | 用途 |\r
|------|------|------|\r
| FDE 方法论详解 | `references/fde-framework.md` | 审计清单、评估框架、部署检查表 |\r
| 技术工具包 | `references/fde-toolkit.md` | RAG 搭建、模型选型、集成模式 |\r
| 行业案例库 | `references/fde-cases.md` | 制造/农业/金融/医疗等行业实战案例 |\r
| 客户审计工具 | `scripts/client_audit.py` | 生成结构化客户审计问卷与报告 |\r
\r
## 使用指南\r
\r
```text\r
# 场景一：接到新客户部署任务\r
1. 加载 references/fde-framework.md 中的审计清单\r
2. 运行 scripts/client_audit.py 生成定制化审计问卷\r
3. 按三阶段工作流逐步推进\r
\r
# 场景二：评估 AI 落地可行性\r
1. 参考 references/fde-toolkit.md 中的技术选型指南\r
2. 执行阶段二的评估流程\r
3. 输出技术方案 + ROI 计算\r
\r
# 场景三：行业方案设计\r
1. 查阅 references/fde-cases.md 中对应行业案例\r
2. 适配案例模式到当前场景\r
3. 结合 Echo-Delta 模式推进\r
```\r
\r
---\r
\r
> FDE 的精髓：Peter Thiel 说"我们需要规模化地做那些无法规模化的事"（We need to scale the unscalable）。这就是 FDE 的使命。\r