我最开始理解 FDE,也容易把它想成"更靠近客户的工程师"。
后来做了几个 AI 项目,又折腾过自己的多平台内容发布系统,我才意识到:FDE 真正的门槛不在代码,而在把 AI 放进真实流程。
一个真实例子:文章发布也会暴露 FDE 问题
拿我自己的内容工作流举例。表面需求很简单:把公众号文章同步到知乎、CSDN、掘金、头条、百家号、B站专栏和简书。
如果只看技术,似乎就是"调接口"或"控制浏览器"。但真跑起来以后,问题一层一层冒出来:
- 头条后半段格式被压坏;
- 草稿箱里出现重复草稿;
- 图片里可能藏着二维码、Token、内网地址;
- 有的平台会出现不该勾选的 AI 生成声明;
- 浏览器标签页开太多,机器内存开始吃紧;
- "提交成功"不等于公开页真的可访问。
这个时候,真正要解决的已经不是"能不能自动发文章",而是:怎样建立一套不会乱发、不会重复、能审核、能返修、能留下证据的发布流程。
FDE 的工作:把模糊需求拆进真实流程,再把流程做成可验证的系统
FDE 不是高级程序员
Forward Deployed Engineer 通常译作"前线部署工程师"。代码当然重要,但在很多现场,写代码不是最难的部分。更难的是判断:
- 这个问题值不值得用 AI;
- 当前流程到底卡在哪里;
- 哪些数据能用,哪些不能碰;
- 谁会因为新系统受益,谁会担心被替代;
- 出错以后谁负责,怎么兜底;
- 怎么证明它真的比旧流程好。
这些问题没有一个能靠"模型更强"自动解决。
第一种能力:价值判断
很多企业都会说"我要用 AI"。但不是所有问题都值得做 AI。一个低频、风险高、必须人工签字确认的场景,未必适合作为第一仗。相反,一个每天都发生、依赖人工复制粘贴和经验判断的流程,哪怕只改善一部分,也可能很有价值。
我现在会先问几个土问题:
- 这件事是不是高频?
- 现在是不是很依赖人肉搬运?
- 出错代价能不能控制?
- 业务方愿不愿意参与验证?
如果这些都答不上来,先别急着写代码。
第二种能力:问题重构
客户说"我要知识库问答",真实问题可能不是问答。可能是老员工经验快断了;可能是新人不知道在什么条件下该找哪份资料;也可能是流程责任不清,大家只是希望 AI 帮忙背锅。
FDE 要做的,是把表层需求翻译成真实问题。这一步很容易得罪人,因为你不能只顺着需求做。你要继续问:为什么要做?谁会用?不用的原因是什么?如果 AI 答错了,谁来接?问到这里,方案才开始接近真实。
第三种能力:快速构建
快速构建不是从零写一大套系统。很多时候,现成模型、低代码工具、RAG、Agent 框架和一点脚本组合起来,就够做第一版验证。
重点不是写得多快,而是用最小成本验证最关键的假设。比如我的多平台发布系统,第一版不应该追求"全平台全自动发布"。更合理的是先跑通一篇文章、一个平台、一次公开页复核,确认标题、图片、尾注、声明和草稿清理都可控,再扩大范围。
我也是踩过坑后才收回来的。
第四种能力:评测和护栏
Demo 能跑,不代表生产能用。AI 系统一旦进入业务,就必须有边界:
- 哪些场景允许自动处理;
- 哪些结果必须人工确认;
- 日志怎么留;错误怎么回滚;
- 权限怎么管;公开页面怎么复核。
没有护栏,AI 越能干,风险越大
没有这些护栏,AI 越能干,风险越大。我现在尤其警惕"接口返回成功"这种假安全感——返回成功只说明动作发出去了,不说明用户看到的是正确结果。
第五种能力:组织推动
系统上线不等于被采用。一线员工可能不信任它,IT 可能担心权限,老板可能只想看到立刻降本。每个人的担心都是真的。
FDE 不能只把系统交出去,然后说"你们用吧"。它要帮业务方理解边界,找一个低风险场景先试,让真正承受痛点的人参与验证,再用结果推动下一步。这不是搞关系,而是让系统进入真实工作。
程序员想走这条路,从哪开始
FDE 的核心不是"会很多技术",而是能在技术、业务和人之间来回翻译。技术能把 Demo 做出来,业务决定它值不值得做,人决定它最后会不会被用起来。
别一开始就追求大项目。先找一个熟悉的小流程,明确权限和责任边界,做一次可验证的改进,再把过程记录下来。
我是小天说FDE,程序员出身,现在 all in AI,是杭州的 FDE。FDE 系列文章全网将近十万阅读,这个系列会持续更新。