FDE 企业 AI 落地与交付 · 隐性知识提取与经验沉淀 · 2026-07-25

做 FDE 久了会发现:明线是把 AI 装进流程,暗线是把组织里“大家都懂、但没人说得清”的判断掏出来。

FDE的双重逻辑:明线AI装流程,暗线组织“说不清”的判断显性化,决定项目是“上线”还是“留存”。 核心内容:

  1. 明线:AI系统落地的技术路径(接数据、做Agent、嵌流程、交付上线)
  2. 暗线:组织隐性判断的显性化工程(统一语言、显性化规则、划清责任边界)
  3. FDE的本质:从需求到结果的确定化工程方法

QUOTE

做 FDE 久了会发现:明线是把 AI 装进流程,暗线是把组织里“大家都懂、但没人说得清”的判断掏出来。

加入 FDE 之前,我也把这份工作理解得非常朴素。

我以为它只是更懂业务的技术支持:比售前多写一点代码,比交付多理解一点产品,再帮客户把模型接进系统。真正开始做之后,我发现这份工作大致由四个“三分之一”组成:写代码、翻译业务、追问标准,以及在会议结束前确认“刚才说的效果不错,到底怎样才算不错”。数学上不太严谨,现场感倒很准确。

一句“我们想做个 AI 助手”只有十来个字,却足够长出几十页需求。最难的不是把字写满,而是把这句话追问成一个边界清楚、可以运行、能够验收,而且出了问题知道由谁处理的生产任务。

过去一年多,我反复经历同一种落差:一个在演示里很惊艳的能力,进入真实组织后,可能因为数据口径不一致而失效;可能因为专家不认可证据而被搁置;也可能技术上已经上线,却没有人愿意改变原来的工作方式。模型已经到了工位,流程还没给它办入职。

模型决定了能力上限,但一个场景能否产生价值,常常由模型之外的事情决定:问题有没有被定义准确,证据能不能追溯,流程是否允许 AI 参与,人工在哪些节点必须接管,以及结果能否被持续评测。

后来我才看清,每个 FDE 项目其实都同时跑着两条线。明线是接数据、做 Agent、嵌系统、交付上线;暗线是统一语言、追问规则、划清责任、处理那些没人愿意写进需求文档的例外。

VISIBLE LINE / HIDDEN LINE

明线 / VISIBLE

把一个系统做出来

接数据、做 Agent、嵌流程、交付上线,让能力在真实任务中跑起来。

暗线 / HIDDEN

把一套判断机制掏出来

统一语言、显性化专家规则、划清人工边界,并为错误设计责任和反馈。

明线决定项目能否上线,暗线决定它能否留下来。

这也是我现在理解的 FDE:它不是一种岗位名称,也不是“哪里需要就去哪里改两行”的人形补丁,而是一套把不确定需求推进到确定结果的工程方法。

本文看点

01

明线:系统如何真正上线

02

暗线:判断与责任如何工程化

03

几个现场怎样留下组织能力

01

FIELD NOTES

“万能助手”通常是需求还没问完

刚开始做场景时,我最容易问的问题是:“这个模型现在能做到什么?”这个问题通常很好回答,答案也往往多得让会议显得非常成功。

后来我发现,这个问题会天然把团队带向功能展示。模型能总结,就做报告生成;能抽取,就做知识库;能推理,就做智能问答。按这条路线,一个“万能助手”通常半场会就能出生,至于它上班后具体负责什么,可以留给下一场会。

功能都说得通,但它们未必对应组织里真正昂贵的决策节点。

现场更应该先问的是:哪一个决定正在反复消耗高价值人员的时间,又因为证据不完整、标准不一致或协作链条太长而频繁返工?

我通常会把一个模糊需求连续追问成五个问题:谁要做决定;他在什么时点做;做决定前必须看到什么证据;判断错误的代价是什么;最终由谁签字或承担后果。

这五个问题答不清楚,所谓“场景”往往只是一组功能的临时拼接。名字里虽然有“智能”,本质上只是给问题起了一个很像产品的名字。

例如,“做一个专利问答助手”不是完整的场景。它没有说明问题发生在哪个流程,也没有说明答案将改变什么动作。换成“在研发立项前,帮助项目经理发现与技术路线冲突的在先专利,并由知识产权专家确认风险等级”,场景才第一次拥有了业务边界。

前者的验收标准容易变成“回答看起来不错”——这是工程世界里最温柔、也最危险的一句话;后者则可以检查证据覆盖、风险召回、专家复核一致性,以及它是否真的进入了立项流程。

「一个场景真正的起点,不是 AI 能做什么,而是组织正在为什么样的判断付出代价。」

这也是为什么 FDE 的早期工作经常看起来不像开发。我们要参加业务访谈,要画现有流程,要观察专家如何判断,要追踪一份报告从产生到被采用经历了哪些人。只有把这些隐形环节摊开,技术设计才不会从一开始就偏离问题。

02

PRODUCTION

系统能演示,不等于它能“过日子”

做过一些 PoC 后,我越来越少用“效果很好”来描述一个场景。PoC 有点像相亲照:样本挑过、光线很好、双方都很有耐心。生产系统则更接近长期共同生活,坏输入、权限过期、专家意见相左,一个都不会缺席。

我现在会检查四条链:证据链、执行链、流程链、责任链。

FDE PRODUCTION MODEL

01证据链

来源、版本、权限、时效与引用回溯

02执行链

任务拆解、工具调用、异常降级与人工接管

03流程链

触发入口、上下游系统、状态回写与后续动作

04责任链

验收标准、签字权限、错误追溯与持续维护

证据链解决“系统凭什么得出这个结论”。数据从哪里来,版本是否明确,权限是否合规,引用能否回到原文,过期信息如何被发现。越是专利、研发和战略场景,越不能把流畅表达当成可靠证据。

执行链解决“复杂任务如何被稳定完成”。一个 Agent 需要怎样拆解任务,调用哪些 Skill 或工具,遇到缺失数据如何降级,什么时候停止推理,什么时候把问题交还给人。可控的失败往往比偶尔惊艳的成功更重要。

流程链解决“结果在组织里往哪里去”。谁触发任务,输入来自哪个系统,结果进入评审、立项还是法务流程,状态如何回写,后续动作由谁继续。没有流程接口,AI 产出最终只是另一个需要人工搬运的文件。

责任链解决“谁对结果负责”。哪些结论允许自动执行,哪些必须专家复核;验收集由谁维护;出现错误怎样追溯;规则变化后谁更新。责任链缺失时,系统越智能,组织反而越不敢使用。

PoC 和生产系统的差别,就藏在这四条链里。PoC 只需要证明某次输入可以得到一个好结果;生产系统还必须在现实偶尔“不讲武德”时,处理坏输入、边界案例、权限变化、专家分歧和持续反馈。

「演示关注的是一次答案有多聪明,生产关注的是一条链路在异常条件下是否仍然可信。」

这四条链也改变了我的工作方式。过去我会先做原型,再找业务验证;现在我更倾向于先建立一个最小评测集,把正确、错误、模糊和必须拒答的样本放进去,再决定系统该怎样设计。评测不是上线前的考试,而是需求定义本身。

沿着这套方法往下看,几个高摩擦现场虽然对象不同,真正需要工程化的都是“证据如何进入决策、机器在哪里停下、人怎样接管,以及结果如何被衡量”。

HIGH-FRICTION DECISIONS

RIGHTS

权利边界

决策对象

保护与风险判断

核心难点

标准隐性且错误代价不对称

人工关口

专家签字

结果指标

返工、一致性与风险召回

ROUTE

路线判断

决策对象

技术与资源取舍

核心难点

信息充足但决策边界模糊

人工关口

决策负责人

结果指标

证据回溯与行动转化

ITERATION

工程试错

决策对象

方案与试验选择

核心难点

无效迭代发现得太晚

人工关口

工程师评审

结果指标

迭代、复用与早期排险

ASSET

资产动作

决策对象

存量资源下一步

核心难点

评分脱离产品和交易条件

人工关口

法律与业务共同判断

结果指标

处置、匹配与线索推进

03

JUDGMENT

写得通顺,和判断正确,是两回事

先说一类很容易被低估的现场。它表面上围绕文本展开:技术交底、查新报告、申请文件、审查意见答复、FTO 分析。大模型擅长理解和生成文本,因此很多人会自然地认为,只要模型足够强,质量提升就会发生。毕竟,写出一段通顺文字已经不难;问题是,权利范围也可能被通顺地写没。

我最…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/zhishiguanli/2026072557041.html