AI FDE 的职责模型把交付现场变成可复用能力AI FDEAI Field / Forward Deployed EngineerAI 现场工程师负责把客户现场的业务问题转化为可验证、可上线、可维护、可复用的 AI 能力。这个角色不等于“会调用模型的前端工程师”也不等于“兼职产品经理”而是一种面向交付结果的工程工作方式。一、问题产生背景很多 AI 项目在演示阶段表现不错进入客户真实环境后却遇到一连串问题数据分散在多个系统用户权限复杂业务术语与模型理解不一致回答无法引用依据模型延迟和调用成本不可控最终用户仍然回到原来的工作方式。这些问题并不都属于模型训练也不只是界面开发问题。它们发生在业务、数据、模型、系统和组织流程的交界处。传统研发分工可以解决单点技术问题却经常缺少一个人对“从现场问题到最终使用结果”负责。AI FDE 的价值就是补上这段交付链路进入现场理解问题建立最小可行方案推动真实数据接入处理权限和合规约束完成试点与验收再把一次性交付沉淀成下一次可以复用的能力。二、AI FDE 的核心职责1. 把业务语言翻译成工程语言客户说“希望有一个销售 AI 助手”这句话还不能直接开发。AI FDE 需要继续追问谁使用在什么时间使用要完成什么动作需要哪些数据什么结果才算成功哪些动作必须由人确认最终产出应是一张可执行的需求卡而不是一句口号。需求卡至少要包含角色、场景、数据源、验收标准、权限边界、明确不做的内容和阶段计划。2. 把真实数据接入系统企业数据往往来自 CRM、知识库、文件服务器、工单系统、会议记录和业务群聊。AI FDE 需要盘点数据源确认数据所有者、更新频率、数据质量、是否允许出域、是否需要脱敏以及出现错误时如何追溯。数据接入不是“把文件上传到向量库”。它还包括数据血缘、切分策略、版本管理、失效处理和增量同步。3. 把模型能力放进业务链路模型只是 AI 应用的一部分。AI FDE 需要根据场景在云端模型、私有化模型和边缘模型之间做取舍再设计检索、生成、工具调用、审批和降级流程。工程上要保留模型替换接口记录输入输出和关键耗时并确保模型无法绕过业务权限直接访问数据。4. 让客户真正用起来交付完成不等于代码部署完成。客户是否愿意使用取决于结果是否可信、操作是否足够简单、失败后是否能补救。AI FDE 要把 PoC、试点、推广、培训、反馈、人工接管和持续支持纳入交付计划。5. 把一次性交付沉淀成复用资产项目结束后需要沉淀需求卡模板、权限模型、数据接入适配器、提示词版本、评测集、故障处理手册和上线检查清单。复用的不是一份 PPT而是下一次项目可以直接使用的代码、文档和决策规则。三、入场、搭建、离场三阶段阶段AI FDE 的关键问题主要产出入场真实业务问题是什么谁对结果负责访谈纪要、角色场景矩阵、需求卡搭建数据、权限、模型和流程如何组合最小可交付链路、评测集、监控方案试点用户是否愿意使用结果是否可验证试点报告、反馈清单、迭代计划离场客户和团队能否持续维护与复用培训材料、SOP、复盘文档、支持清单四、贯穿案例销售团队 AI 助手本系列使用一个销售团队 AI 助手作为贯穿案例。它需要支持两个场景在周五复盘前汇总本周客户跟进情况在首次拜访前生成话术草稿。系统可以读取 CRM、公开知识库和脱敏后的通话摘要但不允许直接修改 CRM 主数据也不允许跨团队查看客户信息。这个案例的关键不在于“使用了哪个模型”而在于它同时包含了真实交付中的几个约束角色不同、数据敏感、结果需要引用、部分动作只能生成草稿、上线后还要观察用户采纳情况。五、AI FDE 的工作边界AI FDE 不需要独自承担所有工作但需要主动识别缺口并推动责任落地。与产品经理协作产品经理负责产品目标和优先级FDE 负责把现场问题转成可执行的技术交付边界。与算法工程师协作算法工程师负责模型和算法实现FDE 负责场景选型、链路组合、效果验证和现场约束。与前后端工程师协作前后端负责稳定实现FDE 负责接口边界、交付节奏、客户反馈和可验证结果。与客户团队协作客户提供业务规则、数据和验收人FDE 负责把这些信息落实到系统和交付物中。判断一项工作是否属于 FDE 的重点不是看它是否“高级”而是看它是否处在业务结果和工程实现之间且如果没有人主动负责就会形成交付风险。下面是一段最小可运行示例仅做教学示意AI FDE 现场交付最小责任清单 - 业务问题 → 需求卡角色、场景、数据、验收、边界、明确不做 - 数据接入 → 权限治理源盘点、血缘、脱敏、同步、失效兜底 - 模型接入 → RAG / Agent召回、重排、引用、拒答、越权 - 上线验收 → 复盘复用六签收、SOP、避坑清单六、关键知识点总结AI FDE 的核心不是单点技术而是对现场交付结果负责。需求必须被拆成角色、场景、数据、验收、权限和边界。数据与权限应先于模型接入真实数据质量决定系统上限。RAG、Agent、模型网关和可观测性都应服务于具体业务场景。PoC 只是验证方向试点和推广才决定用户是否真正采纳。复盘的目标是形成可复用资产而不是完成一次会议。七、可复用的黄金总结公式AI FDE 的交付价值 业务结果 × 可复用能力 ÷交付成本 × 维护风险这个公式不是正式财务指标而是一个项目评审框架。业务结果要能被观察可复用能力要能被下一项目使用交付成本要包含数据治理和培训维护风险要包含权限、供应商、模型和回滚成本。结语AI FDE 不是“什么都做的人”而是把交付现场的复杂问题拆成可验证工作包并推动这些工作包形成闭环的人。成熟的 AI FDE 不仅能把一个 AI 助手做出来还能说明它为什么值得做、数据为什么安全、效果如何验证、失败如何处理以及下一次如何更快交付。后续专题将分别展开需求卡、数据接入、权限治理、RAG、Agent、模型网关、可观测性和生产化交付。生产实现差异上述示例只用于表达核心思路与生产环境有以下差异向量库示例用内存结构生产应使用 Pinecone / Qdrant / Milvus / pgvector 等独立向量库并支持 namespace 隔离与索引快照。AclFilter示例未做权限过滤生产应在向量检索请求层注入 ACL / tenant filter而不依赖后置过滤。批量异步示例为同步处理生产应使用 Kafka / RabbitMQ 等队列做削峰与异步处理。权限缓存示例无缓存生产应使用 Redis 等缓存租户权限判定结果并设短 TTL。审计示例无审计日志生产应记录所有调用与决策带 trace_id 与租户维度。失败重试与幂等示例无重试生产应使用 idempotency_key 与退避重试策略。监控告警示例无监控生产应埋点 QPS / 延迟 / 错误率 / token 成本告警分级。配置化示例硬编码阈值生产应通过配置中心管理便于灰度与回滚。