WeChat 微信公众号 (AFN)
ai-engineeringbusiness
Original source

做 FDE 久了会发现：明线是把 AI 装进流程，暗线是把组织里的隐性判断掏出来

Summary

一位 Field Deployment Engineer (FDE) 一年多的实战反思：企业 AI 落地的真正难点不在模型能力，而在组织判断的工程化。每个项目都有明线（做系统）和暗线（掏规则）。

核心洞察

  • 模型决定能力上限，但价值由模型之外的事决定：问题定义、证据追溯、流程允许、人工接管、持续评测
  • 「模型已经到了工位，流程还没给它办入职」

FDE 工作的四个三分之一

写代码 / 翻译业务 / 追问标准 / 确认「效果不错到底怎样才算不错」

场景定义的五个追问

  1. 谁要做决定
  2. 在什么时点做
  3. 做决定前必须看到什么证据
  4. 判断错误的代价是什么
  5. 最终由谁签字或承担后果

→ 答不清楚，「场景」只是功能的临时拼接

生产系统的四条链

  1. 证据链 — 来源、版本、权限、时效、引用回溯
  2. 执行链 — 任务拆解、工具调用、异常降级、人工接管
  3. 流程链 — 触发入口、上下游系统、状态回写、后续动作
  4. 责任链 — 验收标准、签字权限、错误追溯、持续维护

→ PoC 只需证明一次好结果；生产系统必须处理坏输入、边界案例、权限变化

四类高摩擦决策现场

  • 权利边界（如专利）：标准隐性、错误代价不对称 → AI 做广覆盖+证据整理，人做风险取舍+最终签字
  • 路线判断（如战略情报）：信息充足但决策边界模糊 → 从决策反推而非数据正推
  • 工程试错（如研发）：无效迭代发现太晚 → 让失败更早暴露，知识可复用
  • 资产动作（如专利运营）：评分脱离产品和交易条件 → 把分数翻译成具体动作

关键金句

  • 「AI 的置信度不是法律置信度」
  • 「情报工作的价值不是让组织知道更多，而是让组织在关键时刻更少地猜」
  • 「研发降本核心不是少做搜索，而是少走没有证据支撑的路」
  • 「把错误路线跑得更快，不叫降本，叫加速烧钱」

FDE 交付的终极标准

  • 群里不再有人艾特你，系统是否还能正常跑
  • 留下六类资产：数据边界、可复用 Skill、评测集、流程接口、规则化的专家判断、运营机制
  • 评价四问：是否被真实采用、是否改变流程结果、异常时能否自行处理、新场景能否复用