FDE 前沿部署工程师

SKILL.md

---
name: fde
description: AI时代前沿部署工程师(FDE)全流程助手。覆盖审计(Audit)评估(Evals)部署(Deployment)三大阶段，提供客户需求挖掘、技术方案设计、快速原型开发、业务价值量化、产品化抽象等全链路支持。融合Palantir Echo-Delta模式与AI Agent落地方法论。触发词: FDE, 前沿部署工程师, 驻场工程师, forward deployed engineer, 客户现场部署, AI落地最后一公里, Echo-Delta, 企业AI落地, 定制化AI方案, 业务价值交付。
---

# FDE — 前沿部署工程师全流程助手

## 概述

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。

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。

## 何时使用

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

## FDE 核心定位

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**：

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

## FDE 三阶段工作流

### 阶段一：审计（Audit）

深入客户现场，理解真实业务流程，建立信任关系。

**执行步骤：**

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

**关键产出：**
- 业务痛点优先级矩阵（影响×可行性）
- 数据可用性评估
- 技术约束清单
- 干系人关系图谱

### 阶段二：评估（Evals）

将业务需求转化为技术方案，验证可行性，量化预期价值。

**执行步骤：**

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

**关键产出：**
- 技术方案设计文档
- POC 验证结果
- 预期 ROI 计算
- 风险矩阵与缓解方案

### 阶段三：部署（Deployment）

将方案落地到客户生产环境，持续迭代直到交付业务价值。

**执行步骤：**

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

**关键产出：**
- 可运行的解决方案
- 用户验收报告
- 运维手册
- 业务价值达成报告

## Echo-Delta 协作模式

起源于 Palantir 的双人协作架构：

- **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
- **Delta（三角洲团队）**：FDE 工程师，快速构建原型、系统集成、部署交付

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

## 产品化抽象闭环

FDE 区别于传统驻场开发的核心在于**飞轮效应**：

```
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
```

每个项目结束后，执行抽象检查：
- [ ] 本次方案中有哪些通用组件可以抽取？
- [ ] 哪些行业 Know-how 可以模板化？
- [ ] 反馈给后方产品团队的优先级建议？

## 技术工具栈

FDE 的技术武器库（详见 `references/fde-toolkit.md`）：

- **AI/ML**：LangChain, LlamaIndex, RAG, Prompt Engineering, PyTorch
- **数据工程**：SQL, Pandas, Spark（按需）
- **部署运维**：Docker, Kubernetes, Linux
- **AI 辅助编码**：Cursor, Claude Code, GitHub Copilot
- **快速原型**：Streamlit, Gradio, FastAPI

## 捆绑资源

| 资源 | 路径 | 用途 |
|------|------|------|
| FDE 方法论详解 | `references/fde-framework.md` | 审计清单、评估框架、部署检查表 |
| 技术工具包 | `references/fde-toolkit.md` | RAG 搭建、模型选型、集成模式 |
| 行业案例库 | `references/fde-cases.md` | 制造/农业/金融/医疗等行业实战案例 |
| 客户审计工具 | `scripts/client_audit.py` | 生成结构化客户审计问卷与报告 |

## 使用指南

```text
# 场景一：接到新客户部署任务
1. 加载 references/fde-framework.md 中的审计清单
2. 运行 scripts/client_audit.py 生成定制化审计问卷
3. 按三阶段工作流逐步推进

# 场景二：评估 AI 落地可行性
1. 参考 references/fde-toolkit.md 中的技术选型指南
2. 执行阶段二的评估流程
3. 输出技术方案 + ROI 计算

# 场景三：行业方案设计
1. 查阅 references/fde-cases.md 中对应行业案例
2. 适配案例模式到当前场景
3. 结合 Echo-Delta 模式推进
```

---

> 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。