客户说“做一个智能客服”，却没有定义哪些问题能答、答错如何处理。
AI ENGINEERING FIELD GUIDE
AI FDE 是什么
从客户现场出发，把大模型能力做成真正可上线、可评估、可持续运行的生产系统。
AI Forward Deployed Engineering前线部署式 AI 工程 · 客户现场型 AI 工程
01 · DEFINITION
它不是产品，而是一种工程交付模式
对应岗位叫 Forward Deployed Engineer。工程师深入客户业务，与客户团队一起把大模型能力真正做成可上线、可评估、可持续运行的生产系统。
OpenAI 将 FDE 描述为处在“客户交付与核心平台开发的交叉位置”，负责从需求发现、技术范围界定、系统设计、开发，一直到生产发布。
客户交付 × 核心平台开发 × 生产结果责任
02 · WHY NOW
为什么 AI 项目需要 FDE
普通软件的输入、输出和异常边界通常比较稳定；AI 项目却常在演示走向真实业务时暴露问题。
接入真实数据后，可能出现幻觉、权限泄露或延迟过高。
不同部门的数据、术语、权限和审批流程完全不同。
模型升级后，原有提示词与评测集可能快速失效。
不是“接口调用成功”，而是工作流是否真正改善。
因此，需要既能理解业务、又能写生产代码，还懂模型行为、评测、安全与部署的人，负责端到端落地。
03 · WORKFLOW
AI FDE 具体做什么
01
业务发现
进入客户现场，梳理现有流程、用户角色、数据权限、瓶颈和成功指标。
02
场景筛选
判断问题是否适合 AI，排除价值低、风险太高或传统规则系统更合适的需求。
03
快速原型
使用模型 API、RAG、工具调用、Agent 或结构化输出，在短时间内验证关键假设。
04
建立评测门禁
准备真实样本，定义准确性、引用可靠性、安全、延迟、成本和人工接管标准。
05
生产系统开发
覆盖前后端、数据管道、权限、日志、缓存、队列、监控和现有系统集成。
06
灰度上线
从内部测试、人工复核到部分用户使用，逐步扩大范围，保留回退和人工接管能力。
07
反馈产品团队
把多个客户反复遇到的问题沉淀为平台能力、组件和产品路线，而非永久维护一次性代码。
如何衡量成功
生产采用率、可衡量的工作流影响，以及能够改变模型和产品路线的评测反馈。
Scale AI 的 FDE 同样强调直接面对客户、全栈交付、快速实验，并把客户问题转化为工程方案。查看 Scale AI FDE 职位说明 ↗
04 · ROLE MAP
与其他岗位的区别
| 岗位 | 核心责任 | 长期写生产代码 | 深入客户业务 |
|---|---|---|---|
| 售前工程师 | 演示产品、支持成交 | 较少 | 中等 |
| 解决方案架构师 | 设计集成和技术方案 | 不一定 | 较高 |
| 实施顾问 | 配置产品、推动上线 | 较少 | 很高 |
| 普通软件工程师 | 建设标准产品 | 是 | 通常较低 |
| AI/ML 工程师 | 模型、数据和推理系统 | 是 | 不一定 |
| AI FDE | 从业务发现一直负责到生产落地 | 是 | 很高 |
产品经理业务理解
＋解决方案架构师系统设计
＋全栈/AI工程师交付能力
＋客户成功落地责任
05 · EXAMPLE
举个例子：合同审核助手
客户希望建设“合同审核助手”。AI FDE 不会只做一个聊天框，而会建立完整的业务闭环。
1识别法务真正需要检查的条款和风险类别
2接入合同库、模板库及权限系统
3规定每个判断必须引用合同原文
4建立正确答案和高风险样本评测集
5高风险或低置信度结果强制人工复核
6监控漏检率、误报率、审核耗时和成本
7嵌入客户原有审批流程
8将引用、权限和评测能力沉淀回产品
06 · BOUNDARIES
它不是什么
不是单纯帮客户写提示词
不是到现场安装软件的实施人员
不是只做演示、不负责生产效果的售前
不是无限制承接定制需求的外包工程师
不是专门训练基础模型的研究岗位
关键价值：用真实客户场景检验 AI 能力，同时把一次性交付转化为可复用的产品能力。