AI FDE 在中国如何落地
一个驻场工程师走进苏州工厂的虚构故事：AI FDE 怎样用业务指标、共建团队、可复用资产和明确撤场线，避免沦为按人天收费的外包。
Vibe Coding Team
文中的临江装备、郑屿、唐靖和具体经营数字均为虚构。FDE 岗位定义、产业指南和监管要求来自文末列出的公开材料。文中插图由 AI 生成。
早上六点四十七分，郑屿站在临江装备二号门外。梅雨刚停，保安递来一张塑封访客证，上面写着：项目顾问。
他把证别在胸口，心里咯噔一下。
会议室里已经坐了十二个人。信息部主任先问模型参数，采购经理问每天驻场几个人，生产副总唐靖最后开口：“先说清楚，你们包不包需求？我们这边人手紧。”
郑屿知道，项目还没开始，AI FDE 已经走到了外包的门口。
顾问证
Forward Deployed Engineer，通常译作前沿部署工程师或前线部署工程师。名字有点像军事术语，工作却很具体：工程师进入客户现场，把还停留在模型演示里的能力接进真实业务。
OpenAI 对 FDE 的现行岗位描述要求工程师负责需求发现、技术范围、系统设计、构建和生产上线，并用生产采用率、可量化的工作流影响和评测反馈衡量结果。Palantir 的岗位说明也从开放问题开始，例如为什么航班总延误，再让工程师和客户一起把问题做成能运行的系统。
这份工作贴近客户，也会写大量定制代码，所以很容易滑成外包。采购按人天买工程师，业务部门把需求扔进群里，FDE 白天开会，晚上补接口。三个月后，群里多了两千条消息，客户仍不知道系统为什么这样设计，供应商则养出一支离不开现场的“永久驻军”。
判断它是不是外包，一问就够了：FDE 撤走以后，客户能不能自己运行、修改并继续扩大这套系统？
如果答案是否定的，工牌上写什么都没用。
第一把尺
唐靖把第一个需求推到桌面上：“做一个智能排产助手，两个月上线。”
郑屿没有接。他请大家带他去车间。
在三号线的白板旁，他碰到计划员吴姐。她不用所谓的排产系统，手边只有一本卷角的方格本。急单插进来时，她先看换模时间，再给仓库打电话确认料，接着去问质检哪一批能先放。系统里有数据，真正的规则却散在人脑、电话和那本方格本里。
“你要让模型替我排？”吴姐问。
“先不替。”郑屿说，“先让它把异常找全，把可选方案和证据摆出来。最后那一下，还是你点。”
这次对话把项目从“做一个聊天机器人”改成了“缩短异常订单处理时间”。团队从历史工单里抽取两百个异常案例，记录当时的约束、处理动作和结果。上线前，他们约定三条验收线：异常处理的中位时长从虚构基线 46 分钟降到 15 分钟以内；高风险改动必须由计划员确认；任何建议都要能追到订单、库存和设备状态。
模型分数要看。项目先拿业务变化说话。
工信部的《制造业企业人工智能应用指南》也把第一步放在业务上：先诊断企业基础，确定高价值场景和导入优先级，再为场景设置可量化指标。指南列出的指标包括生产合格率、漏报率、营销响应时效和维护成本。它们都发生在经营现场。
国内团队可以把这套方法写进一页项目合同：
- 项目按八到十二周的固定周期推进，不按无限期人头续费。
- 验收同时看业务指标、系统指标和真实采用率。
- 原型进入生产前，必须经过历史案例回放和现场试运行。
- 合同从第一天写明撤场条件、资产归属和内部接手人。
这张纸很薄，却能挡住很多外包味。
不替客户上班
项目第二周，唐靖指定了一位内部负责人，叫陈旻。陈旻原来管 MES 集成，不懂大模型，也不喜欢“赋能”这个词。
郑屿反而松了口气。
两个人从此共用一个代码仓库。郑屿写第一个订单连接器，陈旻写第二个；郑屿搭评测框架，计划员补失败案例；每周五的演示由临江装备的人来讲。谁做的幻灯片不重要，谁能在周一早上处理报警才重要。
外包项目常把客户留在会议室，把供应商留在机房。FDE 项目要故意拆掉这堵墙。业务专家不能只是“提需求”，他们要参与定义正确答案；内部工程师也不能等着收文档，他们要亲手部署、回滚和查日志。
这会让前几周显得慢。陈旻第一次改连接器，花了郑屿自己动手三倍的时间。可到了第六周，仓库接口变更，陈旻没有发工单。他改完映射，跑过回归集，自己发了版。
那一天没有剪彩。郑屿只是把待办列表里“仓库字段适配”划掉，又在旁边写了一句：以后归临江。
工具箱留下
FDE 小队的离场清单上，要有场景地图、数据连接器、企业知识库、评测集、可观测面板，以及权限和审计模板。代码只是其中一件。
工信部的制造业指南把企业专识数据库拆得很细，包括机理库、仿真库和经验库，也要求数据汇聚、标注、质量评估、分类分级和持续改进。它还提出在真实生产环境试运行，定期评估准确率、推理时延、投入成本和安全稳定，并根据经营效果继续迭代。
这给国内 AI FDE 团队划出一条很实在的产品线：客户差异应尽量进入配置、数据和权限层，而不是为每家客户复制一套代码。相同需求第二次出现，就进入公共组件的待办；连接器要有版本和测试；提示词要和评测集一起改；一次事故要变成所有项目都能复用的护栏。
外包公司害怕项目结束，产品公司期待重复问题越来越少。FDE 团队该站在后者这一边。
这也会改变内部考核。工程师不能只报“本月交付了 27 个需求”，还要回答：多少代码进入公共底座？新客户的接入周期缩短了多少？旧客户是否能独立处理常见故障？现场反馈有没有回到产品路线图？
中国这道门
中国企业的 AI 项目还有一道不能后补的门：数据与合规。
临江装备最初想把客户邮件、设备日志和维修记录全部送进同一个模型。郑屿让团队先画四张清单：哪些功能只给内部员工，哪些会面向公众；每类数据的负责人是谁；数据可以流向哪种模型和部署环境；哪些动作必须由人确认。
这不是为了让法务在最后一周盖章。架构一旦写死，后面再拆数据会很痛。
《生成式人工智能服务管理暂行办法》第二条明确，未向境内公众提供生成式 AI 服务的企业内部研发和应用，不适用该办法本身。这不等于内部系统没有边界。个人信息、商业秘密、数据分类分级、访问权限和日志留存仍要在设计阶段处理。面向公众提供服务时，训练数据合法来源、个人信息处理、服务协议、安全评估或算法备案等要求则要按具体场景判断。
如果系统会向公众生成文本、图片、音频或视频，还要考虑自 2025 年 9 月 1 日施行的《人工智能生成合成内容标识办法》。显式标识、文件元数据和传播平台的识别责任，都可能改变产品界面和内容管线。
因此，国内 FDE 最好从第一天就做模型路由，而不是把业务绑死在一个 API 上。普通知识问答可以走一条路径，敏感数据走受控环境，高风险操作只给建议不给执行权。模型能换，评测集不能丢；供应商能换，业务规则不能跟着消失。
这听起来比做一个漂亮 Demo 麻烦。确实麻烦。生产系统本来就应该比 Demo 麻烦。
撤场
第十周，临江装备修改了一条质检放行规则。陈旻带着计划员补了案例，更新评测集，跑完影子流量，再把新版本推到生产。郑屿坐在后排，没有碰键盘。
唐靖问：“下一期你们还驻场吗？”
“先看你们还缺什么能力。”郑屿说，“别先看缺几个人。”
一个 AI FDE 项目可以用下面几件事判断是否到了撤场时刻：内部团队能独立部署和回滚；新业务规则能由业务专家与内部工程师共同加入评测；常见故障不再依赖原 FDE；模型替换不会推倒全部业务逻辑；核心指标连续数周没有反弹。
如果做不到，就继续共建，但要说清缺口。如果永远做不到，这门生意已经变成外包。
临走前，郑屿把那张“项目顾问”证交回门卫。方格本还在吴姐桌上，不过旁边多了一块屏幕。屏幕没有代替她，只是把过去要打六个电话才能凑齐的证据放到了一起。
企业真正该买的，是一段能按时结束的共同作业。签 AI FDE 合同时，不妨先把撤场日写上，再填进场日。
是撤场日。