在传统的 IT 建设或 AI 项目中,有一个极为普遍的怪现象:产品经理写了上百页需求文档,研发加班加点做出来,上线后业务部门却根本不用。
甚至在 AI 时代,这种脱节被进一步放大——“95% 的 AI 项目零回报” 不是一句空话。大家都在用大模型做 Demo,但真正能在企业真实场景里跑出商业价值的少之又少。
解决这个问题的关键角色,就是 FDE(Forward Deployed Engineer,前置部署工程师)。
FDE 不是坐在后方打单的售前,也不是只听主管汇报的 PM,而是挽起袖子深蹲到业务一线、能用代码和 AI 原型解决真问题的“业务型工程师”。这篇文章是我在企业内部实践 FDE 模式的真实笔记总结,涵盖了前期调研、选场景、AI 时代的效果测试,以及知识库分层治理。
一、 FDE 的核心基本功:业务 Knowledge 与专业技能
很多技术人员转 FDE 时,最容易犯的错误就是“拿着锤子找钉子”。真正的 FDE,手里的武器由两部分组成:
- 业务知识(Business Know-how):懂客户的业务链条,懂不同部门的 KPI 差异(采购算到货及时率,品管算合格检验率),懂业务流转中的“隐形规则”。
- 专业知识(Engineering & AI Skill):能快速搭建 Demo,懂系统集成,懂模型能力边界,懂数据治理与权限。
会做需求,只是 FDE 的下限;知道什么需求不该做,才更接近上限。
二、 进场第一战:怎么做前期的调研和准备?
当你进驻到一个全新的业务部门或客户现场时,不要急着画架构图、写文档。记住一个核心原则:主管告诉你的是“他以为的问题”,用户告诉你的往往是“解决方案”,而你需要寻找的是“背后的真问题”。
为了避开“主管理想版 ≠ 真实操作”的陷阱,我们在进场第一战需要打好组合拳:
[ 坐在真用户旁边 ] ──► [ 自己当小白亲手干一遍 ] ──► [ 合成数据做轻原型 ] ──► [ 追问极端的真需求 ]
- 把自己当实习生,跟踪实际干活的人:坐在真投手、真采购、真客服旁边,看他们每天怎么搭计划、怎么盯盘、怎么做 Excel。千万别只听业务主管汇报,主管的流程永远是“理想版”。
- 亲自上手把流程跑通:很多痛点,你不亲手做光靠问永远问不出来。自己开产投广告、自己独立上架、自己跑一次审批。只有自己踩过坑,才知道哪个环节让人崩溃。
- 敢于怀疑,探寻“真问题”:业务说“想要一个自动生成的报表”,背后真正的痛点可能是“要跨不同账号、不同广告系列横向对比数据”。你照着做个自动化报表,根本解决不了他横向看数据的痛点。
- 区分“真 Bug”与“合理的业务选择”:如果你脱离业务单做系统,发现报表某个指标异常觉得很有用,但在业务看来,这只是因为供应商类型不同造成的正常现象,对实际业务毫无影响。把业务 Know-how 当成 Bug,是技术人员最容易闹的笑话。
- 快速生成 Demo,循环论证:可视化的东西永远比需求文档清晰。现场用 AI 生成高保真小工具或轻原型,拿给业务看真实反应。对着空气沟通,大家脑子里构建的内容可能千差万别。
- 搞清干系人地图:分清谁是实际需要的人(痛点深)、谁是质疑的人(怕被替代)、谁是支持的人、谁是真正能做决定的人。
工具箱 1:进场第一战实战操作表
为了在进场初期不踩坑,我们将上述动作落成了具体的执行标准:
| 动作 | 要解决的陷阱 | 我们在真实项目(如 Omni-Growth)怎么做 |
|---|---|---|
| 坐到真用户旁边画真实流程 | 主管的理想版 ≠ 真实操作 | 坐到投手旁看他搭计划、盯盘,记录真实卡点。 |
| 把自己当小白亲手干一遍 | 不亲历就问不出的痛点 | 自己开产投广告,目标独立上架、盯盘。 |
| 合成数据做轻原型找反应 | 对着空气说不出真需求 | 现场用 AI 做小工具,产出高保真原型,看业务真实反应。 |
| 挖出没人主动说的隐形卡点 | 忽略隐形效率瓶颈 | 找人追问极端情况、特意选在特殊时间入场、跟客户做朋友,在闲聊时挖掘。 |
| 分清真问题与合理选择 | 把业务 know-how 当成 bug | 发现 “问题” 先问为什么,确认是否是业务出于特殊目的主动选择。 |
三、 选场景与伪需求自检:把钱和精力花在刀刃上
一堆候选需求排队时,先做哪个、不做哪个?找到业务链条上花费成本最高的那一段,而不是光看“人数多”或“金额大”。
我们在选择场景时,会严格通过三关筛选与真问题自检:
工具箱 2:场景筛选三关法
| 关卡 | 回答的问题 | 手里的工具 |
|---|---|---|
| 第一关:北极星筛选 | 这个场景值不值得做,效果算不算你的? | 北极星三条件(有商业价值、努力可影响、可拆解归因),外加基线和归因口径 |
| 第二关:价值锚定位 | 候选场景从哪里来? | 摊开客户的价值链,看时间和钱耗在哪一段 |
| 第三关:打分排序 | 一堆候选里,先做哪个、不做哪个? | 五维打分,落成用例优先级表:做、延后、放弃 |
工具箱 3:真问题自检清单
在决定动工写代码或搭建 Agent 前,必须逐项勾选以下自检项:
| 维度 | 通过的标准 | 自检 |
|---|---|---|
| 可衡量 | 能落到一个具体数字或业务结果 | □ |
| 来源真实 | 用户亲历,不是主管转述 | □ |
| 亲手验证 | 你亲手确认过这个卡点真实存在 | □ |
| 排除合理选择 | 确认它不是客户出于特殊业务原因的主动选择 | □ |
| 价值与归因 | 价值够大,且能明确归因到你的系统头上 | □ |
四、 AI 时代怎么测试与验证系统效果?
AI 项目最忌讳“大跃进”。一个场景到底能不能跑出价值,必须真跑起来、拿真实数据在真实场景上验证过才知道,没法在需求文档和沙盒系统上论证清楚。
- 第一次用最小成本撬动最大收益:快速做 MVP(最小可行性产品),验证核心假设。
- 指标要符合实际,且能归因:不同行业甚至不同部门指标千差万别。设计评估指标时,必须能清晰体现是系统的优化带来的收益,尽量剔除外部大环境的影响。
- AI 预审机制(用 AI 审查 AI):AI 做完 Demo 后,在交付给业务审查前,先让 AI 扮演业务角色进行预审(模拟极端的业务提问或异常输入)。这样可以提前规避和修改掉 80% 的低级问题,大幅节省与业务沟通的时间成本。
五、 FDE 的知识库分层架构
在为企业搭建 Agent 或知识库系统时,知识绝不能“一锅端”。根据工程落地经验,企业内部的知识库必须划分为严格的四层架构:
[ 第一层 ] 产品使用知识 (最标准 / 最易产出 / 功能参数与使用 SOP)
[ 第二层 ] 跨行业共性知识 (通用方法论 / 用户生命周期 / RFM 模型)
[ 第三层 ] 行业特有知识 (特定行业经验 / 电商 GMV 口径 / 金融合规)
[ 第四层 ] 企业特有知识 (最高价值 / 最难维护 / 特定指标定义 & 组织架构)
- 第一层:产品使用知识
- 内容:某个功能怎么用、参数是什么意思。
- 特点:最标准,最容易标准化产出。
- 第二层:跨行业共性知识
- 内容:用户生命周期怎么划分、RFM 模型怎么用、SCOR 供应链模型等。
- 特点:领域内的通用方法论,跨行业通用的最佳实践。
- 第三层:行业特有知识
- 内容:电商行业的 GMV 扣除退款口径、金融行业的合规与风控要求、制造行业的 BOM 拆解逻辑。
- 特点:需要特定领域的行业经验,开始产生壁垒。
- 第四层:企业特有知识(最核心)
- 内容:这家客户的具体指标定义、独特的业务术语、跨部门权限与组织架构。
- 特点:最难获取、最难维护,但也是 FDE 驻场交付中最有商业价值的部分。
写在最后
FDE 的本质,是用工程师的严谨与技术能力,去解决业务痛点中最模糊、最混乱的那部分问题。
不要坐在办公室里猜需求,不要盲目相信一份光鲜亮丽的 PPT。下沉到一线去,坐在用户身边,亲手跑一遍流程,用 AI 快速做原型,用数据验证归因——这才是企业内部 FDE 能够持续交付真实价值的唯一路径。