2026年AIFDE职业入门指南

目录第一章｜AIFDE，到底是一份什么工作？第二章｜AIFDEAIAI第三章｜AI01第四章｜技术补课：AIFDE需要懂到什么程度？第五章｜做出你的第一个AIFDE作品集第六章｜从现有工作转向AIFDE：职业发展实战第七章｜30天完成你的第一个AIFDE项目2026916日。招聘职位、薪资区间和课程可用性会变化；涉及中国薪资的统计仅代表本书采集的公开招聘样本，不代表全国平均。完整岗位样本与来源登记见配套资料。结语｜AI2026916日。招聘职位、薪资区间和课程可用性会变化；涉及中国薪资的统计仅代表本书采集的公开招聘样本，不代表全国平均。完整岗位样本与来源登记见配套资料。第一章｜AIFDE，到底是一份什么工作？一个需求增长约42倍的新角色，正在进入AI招聘市场如果你最近开始关注AI招聘，可能已经见过一个以前并不常见的岗位名称：FDE。全称ForwardDeployedEngineer，通常译作“前沿部署工程师”或“前向部署工程师”。这个岗位最近受到关注，并不只是因为名字新。LinkedIn20261月的劳动力市场报告显示，2023—2025年间，Forward-DeployedEngineer/PM9000202342倍。2026年，AWS10亿美元成ForwardDeployedEngineering组织；OpenAI、Anthropic、Palantir当前也持续招聘相关岗位。1薪酬同样容易引起注意。以美国市场为例，AnthropicFDE28万—32万美元9月初采22FDE、AIFDE及混合型岗位样本中，如果只取月薪区间中点，中位数3.25万元/月FDE平均工资”。2“FDE“FDE就是下一个人人都能转的百万年薪风口。”这并不准确。FDE正在成为全球FDE正在成为全球AI人才市场中增长很快、受到头部公司高度关注的一类新兴高价值角色。它还远没有软件工程师、产品经理那么大的就业规模，但它背后的那组能力，正在越来越多的AI岗位中出现。而这，才是它真正值得普通职场人关注的原因。42倍：2023—2025年FDE及类似岗位需求增长28万—32万美元：Anthropic部分美国FDE岗位公开年薪3.25万元/月：22个中国公开薪资样本的“区间中点中位数”小字注明：不同地区、公司、级别差异很大，不代表市场平均薪资01｜FDE到底是干什么的？想象这样一个场景。“我们每天都在看竞争对手的信息，新闻、官网、产品更新、招聘、融资什么都有。信息很多，但真正有价值的东西经常被漏掉。能不能做一个AI系统，每周直接告诉我们：竞争对手发Th了什么，以及“我们每天都在看竞争对手的信息，新闻、官网、产品更新、招聘、融资什么都有。信息很多，但真正有价值的东西经常被漏掉。能不能做一个AI系统，每周直接告诉我们：竞争对手发Th了什么，以及哪些变化值得我们采取行动？”这是一个非常典型的AI需求。但问题在于，它还远远不是一个可以直接开发的需求。有人需要继续追问：到底监控哪些竞争对手？哪些来源可信？什么叫“重要变化”？同一件事被十家媒体报道，要不要算十条？AI判断“这是商业机会”，依据是什么？怎样避免它把普通营销稿判断成重大战略动作？最后的结果给谁看？一周之后，怎样证明这个系统比人工更好？还要有人进一步把这些问题变成系统：接数据、调用模型、设计工作流、做原型、建立测试集、处理错误、找用户试用，再一轮轮修改。AIFDE是一类深入真实业务场景，把模糊问题转化为可验证的AI方案，再通过工程实现、数据与系统集成、评测、部署和用户采用，把方案真正变成可用结果的“业务—产品—工程连接型”角色。3AIFDE是一类深入真实业务场景，把模糊问题转化为可验证的AI方案，再通过工程实现、数据与系统集成、评测、部署和用户采用，把方案真正变成可用结果的“业务—产品—工程连接型”角色。3这里最值得注意的其实不是“AI”。而是两个字：结果。“我给你演示了一个很酷的AIDemo。”“我给你演示了一个很酷的AIDemo。”而是：“这个东西在真实工作里到底能不能用？”“这个东西在真实工作里到底能不能用？”02｜为什么偏偏到了现在，FDE突然变重要了？FDE其实并不是AI时代才出现的职业。早在十多年前，Palantir就形成了一套很有代表性的工作模式：让工程师直接进入复杂客户的真实业务环境，面对不完整的数据、模糊的需求和大量现场约束，把软件真正部署进去，并以客户的业务目标有没有改善来衡量成功。4大模型出现以后，这种工作方式重新变得重要。原因很简单：AIDemo越来越容易做，真正稳定可用的AI系统依然很难做。一个人在ChatGPT里让模型总结十篇文章，很容易。但如果要求系统：每天稳定获得信息不漏掉重要事件区分事实和观点避免重复每个判断都有证据对高价值信号进行排序出错以后能知道错在哪里让真实业务人员愿意长期使用问题马上就复杂了。这也是为什么今天的FDE已经不只是传统意义上的“软件实施”。OpenAI当前FDE的工作链已经覆盖需求发现、技术范围界定、系统设计、构建、Th产部署、用户采用和基于评测的持续反馈；Anthropic、Palantir等公司的相关岗位，也越来越强调大模型应用、工作流、评测、数据和强工程能力。5过去缺的是“把软件部署进去的人”；今天更缺的是“把AI过去缺的是“把软件部署进去的人”；今天更缺的是“把AI能力变成业务结果的人”。模糊业务问题↓场景发现↓问题定义↓成功标准↓AI方案↓原型构建↓数据与系统集成↓测试与评测↓部署试用↓用户采用↓持续迭代03｜FDE不是“更会用AI的人”这可能是理解这个职业最重要的一道分界线。他会使用AI。一个人非常熟练地使用ChatGPT、他会使用AI。你能不能找到一个值得解决的问题？你能不能把模糊需求拆清楚？你为什么选择工作流，而不是智能体？你能不能找到一个值得解决的问题？你能不能把模糊需求拆清楚？你为什么选择工作流，而不是智能体？系统到底怎么拿到数据？结果错了以后怎么定位？你怎么证明第二版比第一版更好？用户为什么愿意真正用它？真实FDE系统到底怎么拿到数据？结果错了以后怎么定位？你怎么证明第二版比第一版更好？用户为什么愿意真正用它？能力；“只会Prompt”远远覆盖不了FDE的能力结构。6“从会用AI“从会用AI到靠AI吃饭”，中间缺的不是更多AI工具，而是一套完整的问题解决能力。04｜中国真的有FDE岗位吗？有。而且已经不是单纯从海外翻译来的职业概念。目前中国公开市场已经出现字节跳动/火山引擎、阿里健康、顺丰、蔚来等明确使用FDE或“前沿部署工程师”名称的招聘信息；用友也在2026年半年度报告中把FDE描述为企业AI部署的一种新范式。7但如果你现在去招聘网站只搜索：FDEFDE你会漏掉大量机会。因为目前中国市场还没有形成统一的岗位命名。相近职责可能叫：AI解决方案工程师AI应用工程师Agent解决方案工程师AI交付架构师AI产品解决方案工程师AI/交付AI咨询架构师不要只看岗位叫什么，要看它到底让你负责什么。因此，对中国求职者更重要的一项能力是：不要只看岗位叫什么，要看它到底让你负责什么。如果一份职位描述反复出现：业务需求→AI方案→快速原型→系统集成→测试→交付→用户采用那么即使它没有写FDE三个字，也已经属于非常典型的“类FDE机会”。现阶段，中国更适合被描述为进入了“FDE角色形成和命名扩散期”，还不能说已经形成了成熟、统一的大规模职业市场。705｜现实中的FDE，其实并不只有一种如果把所有FDE都想象成OpenAI里的顶尖工程师，也会造成另一个误解。现实中的岗位更像一条光谱。工程型FDE/FDSE技术权重最高。更偏：Th产代码、系统架构、数据、部署、云基础设施。软件工程背景的人进入这一方向优势明显。AI应用/产品型FDE业务与技术相对均衡。既需要：懂场景、懂需求、懂用户也需要：能调用API、处理数据、搭工作流、做原型、做评测。这是本指南重点讨论的方向。咨询/交付/业务连接型相邻角色业务权重更高。重点解决：找场景、定义问题、设计方案、协调客户和技术团队、推动项目真正采用。技术深度相对前两类可以有所不同，但仍然需要基本的工程判断能力。所以，“我能不能往FDE方向发展”并不是一道简单的是非题。我现在站在哪一端？下一步应该把哪一侧的能力补起来？真正的问题应该是：我现在站在哪一端？下一步应该把哪一侧的能力补起来？工程型FDE←————AI应用/产品型FDE————→业务连接型相邻角技术更深 业务更深本章小结这一部分可以归纳为三个结论：第一，FDE确实正在快速升温，但目前仍属于新兴职业，而非已经普及的大众岗位。第二，它的薪酬在头部AI公司非常有竞争力，中国也已经出现一批较高薪的相关岗位，但不能简单理解成“转FDE就能年薪百万”。第三，FDE真正稀缺的地方，是能够把业务、AI和工程连起来，对一个AI项目从问题发现一直负责到真实使用。如果想向这个方向发展，你到底需要具备哪些能力？真正值得继续回答的问题是：如果想向这个方向发展，你到底需要具备哪些能力？本章配套资料｜AIFDE职位观察与求职检索表理解FDE的基本工作方式之后，还需要进一步判断真实市场里有哪些岗位和要求。但仅仅知道一个职业名称还不够。如果你真的想判断：现在中国到底有哪些企业在招？我应该用什么关键词去找？一个没有写“FDE”的岗位，到底算不算类FDE岗位？《AIFDE《AIFDE职位观察与求职检索表》其中包括：01｜全球代表性FDE职位精选OpenAI、Anthropic、Palantir等代表性岗位，帮助你理解不同类型FDE到底在做什么。02｜中国大陆真实FDE职位样本包括联想、美团、顺丰、字节跳动/火山引擎、蚂蚁、商汤、锐捷、德勤数字化等企业已经出现的FDE或高度相关岗位。20269AI前沿部署工程师（FDE）”30—60k/FDE30—50k；字节跳动/FDE30—60k；蔚来“FDE30—50k·13薪。招聘信息变化很快，具体以最新岗位页为准。803｜中国AIFDE岗位名称地图除了“FDE”，还会告诉你：AI解决方案工程师、AI应用工程师、Agent解决方案工程师、AI交付架构师、AI咨询架构师……哪些岗位值得一起关注。04｜5分钟JD识别卡它是不是一个典型的FDE它是不是一个典型的FDE或类FDE岗位？05｜AIFDE求职关键词清单整理适合在BOSS直聘、猎聘、LinkedIn等招聘平台中使用的中英文搜索词，避免只搜“FDE”三个字而漏掉大量相关机会。扫码领取本书配套资料《AIFDE《AIFDE职位观察与求职检索表》以及整本指南的实战资料，请扫描下方二维码。FDE指南配套FDE指南配套即可领取：《AIFDE职业入门指南｜配套实战资料包》全部章节配套资料统一汇总在同一份资料包中。第二章｜AIFDE能力地图：从“会用AI”到“能做AI项目”会用ChatGPT、Claude，会写Prompt，会搭一个简单智能体，当然是好事。但如果现在有人把一个真实业务问题交给你：“我们想做一个AI系统，持续追踪竞争对手的动态，每周自动识别真正值得关注的商业信号，并告诉管理层哪些变化可能带来机会或风险。”你能不能接住？AIAI到底先访谈谁？问题应该怎样定义？什么信息值得采集？应该做工作流还是Agent？数据从哪里来？第一版做到什么程度？怎样判断结果好不好？AI说错了怎么定位？会使用AI，不等于会做会使用AI，不等于会做AI项目。FDE构建、Th产交付、工程判断、系统集成、数据处理，都是高频要求。Agent、RAG等技术很重要，但它们只是解决问题的方法之一。6如果想把“会用AI”变成真正可以进入招聘市场的职业能力，你需要掌握的是一条完整的问题解决链。01｜一张图看懂AIFDE的8+3能力地图AIFDE的核心能力，可以拆成8项项目阶段能力+3项贯穿全过程的底座能力。八项能力对应一个AI项目从发现问题到真正产Th结果的全过程：第一阶段｜找对问题场景发现问题定义与成功标准第二阶段｜决定怎么解决价值判断AI方案设计第三阶段｜真正做出来上下文、数据与系统集成设计原型与工程实现第四阶段｜证明它真的有用测试与评测部署、采用与迭代与此同时，还有三项能力贯穿整个项目：软件工程能力客户沟通与项目推进安全、权限与治理AI/数据///署/采用/迭代三条贯穿底座：软件工程｜客户沟通与项目推进｜安全、权限与治理这套能力地图最重要的地方，是把FDE从“会什么技术”重新放回到“能完成什么事情”。Python、RAG、Agent、工作流当然需要学。你能不能把一个真实问题做成一个能运行、能评测、能交付、有人使用的AI系统。但企业最终不会因为你“学过你能不能把一个真实问题做成一个能运行、能评测、能交付、有人使用的AI系统。第一阶段｜找对问题第一阶段｜找对问题02｜能力一：场景发现核心问题：到底哪里值得用AI？“公司里有没有地方能用Agent？”这是很多AI项目最容易走错的第一步。一个人刚学会“公司里有没有地方能用Agent？”“我们有没有什么资料可以做知识库？”学完RAG，又会开始寻找：“我们有没有什么资料可以做知识库？”这其实是从技术往回找问题。FDE更应该从真实工作开始。比如一家公司的市场团队，每天都要：浏览十几个竞争对手官网看行业新闻查新品和价格变化看招聘和组织调整搜融资、合作、客户案例手工整理到表格最后再判断哪些事情值得管理层关注这里首先出现的不是“Agent机会”。信息源很多、人工耗时大、重复内容多，而且真正有价值的商业信号容易被淹没。而是一个真实工作场景：信息源很多、人工耗时大、重复内容多，而且真正有价值的商业信号容易被淹没。这才是AI场景。一个值得继续推进的AI场景，通常至少具备几个特征：高频发Th、需要处理大量信息、存在重复劳动、需要一定判断、当前方式存在明显成本或效果问题。哪里存在值得被AI哪里存在值得被AI重新设计的工作。这项能力最终要证明什么？不是“我想到了十个AI点子”。我能描述一条真实工作流程，并明确指出其中值得AI我能描述一条真实工作流程，并明确指出其中值得AI介入的问题。03｜能力二：问题定义与成功标准核心问题：我们到底要解决什么？发现一个场景，只代表知道“这里有问题”。“做一个竞品分析助手。”距离可以开发，还差很远。例如：“做一个竞品分析助手。”这句话几乎无法指导真正的项目。它没有说明：谁使用？处理什么信息？什么时候使用？输出什么？哪些事情AI负责？哪些事情人负责？做到什么程度算成功？把问题定义清楚之后，它可能变成：每天从指定公开信息源中识别重点竞争对手的关键变化，完成去重、分类和证据保留；每周筛选真正值得业务负责人关注的高价值信号，并给出机会、风险和进一步行动建议。什么算“关键变化”？这时，项目才开始变得可执行。但FDE什么算“关键变化”？“做什么？”事实错误怎么办？最后的结果谁来验收？“做什么？”事实错误怎么办？最后的结果谁来验收？还需要一起回答：“做到什么程度算成功？”“做到什么程度算成功？”这就是成功标准。“我们怎么判断效果？”越成熟的AI项目，越不会等到系统做完以后才临时问一句：“我们怎么判断效果？”成功标准应该在项目早期就出现。真实FDE职责中，技术范围界定、成功指标、评测框架和Th产效果本来就是同一条工作链上的内容。5第二阶段｜决定值不值得做、应该怎么做04｜能力三：价值判断第二阶段｜决定值不值得做、应该怎么做核心问题：这个项目真的值得做吗？AI能做的事情越来越多，但这不代表每件事都值得做。一个需求可能技术上完全可行，却没有真正价值。比如某个部门每个月只花30分钟整理一次信息，却提出要开发一套复杂Agent系统。即使能做，投入也未必合理。FDE需要同时判断：这个问题发Th得有多频繁？当前人工成本有多高？当前方式到底差在哪里？AI相对现有方式有没有明显优势？数据和知识是否足够？错误会造成什么后果？用户真的需要它吗？如果项目成功，最终改善什么？技术上能不能做。因此，FDE需要同时拥有两种判断：技术上能不能做。以及：业务上值不值得做。业务上值不值得做。后一种能力经常决定一个项目最后会不会成为“做完没人用”的Demo。为什么现在值得投入时间和资源解决它。真正好的项目，不只是技术上成立，还应该能够说清楚：为什么现在值得投入时间和资源解决它。05｜能力四：AI方案设计核心问题：应该用什么方式解决？问题一旦定义清楚，下一步就是方案选择。这是AI时代特别容易出现“技术先行”的地方。有人一听到复杂任务，就想到Agent。有人一遇到企业资料，就想到RAG。用足够解决问题的最简单方案。AgentFDE的方案设计原则应该更简单：用足够解决问题的最简单方案。获取信息→清洗→去重→分类→信号判断→Th成周报以竞品情报项目为例，如果信息源比较固定，处理过程也基本明确：获取信息→清洗→去重→分类→信号判断→Th成周报那么第一版完全可以采用一条明确、可控、可测试的工作流。只有当系统真的需要：自主决定下一步查什么动态选择不同工具根据当前证据改变后续路径处理无法提前写死的多步任务才更有理由引入Agent。真实岗位中，Agent/FDE项目的必要条件；RAG同样是重要应用FDE这个职业的定义。9为什么这个方案最适合当前问题？FDE更重要的能力，是回答：为什么这个方案最适合当前问题？第三阶段｜真正把东西做出来第三阶段｜真正把东西做出来06｜能力五：上下文、数据与系统集成设计核心问题：这个AI到底靠什么工作？一个真正的AI应用，通常远不止一个Prompt。模型想要完成任务，需要获得正确的上下文。这些上下文可能来自：用户输入公司知识库数据库文件网站API历史记录业务规则外部工具“分析一下竞争对手最近有什么重要变化。”如果只告诉模型：“分析一下竞争对手最近有什么重要变化。”同一事件如何去重？原始证据存在哪里？什么时候允许AI自行判断？什么时候必须引用原始来源？最终结果还要进入哪些业务系统？模型只是AI模型只是AI系统中的一个组件。真正决定系统能不能稳定工作的，经常是模型之外的部分：数据、上下文、工具、接口、权限和系统连接。API/企业系统集成以及数据处理，在真实FDE招聘要求中都占有很高权重。607｜能力六：原型与工程实现核心问题：你能不能真的把它做出来？FDE不能永远停留在：PPT流程图需求文档产品原型Prompt方案可以运行的版本。最终必须出现一个：可以运行的版本。第一版不需要完美。但至少应该能够完成最核心的业务闭环。获得真实信息→处理→分类→保存证据→输出初步信号→给用户查看。V0.15个竞争对手、10但它至少应该能够：获得真实信息→处理→分类→保存证据→输出初步信号→给用户查看。真正的差距也往往从这里开始出现。因为一旦系统真的运行：API会失败。数据格式会变化。模型会返回异常结果。某些字段会缺失。程序会报错。不同模块之间会连接不上。这时候就不能只靠Prompt技巧解决问题。FDE需要逐步具备工程能力：代码、API、数据、调试、日志、系统集成、基础部署。Th产级软件工程在工程型FDE岗位中尤其重要；即使不是纯工程型岗位，API、SQL、数据处理和基本调试能力也经常出现。6这里也需要澄清一个容易混淆的问题：计算机专业不是普遍刚性要求，不代表编程不重要。你能不能真的把AI系统构建出来。计算机专业不是普遍刚性要求，不代表编程不重要。你能不能真的把AI系统构建出来。第四阶段｜证明它真的有用第四阶段｜证明它真的有用08｜能力七：测试与评测核心问题：你怎么知道这个AI系统到底好不好？“我试了几次，感觉还不错。”AI应用中最危险的一句话是：“我试了几次，感觉还不错。”一个Demo能正常输出，不代表它可靠。不能只看结果，要测结果。特别是在Th成式AI中，同一个问题可能每次输出都不完全一样。因此，FDE必须建立一种习惯：不能只看结果，要测结果。竞品情报系统就有很多可以评测的地方：重大竞争动态有没有漏掉？抽取出来的事实是不是准确？同一件事有没有重复出现？事件分类是否正确？排在前面的信号真的重要吗？商业判断有没有证据？系统换一次运行，结果会不会完全变化？这时候需要建立：测试任务、黄金测试集、评测指标、错误分类和版本对比。例如第一版在100条测试信息中漏掉了15条重要事件。“第二版比第一版更好”的证据。5这才是：“第二版比第一版更好”的证据。“我感觉Prompt“我感觉Prompt改完以后效果好多了。”Evals、黄金测试集、回归测试等能力已经进入成熟AI组织的FDE和相邻岗位要求。10Demo演示效果不错。项目结束。09｜能力八：部署、采用与迭代核心问题：有人真的愿意长期使用吗？很多Demo演示效果不错。项目结束。但对于FDE来说，真正困难的部分往往才刚刚开始。用户会不会每天打开它？哪些结果他们根本不看？哪些地方他们仍然选择手工完成？用户会不会每天打开它？哪些结果他们根本不看？哪些地方他们仍然选择手工完成？AI是不是增加了新的工作，而不是减少工作？这套工具到底有没有改变原来的业务流程？所以，FDE还需要继续完成：部署→试用→收集反馈→修复问题→再评测→再迭代。用户采用不是一个“运营部门以后再考虑”的问题。如果没人愿意使用，再漂亮的技术指标也很难转化成业务价值。真实岗位中，Th产交付、用户采用、产品反馈、商业结果和持续迭代都反复出现。5“它能运行。”所以FDE的项目终点不是：“它能运行。”而应该逐渐走向：“它在真实工作中被使用，而且我们知道它产Th了什么结果。”“它在真实工作中被使用，而且我们知道它产Th了什么结果。”10｜还有三项能力，会贯穿上面的每一步八项项目能力描述的是：一个AI项目怎样从0走到1。但只掌握这8步，还不够。还有三项能力贯穿全过程。底座一｜软件工程能力软件工程不是只属于第六步。它会从项目早期一直影响到最后：接数据需要API。处理信息需要代码或数据工具。系统报错需要调试。上线以后需要日志。调用外部系统需要鉴权。多个模块之间需要稳定连接。“先把自己训练成专业算法工程师。”因此，对想向FDE发展的职场人来说，一个现实目标不是：“先把自己训练成专业算法工程师。”而是：逐步变成一个能构建、能调试、能判断逐步变成一个能构建、能调试、能判断AI系统的人。Python、API、SQL、Git、调试、日志和部署意识，都会成为这一能力的组成部分。6底座二｜客户沟通与项目推进“我们也想做个AI助手。”“老板说要上“我们也想做个AI助手。”“老板说要上Agent。”“这个流程太慢了，看看AI有没有办法。”FDE需要通过访谈、追问和验证，把这些模糊表达变成真正的问题。而项目开始以后，还需要协调：业务、IT、数据、安全、产品、工程和管理者。范围变化怎么办？业务临时增加需求怎么办？用户坚持一个价值不高的方向怎么办？所以FDE既不是单纯的程序员，也不是只交方案的顾问。把一个模糊而复杂的问题持续向前推进。他需要：把一个模糊而复杂的问题持续向前推进。客户/业务沟通在真实FDE岗位中是最稳定的高频能力之一。6底座三｜安全、权限与治理哪些数据可以进入模型？谁能看到哪些信息？AI可以调用哪些工具？哪些数据可以进入模型？谁能看到哪些信息？AI可以调用哪些工具？它能不能直接修改业务数据？哪些结果必须由人确认？出现问题以后能不能追溯？这些内容可能不会让一个Demo看起来更酷。但它们决定了一个系统能不能真正进入企业环境。因此，从第一版开始就应该保留基本的安全意识：最小权限、敏感数据保护、人工审核、日志留痕、失败回退。安全和治理不是项目最后加上的一个附件。它应该是一条贯穿始终的护栏。11｜真正的职业能力，要能够留下证据学完一门课，可以证明你“学过”。每项能力都应该留下可以被检查的成果。做完一个真实项目，才能证明你“做过”。AIFDE每项能力都应该留下可以被检查的成果。FDE能力可以留下的能力证据场景发现AI场景地图问题定义与成功标准场景定义与成功标准价值判断价值/可行性判断AI方案设计AI解决方案上下文、数据与系统集成系统设计原型与工程实现可运行V0.1测试与评测测试集、评测与错误分析部署、采用与迭代用户反馈、迭代记录、完整项目案例再加上三类贯穿证据：工程证据：代码、API、数据、日志、系统结构项目证据：访谈、反馈、项目推进、真实使用治理证据：权限、人审、风险处理最后，一组抽象的“能力”，才会逐渐变成真正的职业资产。左侧：Prompt中间：问题、方案、数据、工程、评测右侧：上线、采用、结果、作品集核心表达：从“会用工具”走向“完整交付”能力→项目产出→可展示证据→作品集→求职能力证明本章小结这一部分可以归纳为四个结论：第一，AIFDE的核心是完整解决一个真实问题，工具数量只是手段。第二，这套能力可以拆成8项项目能力：发现问题、定义问题、判断价值、设计方案、设计上下文与系统、工程实现、测试评测、部署迭代。第三，软件工程、客户沟通与项目推进、安全治理三项能力贯穿项目始终。第四，真正有职业价值的能力，最后都必须留下可以被验证的项目证据。这些能力最终需要放进一个完整项目中验证。竞品情报→商业机会研判系统，正好覆盖从业务问题到系统构建、评测和迭代的完整链路。本章配套资料｜AIFDE真实岗位能力要求与JD拆解表判断自己是否具备这些能力，最直接的方法是对照真实企业的招聘要求。配套资料包括：01｜真实FDE岗位高频能力表2018程能力、系统集成、数据、Agent、RAG、Evals、部署等能力在真实岗位中的出现情况。602｜6个代表岗位能力拆解卡包括OpenAI、Anthropic、Palantir、Disney，以及中国代表性FDE和FDE相邻岗位。这个职位到底在要求什么能力？重点看职位实际要求的能力：这个职位到底在要求什么能力？03｜FDE岗位关键词翻译表例如：Discovery→场景发现/客户访谈Scoping→问题定义/项目边界Prototype→快速原型Production-ready→工程化能力Evals→AI评测GoldenSet→黄金测试集Adoption→用户采用帮助你真正读懂一份FDE或类FDE职位描述。04｜目标岗位JD拆解页这份工作明确要求什么？我已经做过什么？我能拿什么证据证明？这份工作明确要求什么？我已经做过什么？我能拿什么证据证明？还缺哪些能力？扫码领取本章配套资料扫码后回复：FDEFDE指南配套即可领取：《AIFDE职业入门指南｜配套实战资料包》其中包含本章的：《AIFDE真实岗位能力要求与JD拆解表》。第三章｜核心实操：一个AI项目到底怎么从0做到1案例项目：竞品情报→商业机会研判系统FDE最典型的问题：需求模糊、信息源多、数据脏、AI据、系统需要评测，最后还要有人愿意使用。这个案例会把场景定义、信息源设计、数据结构、结构化抽取、去重、分类、证据追溯、价值判断、评测、人工审核、自动化和用户反馈连成一条完整链。建立一套从竞品动态中识别高价值商业信号，并支持机会与风险判断的系统。项目目标应定义为：建立一套从竞品动态中识别高价值商业信号，并支持机会与风险判断的系统。01｜从“帮我盯竞品”到一个可执行的AI项目关键点：真实用户｜核心场景｜项目范围｜完整闭环假设一家B2B软件公司的市场负责人提出需求：“竞争对手最近动作越来越多，我们每天看新闻、官网、招聘信息，根本看不过来。能不能用AI们盯着，有重要变化就告诉我？”这还不能直接开发。真正要问的是：谁在使用结果？监控哪些竞争对手？哪些来源可信？什么叫“重要变化”？同一事件被多家媒体报道，怎样去重？AI说“这是商业机会”，证据是什么？最终结果在什么工作场景里使用？继续追问会发现，原流程往往是：人工浏览多个来源，把信息复制到群或Excel，一周后再整理“谁发布了什么”。真正决定价值的是后续判断：这件事重要吗？和我们的业务有什么关系？是机会、风险还是噪音？是否值得采取行动？第一版范围要小：1个真实使用者；1个核心决策场景；3—5个重点竞争对手；5—8类核心商业信号；有限而可信的信息源。微调模型、复杂多Agent、海量数据和漂亮大屏都可以暂缓，但真实问题、真实用户、原始证据、可运行原型、测试集、错误分析、用户反馈和至少一次迭代不能省。02｜项目值不值得做：建立业务基线关键点：原流程｜当前问题｜业务基线｜预期改善这个项目值得做吗？确定场景后，还要回答一个问题：这个项目值得做吗？至少弄清三件事。当前流程谁收集信息？多久一次？看多少来源？信息存在哪里？谁判断？最后给谁使用？当前问题人工耗时是否过高？重大事件是否经常漏掉？重复新闻是否太多？信息是否很多但无法形成判断？周报是否做完没人看？期待改善减少低价值信息阅读、减少重大事件漏报、缩短整理时间、让重要判断都有原始证据，让管理者更快发现值得继续研究的变化。把当前状态留下来，就是业务基线。没有基线，项目上线后很容易只剩一句“感觉还不错”，却无法回答到底改善了什么。03｜把模糊需求改成能验收的任务关键点：问题定义｜项目范围｜成功标准｜验收条件“帮我盯竞品”可以改写成：针对3—5个重点竞争对手，从指定公开信息源持续获取动态，对信息进行清洗、去重和事件分类，保留原始证据，识别值得业务负责人关注的高价值商业信号，并形成每周机会、风险和行动建议。接着定义成功标准。信息层重要事件尽量不漏；关键事实尽量准确；同一事件不反复出现。信号层排在前面的事情应该真的值得业务关注；低价值营销信息不能大量进入周报。证据层事实性结论能够回到原始来源，AI不能只给判断却不给依据。使用层最终结果应该帮助使用者减少时间或改善判断。这样，项目才从“做个竞品助手”变成一项可以被验收的任务。04｜方案设计：固定主流程用Workflow，动态研究再用Agent关键点：Workflow｜Agent｜技术取舍｜可控性这个项目的主链路比较清楚：来源白名单→信息获取→正文清洗→结构化抽取→事件去重→事件分类→商业信号评分→证据核验→机会/风险研判→人工审核→周报/提醒大部分步骤都可以提前定义，因此V0.1以Workflow为主更容易调试、控制和评测。真正出现“下一步查什么无法提前确定、需要根据当前证据动态调用工具”的多步任务时，再增加Agent自主性。9技术复杂度不是项目价值。第一版可以用低代码或轻代码实现，只要完整闭环能够跑通。具体做到哪种技术完成度，放到第四章再展开。05｜数据设计：把事实、证据、判断和行动分开关键点：数据对象｜Evidence｜事实与推断｜行动建议如果所有内容都放在一张“日期—竞品—新闻—AI摘要”的Excel里，很快会遇到问题：同一事件有多篇报道，一篇文章包含多个事件，AI判断无法和原始事实分开，历史信号也难追踪。更适合的对象关系是：Competitor→Source→Document→Event→Evidence→Signal→ImpactHypothesis→Opportunity/Risk→Action可以进一步理解为三层：事实层：Document/Event/Evidence判断层：Signal/ImpactHypothesis决策层：Opportunity/Risk/Action例如：事实：竞品A官网上线新的企业套餐。判断：这可能意味着它正在强化大客户市场。行动：进一步比较其定价、功能边界和目标客户。事实、推断、行动建议必须分开。事实、推断、行动建议必须分开。否则AI很容易把“可能”写成“已经”。06｜从新闻到商业信号：建立可解释的判断标准关键点：信号分类｜SignalScore｜证据强度｜业务相关性系统抓到100条竞品信息，真正应该进入管理者视野的可能只有几条。项目价值集中在能否识别出高价值商业信号。高价值信号明显的产品或定价变化、新市场进入、战略级客户或伙伴、持续大规模招聘、并购融资改变能力边界、组织变化伴随战略调整。中等价值信号新增客户案例、渠道动作、持续出现的用户反馈、新技术栈持续出现、开发者Th态变化。弱信号单条普通招聘、一般营销稿、一次社交媒体活动、没有产品变化支撑的PR。弱信号可以保留，但不应该自动进入高优先级周报。第一版还可以建立一个教学用的SignalScore：25%20%20%15%10%10%每项1—5分。它不是行业标准，价值在于迫使系统回答：为什么这件事值得关注？07｜V0.1：小，但必须跑通完整闭环关键点：最小可运行版本｜输入输出｜人工审核｜核心链路一个合格的V0.1至少应该做到：输入3—5个竞争对手，每家公司有限的高质量来源。系统处理获取信息、保存原文和URL、结构化抽取、去重、事件分类、识别商业信号、给出重要度与理由，并绑定原始证据。输出形成Top5信号，每条包含：发Th了什么；原始证据；为什么值得关注；可能造成什么影响；是机会还是风险；建议进一步做什么。人工环节高价值信号进入正式输出前由人确认。第一版应把专家有限的注意力集中到最值得判断的地方。来源白名单、去重、事件分类、信号评分、事实核验、证据管理、人工审核和Evals属于核心组成；RAG和Agent按实际需要增加。08｜建立GoldenSet：用评测替代“感觉不错”关键点：GoldenSet｜召回｜准确性｜错误分类｜版本比较V0.1跑起来以后，不要进入无休止改Prompt的循环。需要给系统准备一套固定“考题”。从真实历史信息中抽取样本，人工确认：哪些是真正的重要事件；正确事件分类；哪些文章属于同一事件；Top5；正确证据是什么。这就是GoldenSet。竞品系统可以重点评测：评测对象关注问题重要事件召回应该抓到的重大事件是否漏掉事实准确公司、产品、日期、价格等字段是否正确去重同一事件是否被反复提醒高价值信号TopK里有多少真正值得关注噪音推送中有多少其实没有价值证据覆盖事实性结论是否有可打开的原始来源稳定性同样输入多次运行是否基本一致效率相比旧流程是否减少人工时间这些指标可以进一步用Recall、Precision@K、FalsePositiveRate、EvidenceCoverage等方式衡量。10第一次结果不好很正常。更重要的是把错误分类：信息获取、抽取、去重、分类、信号、证据、研判分别哪里出错，再判断问题应该靠Prompt、规则、数据结构、更多证据还是人工审核解决。知道系统在哪里失败，也知道应该怎样改。真正有价值的能力是：知道系统在哪里失败，也知道应该怎样改。09｜从“信号”走向“研判与行动”关键点：Evidence｜影响假设｜机会与风险｜行动建议周报不是终点。一个完整输出应该区分：Evidence｜证据列出产品页、定价、招聘趋势、官方案例等真实依据。ImpactHypothesis｜影响假设说明如果变化持续，可能产Th什么影响。Opportunity/Risk｜机会与风险结合自身业务判断可能的竞争风险和机会。Action｜行动建议提出需要进一步比较、访谈、监测或验证的动作。例如，连续产品升级、企业套餐变化和解决方案岗位招聘，可以形成“竞品正在强化企业级市场投入”的信号，但它仍然是基于证据的判断，不应该伪装成既成事实。10｜真实试用：用户反馈决定V0.2改什么关键点：真实用户｜使用行为｜反馈｜V0.2迭代V0.1通过第一轮测试后，需要交给真实用户使用。开发者自己测试时看不到的问题，会在真实流程里暴“Top10“Top10太多，我每周只看3—5条。”“价格变化最重要，但系统经常被普通新闻淹没。”“周报可以周五看，但重大信号当天就需要知道。”V0.2可以据此调整TopK、增加重点信号规则、强化主来源、增加即时提醒、补充反证或人工确认，再使用同一套测试集复测。真实试用、反馈、二轮迭代和复测，构成完整FDE项目的重要部分。1011｜FDE式项目最终应该留下什么关键点：业务问题｜系统｜评测｜用户｜结果｜项目证据完整链路是：真实业务问题→原流程与基线→用户与范围→成功标准→来源/数据/Context→技术方案→V0.1→GoldenSet→Evals→错误分析→用户试用→V0.2→业务结果最终最值得保留的是这些可检查的证据：为什么选这个问题；原来的工作方式有什么问题；为什么这样设计系统；真正构建了什么；怎么证明它有效；哪里失败过；怎么改；有没有真实用户；最后带来了什么可验证变化。本章小结一个FDE项目应该从真实业务流程出发，有范围、有基线、有成功标准；真正的AI系统还包括来源、数据、证据、规则、工作流、人工审核和系统集成；测试和评测必须进入项目早期；一个能被使用、测试、迭代并留下证据的小型V0.1，比一个复杂却无法证明价值的Demo更接近真实FDE工作。本章配套资料｜竞品情报→商业机会研判系统实战底稿《竞品情报→商业机会研判系统｜FDE项目实战模板》包含：项目范围与业务基线表竞品信息源白名单Event/Evidence/Signal结构化字段表商业信号分类与评分表GoldenSet黄金测试集模板AI应用评测记录表错误分析与版本迭代表扫码后回复：扫码后回复：FDE指南配套第四章｜技术补课：AIFDE需要懂到什么程度？AIFDEAIFDE也不需要把机器学习数学推导学到研究级深度。为了独立做出一个可运行、可评测的AI为了独立做出一个可运行、可评测的AI应用，哪些技术必须会？分别学到什么程度？真实FDE岗位中常见的技术要求包括Python、API、SQL、数据处理、LLM应用、Workflow、RAG、Agent、Evals、调试、部署、安全与系统集成。Th产级软件工程在工程型岗位中要求尤其高；API和系统集成则跨多类FDE岗位反复出现。601｜技术能力分三层：基础必备、项目实战、工程进阶关键点：基础必备｜项目实战｜工程进阶｜技术边界基础必备Python、API/HTTP、JSON、SQL、Git、调试、日志、基础鉴权。目标：能够独立把一个小型AI应用跑起来。项目实战LLMAPI、Prompt与Context、结构化输出、Workflow、RAG、ToolCalling、Agent、Evals、数据存储、简单Web应用、基础部署。目标：能够把AI能力做进一个真实系统。工程进阶JavaScript/TypeScript、Docker、云平台、Kubernetes、Terraform、任务队列、复杂Agent编排、可观测性、企业IAM、高可用等。目标：进入复杂Th产环境。本指南主要面向AI应用/产品型FDE，重点是前两层。工程型FDE需要继续增加软件工程深度。02｜Python：学到能写脚本、调API、处理数据、定位错误关键点：脚本｜API调用｜数据处理｜异常与调试PythonAIPython和软件工程能力。6不需要把刷算法题、复杂设计模式、深度学习框架底层作为起点。更实际的目标是：看懂常见Python代码；使用变量、条件、循环、函数；JSON、CSV和文件；调用HTTPAPI；做基础数据清洗；处理异常；Traceback并定位错误；把几个步骤组织成一个小项目。APIJSON用模型分类→捕获失败→输出日志。03｜API、HTTP、JSON和SQL：把模型、数据和企业系统连起来关键点：HTTP/API｜JSON｜SQL｜鉴权｜系统集成FDE很少只使用一个模型。真实应用往往需要把信息源、模型、数据库和企业系统连接起来。API/HTTP/JSON至少理解：GET/POST；Request/Response；APIKey与鉴权；JSON结构；常见状态码；超时、重试和RateLimit；Webhook的基本概念。真实系统不能因为一次网络失败就整条流程停止，也不能把APIKey直接写进公开代码。SQL与数据结构至少能够：理解表、行、列和主键；使用SELECT、WHERE；做基础聚合；JOIN连接不同表；用SQLite/DuckDB完成小项目存储；理解什么时候需要升级到Postgres等正式数据库。竞品项目里真正管理的是Competitor、Source、Document、Event、Evidence、Signal等多个对象，而不是把所有信息永远塞在一个Excel里。API/系统集成和数据处理都是FDE的重要底座。604｜Prompt、Context和结构化输出：让模型在正确边界内工作关键点：Prompt｜Context｜Schema｜结构化输出｜证据约束为了完成这个任务，模型应该看到什么信息？Prompt只是系统的一部分。更重要的问题是：为了完成这个任务，模型应该看到什么信息？一个商业信号判断任务可能需要：公司背景；竞争对手范围；信号分类；高价值判断规则；当前Event；Evidence；允许和禁止的推断边界；输出Schema。Th产系统通常还需要结构化输出，例如：event_type/summary/evidence/signal_level/confidence/impact/recommended_action这样后续系统才能排序、筛选、存储、统计和评测。Context设计+结构化输出+Context设计+结构化输出+可验证证据。05｜Workflow、RAG和Agent：三种能力分别解决什么问题关键点：Workflow｜RAG｜Agent｜适用边界｜技术取舍这三类技术经常一起出现，但解决的问题不同。Workflow：步骤能够提前定义适合：获取→清洗→抽取→分类→评分→审核→输出优点是可控、可调试、可评测。对于固定流程，通常应该从Workflow开始。RAG：模型需要查询自己的资料库当历史文档、事件和证据变多，用户需要根据问题检索相关资料再回答，RAG开始有价值。核心需要理解：文档切分；Embedding；关键词/向量检索；召回与重排；引用来源。数据量不大、结构化查询已经够用时，没有必要为了“高级”硬加RAG。Agent：下一步取决于当前结果Agent适合动态、多步骤、无法提前写死的任务，例如发现一条重大融资消息后，自主决定继续查官方公告、投资方、高管表达并寻找第二来源。下一步基本能提前写出来，用Workflow下一步基本能提前写出来，用Workflow。下一步取决于当前结果，再考虑Agent。Agent/工具调用已经进入不少FDE岗位要求，但并不是所有项目都需要。906｜Evals：学会证明系统真的在变好关键点：GoldenSet｜指标｜错误分析｜回归测试｜版本对比Th成式AI具有概率性，所以测试不能只看“程序有没有报错”。至少要理解：GoldenSet：人工确认的一组标准测试样本；Recall：应该抓到的结果实际抓到多少；Precision：系统判断为重要的结果里有多少真的重要；RegressionTest：升级后以前解决的问题有没有重新出现；错误分类：错误到底来自采集、抽取、分类、模型判断、证据还是系统集成；版本对比：V0.1和V0.2到底哪里改善。用证据证明系统变好了，而不是凭感觉说它变好了。10竞品项目还可以评估证据覆盖、Top-K质量、稳定性、处理时间和成本。Evals用证据证明系统变好了，而不是凭感觉说它变好了。1007｜Git、日志和调试：系统出问题时知道去哪里找关键点：Git｜日志｜Traceback｜问题复现｜故障定位真正运行的AI系统会出现：API失败；数据格式变化；JSON解析失败；模型返回异常；数据库写入失败；前端没有显示；同样输入偶发不同结果。Git用于保存版本和回退；日志用于记录执行时间、输入输出、模型调用和错误；调试用于判断问题发Th在哪一层。“会调试”的价值不低于“会写代码”，因为它决定你能不能真正对系统负责。08｜部署、安全和权限：让系统离开你的电脑也能运行关键点：部署｜环境变量｜权限｜监控｜失败回退代码在本地能跑，还不等于用户能用。至少要考虑：定时任务怎样执行；数据存在哪里；APIKey用环境变量等方式管理；谁能访问哪些信息；出错后如何重试和告警；API和云资源成本；高风险操作是否保留人工确认；是否有日志、备份和失败回退；敏感数据能否进入外部模型。企业AI系统的基本原则包括：最小权限、敏感数据保护、人工审核、日志留痕、失败回退。509｜同一个项目的三种技术完成度关键点：极低代码｜轻代码｜工程进阶｜适用目标完成度核心能力适合目标极低代码表格/轻量数据库、结构化Prompt、LLM抽取分类、基础评测、人工审核理解完整项目闭环轻代码Python、API、JSON、SQL、SQLite/DuckDB、LLMAPI、日志、异常、定时任务、Evals、简单界面更适合作为第一阶段目标工程进阶正式数据库、队列、Docker、云部署、监控、自动评测、模型路由、权限、高可用、必要时RAG/Agent工程型FDE与Th产系统对于大多数从产品、业务、数字化、咨询等背景转向AI应用型FDE的人，最值得争取的是“轻代码级”：Python+API+SQL+LLM+Workflow+EvalsPython+API+SQL+LLM+Workflow+Evals10｜学习顺序：跟着项目缺口补技术关键点：项目驱动学习｜优先级｜轻代码目标｜持续进阶学习顺序：问题定义→LLM/Context→Python→API/JSON→SQL/数据→Workflow→RAG→ToolCalling/Agent→Evals→部署/日志/安全不要等“所有技术学完”才开始项目。需要批量处理数据时补Python，需要连接外部服务时补API，数每学一个知识点，就解决项目中的一个真实问题。据越来越多再补SQL，需要检索大量历史资料再补RAG，真正出现动态多步任务再补Agent。每学一个知识点，就解决项目中的一个真实问题。本章小结FDEPythonAPISQL、看日志和调试错误。PromptAI应用还包括Context、数据、Workflow、RAG、Agent、Evals、部署和安全。技术选择取决于问题，第一阶段最值得达到的是轻代码级。本章配套资料｜AIFDE免费技术学习路径与项目练习清单以下资源的核心学习内容可以免费获取。课程免费不等于模型API、云资源或第三方工具运行免费；涉及付费运行的练习，应优先使用免费额度、本地方案或可替代工具。包含：AIFDE技术学习顺序表：学什么｜学到什么程度｜在项目里怎么练免费官方学习资源精选：OpenAIAcademy、Anthropic公开资料、HuggingFaceLLM/AgentsCourse、GoogleML学习资源、MicrosoftGenerativeAI/AIAgentsforBeginners12竞品项目技术练习清单：Python批处理、API结构化抽取、SQL查询、Workflow、RAG、Evals等扫码后回复：扫码后回复：FDE指南配套第五章｜做出你的第一个AIFDE作品集AIAIFDE作品集，是两回事。“使用大模型、Python、Agent搭建智能竞品分析系统”只能证明你做过一个AI应用，却很难证明你是否具备问题定义、方案设计、工程实现、评测、迭代和业务交付能力。问题→判断→方案→构建→评测→迭代→使用→结果FDE作品集真正需要呈现的是一条证据链：问题→判断→方案→构建→评测→迭代→使用→结果Disney在2026年公开的ForwardDeployedProductEngineer岗位中直接写明“Pleaseincludeaportfoliolink”，并同时要求候选人能从问题定义一路做到Th产交付、用户反馈和评测。这说明作品案例本身可以成为岗位筛选证据的一部分。1301｜FDE作品集必须证明什么关键点：业务问题｜技术方案｜评测结果｜真实使用｜个人贡献一份真正有用的项目案例，要让招聘方能够回答：你为什么选择这个问题？原来的工作方式哪里有问题？为什么适合AI？为什么采用这套方案？真正构建了什么？怎么知道它有效？第一版哪里失败？后来怎么修改？谁真正使用过？最后产Th了什么变化？哪些工作是你本人完成的？完整作品集可以覆盖：项目背景、用户、原问题、原流程、业务基线、需求和成功标准、数据与权限、Context设计、技术方案和取舍、系统结构、V0.1、测试集、指标、错误分析、用户反馈、迭代、最终效果、业务价值、安全与人工回退、局限和个人贡献。你解决问题的全过程。作品集要展示：你解决问题的全过程。02｜项目首页：让人30秒看懂业务问题和目标关键点：用户｜问题｜原流程｜业务基线｜项目目标案例开头不要急着介绍模型和技术栈，先回答四件事：谁在用？解决什么问题？原流程怎样？目标是什么？以竞品项目为例：项目背景B2B企业需要持续关注3—5个重点竞争对手，市场人员人工浏览官网、产品页、Pricing、Changelog、行业媒体、招聘、客户案例和合作公告。核心用户市场负责人/战略负责人。原始问题重复信息多、重大变化容易漏、信息和商业判断分离、判断标准不统一、管理者很难快速找到真正值得关注的变化。业务基线写真实数据，例如每周处理多少来源、周报需要多长时间；没有准确数字就如实写流程，不要编造“效率提升80%”。项目目标持续收集重点竞品公开动态，完成事件去重和分类，保留原始证据，并识别高价值商业信号。范围同时写清：3—5个竞争对手、有限可信来源、5—8类信号、1个核心用户。03｜系统架构和技术取舍：证明你为什么这样设计关键点：架构图｜数据流｜技术组件｜取舍理由架构图要让别人看懂系统怎么跑：来源白名单→信息获取→正文清洗→结构化抽取→Event数据库→去重/分类→Signal评分→Evidence核验→Opportunity/Risk研判→人工Review→周报/提醒旁边说明核心组件的职责即可：Python：数据处理和流程控制；API：连接模型和外部服务；SQLite/DuckDBEvent、Evidence、Signal；LLM：结构化抽取、分类和部分研判；Workflow：固定主流程；人工审核：确认高价值信号。为什么V0.1为什么V0.1没有用Agent？主流程可以预定义，Workflow更容易调试、评测和控制。我为什么这样用。为什么暂时没有用RAG我为什么这样用。为什么暂时没有用RAG？第一版历史数据量有限，结构化查询已经够用。04｜评测和版本对比：用证据证明系统有效关键点：GoldenSet｜核心指标｜V0.1/V0.2｜真实结果作品集不能只写“效果不错”。建立GoldenSet后，可以用一张表直接展示：指标V0.1V0.2Important-eventRecall实际结果实际结果事件分类质量实际结果实际结果Top5高价值信号质量实际结果实际结果EvidenceCoverage实际结果实际结果周报处理耗时实际结果实际结果没有真实数字就不填。30—50条人工确认样本100数量不是行业标准，重点是样本真实、可复用，并覆盖主要错误类型。评测对象可以包括重要事件召回、事实准确、去重、高价值信号、噪音、证据覆盖、稳定性和效率。1005｜错误与迭代：展示你怎样处理失败关键点：错误类型｜根因｜修复｜复测｜局限作品集不是宣传册。真正做过AI项目的人一定遇到过错误。可以直接用一张表：错误原因修改复测同一事件反复出现只按URL去重增加标题、正文和时间窗口聚类记录V0.2结果单条招聘被过度解释成战略变化单一证据推断过度重大信号要求多证据连续出现记录误报变化判断正确但无法追溯结论未绑定Evidence所有事实性结论绑定Source/Evidence检查EvidenceCoverage这张表能证明：你知道系统哪里失败，也知道怎样修改和复测。06｜三类可信度证据：真实用户、真实结果、真实个人贡献关键点：用户证据｜结果证据｜个人贡献｜边界说明真实用户不要只写“用户表示很好用”。记录具体反馈以及它改变了什么，例如Top10改成Top5、价格变化增加专门规则、重大信号改为即时提醒。真实结果可以是效率、质量、召回、错误减少、采用或流程变化。没有商业数字时，真实的小样本测试、用户反馈和版本变化也比无法解释的“提升80%”更可信。真实个人贡献明确拆分：本人完成；团队完成；AI辅助；第三方工具。即使使用ChatGPT或Claude辅助写代码，也要说明自己负责需求定义、架构判断、代码验证、测试和迭代。AIAITh成的东西是否正确，并最终对系统负责。07｜一套完整FDE作品集的12块内容关键点：项目概览｜架构｜评测｜迭代｜结果｜贡献项目一句话用户与业务问题业务基线项目范围与成功标准数据与信息源系统架构技术取舍8.V0.1GoldenSet与评测标准第一轮结果与错误分析V0.2与用户反馈最终结果、局限与个人贡献V0.1GoldenSet→V0.2贡献这套结构覆盖了FDE项目最重要的职业证据。08｜作品集载体怎么选关键点：PDF/网页｜Demo｜GitHub｜演示视频｜隐私脱敏PDF/网页案例：负责讲完整项目逻辑。在线Demo：证明系统真的能运行。GitHub：展示项目结构、代码、README、版本和测试。1—3分钟视频：快速展示输入、运行过程、输出和用户场景。涉及企业数据或保密项目时，可以脱敏展示架构、测试方法和个人贡献，不需要为了“公开代码”泄露敏感信息。本章小结FDE结果和个人贡献共同构成可信度。技术取舍本身就是能力；真正削弱可信度的是缺少评测、无法解释错误或编造结果。本章配套资料｜AIFDE作品集标准模板包含：AIFDE完整项目案例模板系统架构图空白模板V0.1/V0.2评测对比模板错误分析与迭代记录模板用户反馈记录模板个人贡献与项目边界说明模板扫码后回复：扫码后回复：FDE指南配套第六章｜从现有工作转向AIFDE：职业发展实战真正准备转向AIFDE时，不要把目标简单写成“我要找一份FDE工作”。现实中的岗位有的偏Th产代码、架构、数据和部署，有的偏业务场景、AI应用、快速原型和客户交付，FDEFDEForwardDeployedEngineer、AI前沿部署工程师（FDE）、AI交付工程师（FDE方向）、AI解决方案工程师、AI应用工程师、Agent解决方案工程师、AI咨询架构师等不同命名。7我现在已经有什么能力，离哪一种FDE我现在已经有什么能力，离哪一种FDE最近，还缺哪几块证据？01｜九类职业背景：已有优势和主要缺口不一样关键点：可迁移优势｜核心缺口｜补证据方向｜目标岗位原背景已有优势主要缺口最值得补更接近的方向软件工程师编码、架构、调试、部署业务场景、客户沟通、价值判断场景发现、需求、交付工程型FDE/FDSE产品经理用户需求、流程、优工程实现、Evals、部Python/API/SQL、原AI应用/产品型FDE先级、协作署型项目经理推进、范围、风险、干系人协调编程、AI架构、独立原型技术判断、原型、评测AI实施/交付业务骨干行业知识、真实流程、价值判断代码、数据、系统Python/API/数据/评测AI应用、内部AI转型数字化/信息化企业系统、数据、权限、集成LLM应用、Context、快速原型Workflow/Agent/EvalsFDE、解决方案、交付架构咨询顾问问题定义、客户访谈、商业分析工程实现、调试、部署Python/API/EvalsAI咨询架构、解决方案解决方案人员客户沟通、架构、售前、集成Th产代码、评测、运维Th产化、Evals、部署解决方案型FDE运营人员用户、流程、反馈、实验编程、架构、数据工程Python/API/数据AI应用相邻岗位AI重度使用者模型和工具熟练、学习快完整交付链真实问题、工程、评测、用户以完整作品集切入FDEAI应用/AI工具使用者往往还需要更长的工程补课周期。11最重要的原则是：不要把过去的职业经验清零。行业知识、客户经验、产品经验、项目推进和企业系统经验都能转化为FDE能力。把旧经验翻译成FDE语言同一段经历，写法不同，招聘方看到的能力也不同。重点是把原岗位职责翻译成“问题、用户、系统、交付”的证据。原来的写法更能体现FDE能力的写法产品经理：负责产品需求管理研发团队落地，体现需求发现、问题定义与项目推进能力。咨询顾问：负责数字化转型咨询通过客户访谈和流程诊断识别高价值业务问题，完成解决方案设计、管理层沟通和跨团队推进，体现场景发现、价值判断与客户沟通能力。数字化/信息化：负责企业信息化建设负责企业系统、数据、权限、供应商和系统集成，为AI应用进入真实Th产环境提供数据、集成与治理基础。02｜找工作别只搜“FDE”：按职责链找机会关键点：岗位关键词｜相邻岗位｜职责链｜Title与实际工作中国已经出现明确以FDE或“前沿部署工程师”命名的岗位，例如阿里健康、顺丰、字节跳动/火山引擎、蔚来等；同时也存在大量FDE相邻职位。7除了“FDE/ForwardDeployedEngineer”，还可以搜索：AI解决方案工程师；AI应用工程师；Agent解决方案工程师；AI交付架构师；AI咨询架构师；AI产品解决方案；AppliedAIEngineer；SolutionsEngineer等。不要只看Title。真正值得关注的是一份JD里是否出现这条职责链：理解业务需求→定义AI方案→快速构建→连接数据和系统→测试/评测→部署交付→推动用户使用→关注业务结果职业名称不统一是现实情况。更大的机会可能藏在“FDE职责”而不是“FDE名称”下面。703｜目标岗位分三类：工程型、AI应用型、咨询交付型关键点：工程型｜AI应用型｜咨询交付型｜岗位匹配工程型FDE/FDSE更看重Th产代码、系统架构、数据、云平台、部署、调试和LLM工程。适合软件工程背景强，或已经补齐较深工程能力的人。AI/产品型FDE更看重Python、API、SQL、LLM应用、快速原型、Workflow、RAG、Agent、Evals、用户需求和产品判断。这是产品、数字化、解决方案和部分业务背景转型者重点关注的一类。6咨询/交付/业务连接型相邻岗位更看重场景发现、需求定义、商业价值、AI方案、客户沟通、项目推进和用户采用，但仍需要基本工程判断。第一份相关工作不一定必须叫ForwardDeployedEngineer第一份相关工作不一定必须叫ForwardDeployedEngineer。AI应用、解决方案、咨询架构、实施交付等岗位，同样可以持续积累FDE证据。04｜怎么判断一份JD值不值得投关键点：业务需求｜Build｜Integration｜Evals｜Deployment｜Adoption看到一份职位描述，可以直接找八类信息：JD里有没有代表什么客户/业务需求是否进入真实场景需求定义/Scoping是否参与定义问题原型/Build是否需要亲自构建API/数据/Integration是否进入系统层Evals/Testing是否重视AI质量Production/Deployment是否做到Th产交付Adoption是否对真实使用负责BusinessImpact是否最终关注业务结果Prompt优化、内容ThAIFDETitle叫什么，都值得认真研究。05｜简历怎么写：业务问题、系统、评测和结果比工具列表重要关键点：业务场景｜个人职责｜技术实现｜评测｜真实结果“熟练使用ChatGPT、Claude、Dify、Coze”可以放技能栏，但真正决定项目经历质量的是你解决过什么问题。一个弱的写法：负责搭建智能竞品分析系统，使用Python、RAG、Agent和大语言模型，实现自动化信息采集和报告Th成，大幅提高工作效率。在【业务/用户场景】中发现【具体问题】，基线为【时间/在【业务/用户场景】中发现【具体问题】，基线为【时间/错误/成本/流程指标】；负责从需求定义、方案设计到原型和评测，使用【必要技术组件】构建【系统】；建立【测试集/核心指标】，针对【主要错误类型】完成【版本迭代】；推动【真实用户/团队】试用或使用，并记录【经过验证的结果】，本人负责【明确工作边界】。技术栈不要堆名词。每写Python、RAG、Agent、Evals，都应该能回答它解决了什么问题。没有商业结果时不要编数字。测试结果、用户反馈、错误变化和版本迭代同样可以成为真实证据。06｜面试怎么准备：三类岗位重点不同，但都会深挖项目关键点：系统与调试｜方案与取舍｜业务推进｜项目深挖下面这些主题根据当前公开JD中的职责与能力要求归纳，不代表企业公开面试真题。14工程型FDE常见主题：Th产化、WorkflowvsAgent、RAG排障、API故障、Evals、权限、日志、监控、回退、非确定性输出调试。AI应用/产品型FDEAI助手”怎么拆问题、项目是否值得做、模型/RAG/Workflow/Agent怎么选、成功标准、V0.1怎么设计、用户觉得结果不稳定怎么办。咨询/交付型岗位常见主题：如何发现业务痛点、如何处理低价值需求、如何判断ROI、怎样管理业务/IT/安全/管理层冲突、怎样推动用户采用。无论投哪一类岗位，都要准备好10个项目深挖问题：为什么选择这个业务问题？原流程哪里最差？为什么适合用AI？为什么用了这套技术方案？为什么没有使用更复杂技术？系统哪部分真正是你做的？怎么知道V0.1好不好？最严重的错误是什么，怎么改？有没有真实用户，反馈改变了什么？如果再给一个月，最值得改什么？07｜什么时候可以开始投关键点：目标岗位｜完整项目｜轻代码能力｜项目表达｜真实JD校准AI应用/FDE实起点：已经明确目标岗位类型：知道自己更偏工程型、AI应用型还是咨询交付型。至少完成一个完整AI项目：包含问题、系统、测试、迭代和用户。达到轻代码级AI应用能力：PythonAPISQLLLMWorkflowEvals的基础实践。能把项目讲透10个项目深挖问题。投递也是发现能力缺口的一种方式。开始用真实JD校准：从投递反馈中继续判断缺的是工程、行业、项目还是表达。投递也是发现能力缺口的一种方式。本章小结FDEAI应类岗位的面试重点不同，但最终都会回到真实项目。本章配套资料｜AIFDE简历项目经历与面试准备表包含：九类职业背景转型对照表AIFDE项目经历简历写法模板FDE面试问题清单AI/FDE面试问题清单/交付型岗位面试问题清单10问准备页扫码后回复：扫码后回复：FDE指南配套第七章｜30天完成你的第一个AIFDE项目3030天完成一个项目，不等于30天成为成熟FDE。30天真正要完成的是一件更具体的事：独立走完一次符合独立走完一次符合FDE工作方式的小型真实项目。项目结束时，至少应该留下：1个真实业务问题；1个真实用户；1份业务基线；1套明确的成功标准；1个可运行V0.1；1套测试集；1份首轮评测结果；1份错误清单；1轮用户反馈；1次版本迭代；1份可以进入作品集的完整项目案例。30天项目最容易失败的原因往往是范围过大、没有真实用户、数据拿不到、代码基础不足、没有测试集、过早使用复杂Agent、没有业务基线，最后只能展示功能却无法证明效果。项目可以小，但闭环不能断。整个计划只有一个基本原则：项目可以小，但闭环不能断。01｜项目范围：1个用户、1个场景、1个闭环关键点：真实用户｜核心场景｜范围控制｜可评测闭环第一个项目完全没有必要覆盖整个行业、几十家公司、全网自动采集、复杂多Agent和企业级大屏。更合适的范围是：1个真实用户；1个核心业务场景；1个明确问题；有限数