AI 大模型时代的 FDE 转型实战: Harness+ LLM
FDE
Forward Deployed Engineer,前沿部署工程师
【培训目标和收益】
帮助团队设置和培养FDE（Forward Deployed Engineer），并引入智能体系统敏捷开发方法论，重塑组织能力和开发流程， 解决 AI 项目“落地难、交付慢、效果不可控”的痛点。具体目标如下：
· 思维范式重塑：帮助学员打破“产品-研发-交付”的传统职能墙，从关注“产出代码”转向关注“交付智能能力与业务价值” 。建立“Value-First”思维，学会利用现有资产快速构建 MVP，并掌握管理 AI 输出不确定性的核心方法 。
· 核心技能构建：构建 FDE 的“T型”技能树，掌握从 RAG 进阶工程、Agentic AI架构、多智能体协同到评估驱动开发（EDD）的全栈技术体系 。使学员具备独立完成“业务意图转化为工程实现”的全链路闭环能力 。
· 敏捷组织落地：掌握智能体敏捷小组的组建方法，学习如何与 AI 业务伙伴（AIBP）高效协同 。熟悉智能体系统敏捷开发生命周期，通过周度迭代和 Demo 机制，解决反馈不及时、项目交付难的问题 。
· 实战痛点解决：通过真实案例演练，让团队具备解决 AI 项目“落地难、效果不可控”的具体战术能力，确保项目能从 PoC 阶段顺利推向生产环境并实现持续自主运营 。
【培训时长】2天
【培训提纲】
模块一：概念重构 —— 理解 FDE 的内涵
1.1 定义 FDE
· 新定义：在 AI 2.0/Software 3.0 时代，能够打破“数据-算法-工程”职能墙，独立完成从“业务意图 -> 数据处理 -> 模型/智能体调优 -> 工程部署”全链路闭环的工程师。
· 核心差异：传统模式关注“产出代码”和“算法实现”，FDE 模式关注交付“智能能力”和“业务价值”。
1.2 思维范式转变
· 从 Code-First 到 Value-First：拒绝重复造轮子，善用公司技术资产和开源生态快速构建 MVP（最小可行性产品）。
· 从 确定性 到 概率性：管理 AI 输出的不确定性（幻觉控制、置信度评估），这是 FDE 的核心门槛。
· 内涵关键词：Ownership（对最终业务效果负责）与Velocity（极速迭代）。
1.3 FDE 的四个核心角色
· 业务咨询师：识别业务痛点，并转化为AI可处理的问题。并向业务人员进行 AI 赋能。
· 架构操盘手：设计AI系统架构、RAG 管道 与 Agent 逻辑，快速编写胶水代码实现MVP。
· AI 驯化师：掌握 Context Engineering、Few-shot Learning 及微调等技术，持续优化 AI 能力。
· 监控运维官：监控算力成本、响应延迟 (Latency) 及回答质量等指标，负责系统升级。
模块二：能力矩阵 —— "T型" 技能树构建
2.1 核心技能栈 (Hard Skills)
· AI Native 能力构建：
① 工具链：智能体平台、开发框架、向量数据库、模型推理与训练框架。
② Agentic AI 架构基础：RAG (检索增强生成)、Agent (智能体) 编排、function calling与MCP 接入外部系统、记忆与状态管理。
③ 模型认知与选型：主流闭源与开源模型的能力优劣与成本/性能比较。
④ RAG 进阶工程：合检索（关键词+向量）、重排序（Rerank）、查询改写（Query Rewriting）、多模态RAG、PDF/表格的解析与入库策略。
⑤ Context Engineering：CoT (链式思维)、ReAct 框架、Plan-and-Execute、动态上下文管理。
⑥ Skills：业务 SOP（指令） + 执行脚本（代码） + 领域知识（文档）
⑦ 多智能体协同：路由模式（Router）、评审模式（Critic）、层级调度模式。
⑧ 评估驱动开发（EDD）：建立自动化评估数据集（Golden Dataset）、设计面向业务的评估指标、LLM as a Judge。
· 编程能力升级：
① Python 高级编程
② AI Coding/Vibe Coding
2.2 软技能 (Soft Skills)
· 需求挖掘与预期管理：
识别模糊需求，转化为 AI 可处理的问题。运用“价值优先（Value-First）”原则，筛选出高价值切入点，快速构建最小可行性产品（MVP）
向业务方传递 AI 的“概率性”特征，帮助用户建立对“幻觉”和“错误率”的正确容忍度，并设定合理的置信度评估标准
· 敏捷协作：
“以演示促交付”，通过每周的 Demo 会议快速收集真实环境反馈，利用高频迭代解决 AI 项目“效果不可控”的痛点，确保项目不偏离业务价值
摒弃传统的“流水线”作业，FDE 与 AIBP等同事组成 2-4 人的敏捷小队，实现从数据处理到模型调优的全链路实时协同
· 用户侧高层沟通：
清晰阐述解决的具体业务痛点，用数据驱动的方式量化项目成果 。在项目早期通过 PoC验证可行性，及时止损或明确资源投入
阐明从“技术托管”到“自主运营”的清晰路径，消除客户对于长期技术依赖和“被机器替代”的顾虑
模块三：组织与流程 —— 智能体系统敏捷工程
3.1 组织架构：智能体敏捷小组
· 最小作战单元：告别职能部门墙，组建 2-4 人的全功能小队。
· 关键角色：
① AIBP (AI Business Partner)：业务效果负责人（通常由业务专家或产品经理担任），负责定义“模糊意图”并提供真值数据 (Ground Truth)。
② FDE：智能体搭建、Prompt 资产管理、模型调试、工程优化与集成。
③ Data Engineer (可选)：在重数据依赖场景下介入，负责高质量数据供给。
3.2 智能体系统敏捷开发生命周期
· 阶段一：场景探索与 PoC：框架先行，聚焦核心 Case，快速验证技术可行性与商业价值。
· 阶段二：迭代交付与试用：进入周度迭代 (Weekly Sprint)，交付 Beta 版，并在真实环境中收集反馈。
· 阶段三：持续优化与自主调校：交付 V1.0，开发“配置化界面”，赋能 AIBP 自主调整 Prompt 或规则，FDE 逐步抽身。
· 阶段四：自主运营：业务方独立运营，FDE 仅负责监控与阶段性升级。
3.3 核心战术动作
· 沟通与会议机制
· 任务分解、结果度量与流转闭环
· 产出与数字资产管理
模块四：实战落地 —— 案例演练（可根据客户所在行业定制）
案例A：结合企业业务场景的垂域智能问数
案例B：结合企业内外部数据的综合调研与报告撰写