FDE岗位职责：一项AI项目是怎样被交付的

一、业务发现与现场理解

FDE首先要理解谁在使用系统、当前流程如何运行、瓶颈在哪里，以及业务方为什么认为AI能改善它。访谈不能只停留在管理层目标，还要观察一线用户使用的数据、工具、手工表格和例外处理。

发现阶段的产物不是厚重需求文档，而是一组可验证问题：任务频率多高、错误代价是什么、输入是否可获得、输出由谁确认、怎样与现有流程衔接。没有这些答案，后续原型容易偏离真实场景。

二、技术范围与交付计划

FDE把业务问题拆成数据、模型、应用、集成和运维边界，并明确第一阶段不做什么。范围需要兼顾速度与可验证性，优先完成一个能够进入真实流程的小闭环，而不是一次覆盖所有部门。

同时要识别依赖：接口开放时间、数据清洗责任、账号权限、安全评审、部署资源和业务验收人。OpenAI的职位说明特别强调尽早移除阻塞，并在范围、速度和质量之间做明确取舍。

三、系统设计与生产开发

• 设计前端交互、服务接口、Agent状态、知识检索和工具调用链路。
• 编写可以被测试、监控和回滚的生产代码，而非只在Notebook里演示。
• 处理身份认证、权限隔离、日志脱敏、错误重试和人工接管等边界。
• 为模型输出建立评测数据集、评分规则和失败样本分类。
• 与客户工程团队共同评审，确保系统能够被现有人员接手和维护。

四、上线、采用和效果验证

FDE通常从受控用户或单一流程开始灰度，观察成功率、响应时间、人工修正、调用成本和用户放弃原因。模型回答看似不错，不代表用户愿意在工作中依赖它。

上线阶段还要设计培训、操作说明、异常升级和回退路径。验收指标应对应具体工作流，例如完成时间、重复录入次数、质检覆盖或人工复核量，而不是笼统描述“模型更智能”。

五、把现场经验变成可复用能力

项目结束不是责任终点。FDE要把有效做法整理成连接器、评测集、部署模板、需求清单和风险检查表，让下一次交付更快，也让产品团队理解客户真正遇到的限制。

这也是FDE区别于临时项目外包的重要部分：不仅完成当前需求，还把分散的一线经验反馈到平台能力和产品路线。优秀FDE减少的是未来同类问题的重复成本。