腾讯FDE落地实践：前线共创，双向赋能：FDE 模式行业观察与实践报告

大模型的能力每季度都在跃升，但超过 60% 的企业 AI 试点仍然停在实验阶段。并非是模型不够强，而是 Demo 到生产之间有一条很宽的 gap——有系统对接、权限梳理、流程改造、合规审计、组织适应，还有最重要的一条：客户得想清楚"到底该让 AI 做什么"。

这就是 FDE（Forward Deployed Engineer，前线部署工程师）正在被重新定价的原因。过去一年，美国 Indeed 平台上 FDE 职位从 643 条飙升至 5330 条，涨幅超过 700%；OpenAI 和 Anthropic 在同一天各自宣布组建专门的部署团队；YC 旗下上百家创业公司开始招聘 FDE，三年前这个数字几乎为零。

腾讯研究院发布的最新报告《前线共创，双向赋能：FDE 模式行业观察与实践》，结合海外前沿实践与国内一线经验，首次系统分析了这一模式为什么在当下爆发、它解决了什么问题、能否规模化、以及中国市场的特殊路径。以下是核心发现。

以下是报告目录：

报告核心结论： 

第一，AI 落地的核心矛盾正在从"模型能不能做"转向"组织怎么用"。 模型能力以季度为单位跃升，但超过 60% 的企业 AI 尝试仍停留在试点阶段。瓶颈不在 Demo，在于如何接入系统、嵌入流程、满足合规、产生可衡量的业务结果。

第二，FDE 的本质不是新岗位，而是交付模式的范式重塑。 它把售前、实施、产品和客户成功的能力重新组合到一个前线小队，让交付与学习同时发生。驱动力是 AI 同时降低了知识蒸馏、定制开发和复合型人才供给三道成本门槛，使重交付模式开始具备更广泛的商业可行性。

第三，FDE 与传统驻场的本质区别，在于项目结束后是否沉淀为可复用资产。 只留给客户一个系统，是外包；带回经验却无法复用，是项目制；把现场经验转化为 Skill、模板、测试集或产品能力，才是 FDE；沉淀后能显著降低下一次同类交付成本，才是可规模化的 FDE。

第四，AI 让工程执行变便宜，让判断能力更稀缺。 AI 编程和智能体工具降低了原型构建和系统适配成本，但识别高价值场景、理解行业、推动组织采纳的能力反而更值钱。前线角色正在从"写代码的人"演变为"指挥 AI 完成业务的人"。

第五，可持续路径是沉淀优先、复用优先、客户逐步自助。 完全自主搭建本体成本极高；更现实的路径是先沉淀高频 Skill 与系统连接器，再逐步形成行业模板和知识库，让每次前线实践都能留下可复用的资产。

第六，平台、伙伴、客户三方协同是行业正在形成的共识。 平台沉淀能力与标杆，伙伴规模化复制与本地化服务，客户在陪跑中逐步形成自助能力。这种协同让头部客户获得深度服务，也让中腰部客户以更低成本接入成熟能力。

第七，未来属于更懂业务、更懂组织、更懂指挥 AI 的人。 低端实施会被持续压缩，场景定义、客户信任、组织推动和行业知识沉淀会继续升值。起步中的客户不必担心"标准答案"——FDE 本就为差异化场景而生；已在路上的团队，更值得关注如何让前线经验真正回流为自身能力。

不一定在前线，也不一定亲自部署：

FDE 不是"更高级的驻场外包"

前线部署工程师这个概念往往会有些误导，最常见的误解是把 FDE 等同于"更懂 AI 的实施工程师"。这个理解只看到了外壳。

真正的区别不在是否驻场，而在项目结束后留下了什么。做完项目，如果只留给客户一个系统，那是外包；带回一些经验但无法复用，是项目制交付；严格去掉客户信息后，把行业通用的经验沉淀为 Skill、模板和产品能力，才是 FDE；沉淀后显著降低下一个同类客户的交付成本，才是可规模化的 FDE。

这背后是一套"双向沉淀"机制。面向客户，FDE 把散落在员工脑中的业务经验和流程规则转化为 AI 可调用的知识库、工作流和应用能力。面向平台，FDE 把行业场景、系统接口、测试方法和失败案例沉淀为可复用的产品组件，持续迭代产品。两层沉淀的共同载体，是本体层——一种结构化的业务知识图谱，让同一个行业的不同客户能够共享对业务对象的理解方式。

这套逻辑有明确的经济账。第一个项目成本会比纯项目制更高，因为除了交付客户系统，还要额外完成知识抽象和验证。但七到八个同类客户做下来，本体基本稳定，后续交付成本显著下降。这正是为什么前 Palantir 高管 Bob McGrew 会强调一个核心度量原则：如果第一个客户需要 10 个人月，第十个同类客户仍然需要 10 个人月，模式就没有跑通。

AI 让执行变便宜，让判断变稀缺

报告用了一个精炼的框架来分析 FDE 的能力结构：Echo 负责"该做什么"，Delta 负责"怎么做出来"。

AI 编程、低代码平台和智能体工具正在大幅压缩 Delta 的成本——原型搭建、系统对接、测试验证不再需要大型工程团队。但 Echo 不仅没有变便宜，反而更加稀缺。客户最大的瓶颈正在从"能不能搭"转向"知不知道搭什么"：业务部门有痛点却难以转化为 AI 任务，IT 部门懂技术却离业务太远，决策层想推 AI 却不知道组织应该如何调整。

这就是为什么"自然语言构建应用"门槛越是降低，FDE 的价值反而越上升——从搭建者转为场景发现者、需求翻译者和方法教练。报告预判，FDE 的未来会明显分化：低端实施和重复搭建被 Agent 和平台持续压缩，场景定义、客户信任、组织推动和行业知识沉淀会持续升值。

中国企业不能照搬硅谷，但有跳级机会

中国市场有其独特性。美国很多大企业的流程、数据、岗位分工经过多年沉淀，ERP、CRM 体系相对完善，AI 更像在一台精密机器上加装智能大脑。而国内大量企业更像"对话驱动"：需求以非结构化方式提出，流程常常不写在系统里，而写在默契和人情里。

这增加了落地难度，但也带来跳级机会。过去的软件要求先填表、画流程、配规则；AI 的入口是自然语言，而自然语言恰恰是这类组织最熟悉的协作方式。很多客户未必能先把流程画清楚再上系统，反而更适合在 FDE 陪跑下"一边跑、一边修路"。

核心挑战是经济性。硅谷高价值客户可以支撑六到七位数美元年合同，国内大量项目仍在十万到百万人民币量级。中国 FDE 必须解决两个问题：用 AI 和平台降低交付成本，用 Skill、连接器、行业模板和伙伴生态提高复用率。

《FDE：企业RAG+Agent+Skills的智能体案例实操和源生Agent Harness开发案例实操》

大模型实战专家—周红伟 法国科学院算法博士/前阿里人工智能专家/马上消金风控负责人

课程背景

公司企业科技业务正加速推进大模型应用从试点探索向规模化落地转变。当前团队在AI应用开发中普遍面临三个断层：一是业务需求与AI技术方案之间缺乏统一表达框架，需求理解偏差导致交付反复；二是现有开发多依赖低代码平台快速搭建原型，但在复杂企业任务中暴露出可控性不足、调试困难、难以对接现有系统等问题，源生开发能力缺失；三是团队对提示工程、RAG、Agent等技术的掌握停留在工具操作层面，缺乏从业务场景识别、方案设计到工程实现的全链路能力。与此同时，企业业务对AI应用的安全性、合规性、可审计性要求远高于通用场景。直接照搬通用大模型应用模式无法满足内部管控要求，需要在架构设计、工具调用边界、人工确认机制、日志审计等方面进行专门设计。团队当前缺乏一套面向企业场景的Agent开发方法论和可复用的工程模板，导致项目周期拉长、效果不稳定、生产化推进困难。

本次培训聚焦公司真实业务场景，围绕企业RAG、Agent、Skills三类核心能力展开，通过Spec Coding规范业务到代码的转换过程，并通过源生Agent Harness开发弥补低代码平台的能力边界。课程采用工具链掌握、开发优化、项目落地三阶段递进，帮助学员建立从需求洞察到可交付AI应用的完整闭环能力。

课程收益

通过两天学习，学员能够获得以下收益：

第一，掌握企业RAG的工程化落地方法。能够针对企业文档特点设计合理的切片与检索策略，理解召回率、答案忠实度等核心指标的评估方法，具备将模糊业务问题转化为可验证RAG任务的能力，避免在真实项目中走通方案却无法稳定复现的问题。

第二，具备高级提示词工程与定制化AI能力加强的实操经验。能够使用结构化提示词四要素方法控制企业术语一致性与输出格式，掌握多步推理与自检提示设计，能够将财务计算、合规条款匹配等业务能力封装为可复用的Skill，并通过Skill与RAG协同完成复杂任务。

第三，获得源生Agent Harness从零搭建的开发能力。理解Agent推理循环、工具调用协议、上下文管理等核心机制，能够手写一个基础Agent循环并接入企业工具，处理异常返回与降级逻辑，不再受限于低代码平台的黑盒限制，具备将原型推进到生产化改造的工程基础。

第四，学会用Spec Coding方法将企业业务规则精确转化为Agent实现规格。能够编写包含任务目标、输入输出、约束条件的Spec文档，将合规要求转化为可校验的条款，并根据Spec生成代码骨架与测试用例，显著降低业务与开发之间的沟通成本与返工率。

第五，建立企业业务场景识别与端到端方案设计能力。能够从真实业务流程中筛选高价值AI切入点，区分替代型与增强型应用，完成技术可行性与业务影响评估，输出结构化的AI场景卡片，使技术方案从一开始就对准业务指标。

培训时长

2天

课程大纲

第一天 主题：企业RAG+Agent+Skills智能体Spec Coding开发

第一部分 企业RAG基础与业务场景映射

1.1 企业RAG技术栈拆解
1.1.1 检索增强生成在企业场景的适用边界与局限
1.1.2 企业文档结构特点对切片策略的影响
1.1.3 RAG与传统搜索、微调在成本与效果上的对比

1.2 企业业务需求到RAG问题定义
1.2.1 从信贷报告、合规文件、研报中识别检索诉求
1.2.2 将模糊业务问题改写为可验证的RAG任务
1.2.3 定义评估指标：召回率、答案忠实度、业务可用性

1.3 案例复盘：企业研报问答系统
1.3.1 原始需求与数据现状分析
1.3.2 方案选型与失败点回顾
1.3.3 可复用经验与避坑清单

第二部分 高级提示词工程在企业Agent中的应用

2.1 结构化提示词设计方法
2.1.1 角色、任务、约束、输出格式四要素拆解
2.1.2 企业术语一致性控制技巧
2.1.3 提示词版本管理与回归测试

2.2 多步推理与自检提示模式
2.2.1 思维链在财务计算与合规判断中的使用
2.2.2 让模型先列依据再给结论的强制格式
2.2.3 自检提示设计：要求模型标注不确定项

2.3 企业场景提示词实战
2.3.1 研报摘要生成提示词逐行解析
2.3.2 合同条款风险识别提示词调优
2.3.3 多轮对话中保持上下文一致的写法

第三部分 定制化AI能力加强：Skills设计与实现

3.1 Skills在企业智能体中的定位
3.1.1 Skill与工具调用的区别
3.1.2 哪些业务能力适合封装为Skill
3.1.3 Skill的输入输出契约设计

3.2 企业领域Skill开发实操
3.2.1 财务指标计算Skill：公式封装与异常处理
3.2.2 合规条款匹配Skill：规则与模型混合策略
3.2.3 数据脱敏Skill：敏感信息识别与替换逻辑

3.3 Skills与RAG的协同模式
3.3.1 检索结果驱动Skill调用
3.3.2 Skill输出反哺检索条件优化
3.3.3 多Skill编排完成复杂企业任务

第四部分 低代码平台搭建企业Agent原型

4.1 低代码平台能力边界与选型依据
4.1.1 支持RAG与Agent编排的平台功能对比
4.1.2 企业级部署对权限、审计、版本的要求
4.1.3 低代码与纯代码混合开发的取舍

4.2 用低代码搭建企业问答Agent
4.2.1 知识库接入与切片配置实操
4.2.2 提示词模板与变量绑定
4.2.3 流程编排：检索、生成、后处理串接

4.3 原型验证与快速迭代
4.3.1 用真实业务问题做批量测试
4.3.2 基于反馈调整切片与提示词
4.3.3 输出可演示的最小可行产品

第五部分 企业业务场景设计：从流程中识别AI机会

5.1 业务流程拆解与AI切入点定位
5.1.1 画业务流程图并标注信息流转节点
5.1.2 用频次、复杂度、容错率筛选高价值场景
5.1.3 区分替代型AI与增强型AI

5.2 端到端方案设计框架
5.2.1 输入数据、处理逻辑、输出交付物定义
5.2.2 技术可行性评估：模型能力、数据可得性、系统集成
5.2.3 业务影响预估：效率提升、风险下降、体验改善

5.3 场景设计分组实战
5.3.1 每组选择一个真实企业业务流程
5.3.2 输出AI场景卡片：问题、方案、指标
5.3.3 交叉评审与讲师反馈

第二天 主题：源生Agent Harness开发与项目落地

第一部分 Agent Harness架构解析

1.1 Agent Harness核心组件
1.1.1 推理循环：计划、执行、观察、反思
1.1.2 工具调用协议与错误恢复机制
1.1.3 上下文管理与记忆策略

1.2 企业场景下的Harness设计差异
1.2.1 安全边界：哪些操作禁止自动执行
1.2.2 审计日志：每次工具调用的完整记录
1.2.3 人工确认节点在关键流程中的插入

1.3 代码级Harness最小实现
1.3.1 手写一个基础Agent循环
1.3.2 接入一个工具并处理异常返回
1.3.3 打印完整推理轨迹便于调试

第二部分 Spec Coding：从规格说明到Agent实现

2.1 Spec Coding理念与企业场景适配
2.1.1 规格说明驱动的开发流程
2.1.2 企业业务规则如何在Spec中精确表达
2.1.3 Spec评审与验收标准定义

2.2 编写企业Agent的Spec
2.2.1 任务目标、输入输出、约束条件模板
2.2.2 边界案例：异常输入、缺失数据、超长文本
2.2.3 将合规要求转化为可校验的Spec条款

2.3 Spec到代码的映射实操
2.3.1 根据Spec生成Agent骨架代码
2.3.2 将业务规则转化为提示词与校验逻辑
2.3.3 用Spec驱动测试用例自动生成

第三部分 源生Agent Harness开发实操

3.1 搭建可运行的Agent Harness工程
3.1.1 项目结构与依赖管理
3.1.2 实现模型调用与响应解析模块
3.1.3 实现工具注册与调度模块

3.2 企业工具接入与调试
3.2.1 接入外部API：行情、公告、内部系统
3.2.2 工具返回结果的结构化与截断策略
3.2.3 工具调用失败的降级与重试逻辑

3.3 多Agent协作模式
3.3.1 主管-执行者模式在企业研究任务中的应用
3.3.2 Agent间消息传递与结果汇总
3.3.3 协作流程中的冲突处理与最终决策

第四部分 项目实战：企业智能体端到端开发

4.1 实战任务定义
4.1.1 从第一天场景卡片中选定一个开发方向
4.1.2 明确输入数据来源与输出交付物
4.1.3 定义成功标准与可量化指标

4.2 分组开发与里程碑推进
4.2.1 第一里程碑：跑通Harness基础链路
4.2.2 第二里程碑：完成核心Skill接入并产出可用结果
4.2.3 第三里程碑：处理边界案例并完成评估报告

4.3 代码评审与问题定位
4.3.1 小组间互评Agent实现
4.3.2 讲师针对典型错误做代码走查
4.3.3 记录问题并形成改进清单

第五部分 效果评估与生产化考虑

5.1 Agent效果评估方法
5.1.1 构建企业场景测试集与标注标准
5.1.2 多维度评估：准确性、稳定性、响应时长
5.1.3 A/B对比与回归测试流程

5.2 从原型到生产的关键改造
5.2.1 权限体系与敏感操作管控
5.2.2 日志、监控与告警设计
5.2.3 模型版本管理与灰度发布

5.3 安全合规要点
5.3.1 数据脱敏与传输加密
5.3.2 输出内容合规校验机制
5.3.3 人工复核通道与兜底策略