01 · 什么是 FDE
从一个真实的问题,
而不是一项技术开始。
一项重复的工作、一段总在等待的流程、一份总也找不到的资料,都可以是起点。我们先弄明白业务如何运转,再决定 AI 应该做什么、不该做什么。
我们和一线使用者梳理任务、数据和例外情况,和业务负责人确定目标,和 IT 团队确认系统边界。适合交给 AI 的部分用 AI,需要确定性的部分保留规则和人工判断。
交付从一个可以验证的小范围开始,再逐步扩展到知识检索、内容生成、工具调用和多步骤任务。每往前走一步,都能对应到清楚的业务价值。
和人在一起
访谈、跟岗、看真实样本,而不是只读需求文档。
尽早验证
先做能跑的原型,在真实任务上看效果和成本。
负责到上线
集成、权限、监控、交接,一个都不落下。
02 · 有何不同
同样是写代码,
关注点完全不一样。
传统项目擅长把确定的需求做出来;AI 项目的难点恰恰在于需求和效果都需要在过程中被发现、被验证。
03 · 协作方式
业务、产品、工程,
在同一条反馈链路上。
需求和实现始终保持同步。每一轮迭代都有人试用、有数据、有结论。
一起拆解问题
通过访谈、流程走查和真实样本,弄清楚谁、在什么情况下、完成什么任务。
- 梳理现有流程和操作成本
- 找出高频任务和异常分支
- 明确范围、负责人和成功标准
一起做验证
让原型进入真实的使用场景,尽早发现知识缺口、交互障碍和能力边界。
- 用业务样本建立评测基线
- 展示推理过程、引用和执行结果
- 根据反馈调整产品与工作流
一起上线
接入现有身份、数据与业务系统,让后续的运营和维护有据可依。
- 约定接口契约与权限范围
- 建立日志、监控与回滚机制
- 交接代码、文档与运行手册
- 业务层业务流程图、需求边界与验收清单
- 应用层应用源代码、接口说明与配置指引
- AI 层知识处理流程、智能体工作流与评测样本
- 安全层角色权限、关键操作确认与审计设计
- 运维层部署文档、运行手册与交接培训
FDE 和传统软件外包有什么不同?
FDE 的工程师会进入你的业务语境,在需求探索、验证和上线全过程中与业务团队并肩工作,而不是拿到需求文档后闭门开发。它同样需要扎实的软件工程,但更重视真实样本评测、AI 输出的不确定性,以及上线后的反馈闭环。
我们还没有整理好的知识库,可以开始吗?
可以。通常从一类任务和少量可用资料起步。我们会先评估资料的质量、来源权限和更新方式,列出需要补齐的部分,再决定检索与知识组织方案。很多时候,整理知识本身就是项目的第一项成果。
智能体可以直接操作我们的业务系统吗?
可以,但必须在约定范围内、通过正式接口进行。涉及写入、删除、审批或对外发送的操作,我们会按风险等级设置权限校验、人工确认、执行记录和失败回退,不会让模型绕过既有的管控流程。
现有系统需要推倒重来吗?
一般不需要。我们先评估现有架构和接口,优先通过独立应用、嵌入式入口或服务接口逐步接入。是否需要改造,由业务目标、系统条件和长期维护成本共同决定。
数据安全怎么保证?
默认按最小权限访问数据,敏感信息可脱敏后使用,或留在你的环境内处理;模型服务与部署方式按你的合规要求共同选定。访问、调用和关键操作全程留痕,交付时一并移交账号权限与密钥管理。
怎么判断项目是否达到预期?
启动时共同约定任务样本、功能清单和业务指标,按这些来验收。除了回答质量,还会检查权限隔离、来源引用、工具执行、异常处理和真实的使用流程,而不只看一场演示。