想转 FDE？一个干了 4 年多的人告诉你：这活从开会聊需求，到私有化部署，都得会

今年想转 FDE 的人特别多。

脉脉的数据说，今年上半年 FDE 相关岗位比去年同期涨了二十多倍。据报道，字节给豆包大模型的 FDE 开到月薪 3.5 万到 7 万、一年 15 薪。前几天 Anthropic 又宣布拿出一亿美元，到 2027 年底培养一万名 FDE。

很多人看到这些，第一反应是赶紧去补模型、补 Agent、补微调的知识。

我想先泼一点冷水。在这份活里，模型反而是最不用担心的那一块。

这个活我干了 4 年多。2022 年开始，我在车企做 AI 落地，前前后后十多家。那会儿国内还没什么人管这叫 FDE，我的职位一开始是 AI 负责人，后来是技术负责人，我也不敢说自己是什么标准的 FDE。只是回头看，从跟客户开第一次会聊需求，到在客户机房里装驱动、起模型、做压测，再到给客户出数据报告，中间每一段都是我自己上。

干下来我最大的感受是，难的都在模型前后。开会时能不能当场把客户的预期管住，决定了项目最后能不能验收；业务吃不透，边界定不清楚，模型怎么调都是乱的。

这篇我就拿我的自身经历举例，按一个项目从头到尾的顺序，把这些活一样一样摊开讲。你看完，大概就知道自己离 FDE 还差哪几块。

一个 AI 落地项目从头到尾的六段活，真正费时间的在模型前后

自我介绍

先简单说下我是谁。

最近运营了3周的X，发的都是跟AI视频制作工作流相关的内容，但其实我是做AI算法的，早些年叫 NLP 算法工程师，做 BERT、做分类器、做情感分类、做 Rasa 客服机器人、做 wenet 语音识别，这一行做了十年。后来进了汽车行业，给国内多家车企做 VoC 项目，合资、自主品牌都有，VoC 是 Voice of Customer，客户之声。说简单点，就是车企想知道车主到底在说什么，在抱怨什么，在夸什么。

车主的声音散落在很多地方。车企自己的私域里有 400 客服电话、DCC 线索跟进记录、APP 社区的帖子、售后工单；公域里有汽车之家、懂车帝这些汽车垂直媒体，还有小红书、抖音上的讨论，有的项目会专门采购这部分数据。

VoC 要做的，就是把这些话一条条读进来，拆成一个个观点，判断它说的是哪个车型、哪个部件、哪个服务环节，是夸还是骂，打上标签，最后汇成报表和看板。

用它的主要是质量、市场、产品这几个部门，质量看故障，市场看口碑，产品看配置该怎么改。有的车企很重视，看板会一直送到很高级别的领导那里。

VoC 的四步：车主原话 → 拆观点打标签 → 报表看板 → 质量、市场、产品在用（示例原话为演示）

听起来是个 NLP 项目，真做起来，要干的活远不止模型。下面按一个项目从头到尾的顺序，讲讲 FDE 到底要干哪些活。

一、售前：管预期，这一步决定项目能不能验收

项目一开始，其实是售前的活。

要去客户那里开会，搞清楚他们到底想要什么。客户说要做 VoC，可能质量部想看故障，市场部想看口碑，产品部想看配置该怎么改，大家嘴里说的是同一个词，心里想的是三件事。你得在会上把这些拆出来，哪些这期做，哪些以后做，哪些做不了。

这里面我认为最重要的，是客户的预期管理。说它是整个项目里最重要的一件事都不为过，项目最后能不能验收，很大程度上在这一步就定了。

以前没有 FDE 这个说法的时候，去客户现场的一般是一个团队，冲在前面跟客户聊的多是产品和其他岗位的同事。他们的问题是不懂技术，不懂算法，也不懂模型，客户在会上问一句这个能不能做、能做到多准，他们心里是没底的。

没底的结果一般就两种。一种是不敢承诺，什么都说要回去评估一下，一来一回好几天，效率很低。另一种更惨，是瞎承诺，当场拍板，不评估就答应下来，等项目做到一半才发现根本做不到，最后只能在验收的时候硬扛。

FDE 的优势就在这里。我自己就是做模型、做算法、做技术的，客户问能不能做，我哪怕不深度评估，心里也知道个大概，哪些现在的模型能做好，哪些做出来也就七八成、需要人来兜底，哪些数据不够根本做不了。能当场说清楚的就当场说清楚，该打的预防针在一开始就打好。

最后一定要落到书面。需求文档、验收标准，写清楚，双方确认。这一步偷懒，后面每一次扯皮都要还。

客户问“能做吗、能做到多准”，三种回答决定了项目后面怎么走

二、吃透业务：一顿打磨下来，我成了半个汽车专家

需求定了以后，最花时间的是打磨业务理解。拿我们这个项目举例，就是不停地打磨标签体系的定义。

VoC 的标签体系很大，分好几级，最细一层动辄几千个标签。每个标签的定义不能有二义性，标签和标签之间不能有冲突，整个结构要合理。比如车主说一句"服务态度差"，在 4S 店保养时说的，归售后；在看车买车时说的，归销售。这种边界不定清楚，模型怎么调都是乱的。

更难的是，这套标签要跟车企几乎所有部门对齐。销售、售后、商城、产品、质量、服务，每个部门对齐各自那一块，各部门对同一件事的叫法、关心的点都不一样，要一个一个去聊，一轮一轮去改。

这么搞下来，不懂也难。打磨完一套标签体系，我自己已经算半个汽车专家了，一辆车从卖出去到交付、保养、维修、召回，每个环节车主会抱怨什么，心里都有数。

再加上每天看的就是车主的原话，到后来，哪一款车型、哪个部件、什么问题车主抱怨得最多，我闭着眼睛都能说出来。哪款车的车机最近被骂得多了，哪款车的异响投诉又冒头了，有时候我比车企里管这块的人知道得还早。

标签分好几级、最细一层几千个，同一句话放在不同场景归属不同，要跟六个部门逐个对齐

换到别的行业做 FDE 也是一样。重要的是你自己真的要理解这个业务，光靠 AI 是不行的。AI 能帮你写代码、写文档，但它替你去不了客户的会议室，替你记不住销售部和售后部为什么对同一句话有两种理解。

三、模型开发：对外调优，对内对齐

业务理顺了，才轮到算法的活。

先给你看看，这一段里有多少技术要懂。从 NLP 的老底子，分词、实体识别、情感分类、BERT，到大模型本身，开源模型选型、提示词、SFT、LoRA 微调；再到向量模型 embedding、向量库，检索、召回、rerank 这一整条检索链；最后还有评测，测试集怎么切、准确率和 F1 怎么算、每次改动怎么跑回归。每一样单拎出来都能写一篇，FDE 不用每样都做到最深，但每样都得知道它能干什么、边界在哪，不然在客户面前没法当场判断。

这一段我拆成几步说。

1. 先定方案，小模型的坑我都踩过

早几年做 VoC，用的是 BERT 加分类层，再接一堆规则做后处理。它的问题我到现在都记得很清楚。同一个问题会被打上好几个标签；车主在评价门店，模型给识别成了车型的问题；车主说的是油箱盖，模型给分到了座椅。400 客服电话是先语音转文字再分析的，转写把"行驶着"转成了"行驶证"，错字一路传到分类，后面根本救不回来。

大模型出来以后，方案整个换掉了。现在业内常见的做法，是一条“抽取加检索”的链路。

先是抽取。让大模型读原文，把一条评论拆成几个观点，每个观点抽出品牌、车型、场景、情感、意图这些字段，还有它在原文里的位置，按约定好的 JSON 格式输出。用哪个开源模型、多大参数、要不要微调，得看客户给的机器和数据。

然后是检索。把观点用 embedding 模型转成向量，到向量库里召回几个最像的候选标签，相似度够高的直接用，拿不准的再做一次 rerank，从候选里挑最合适的那个，最后给一个置信度，低的交给人工复核。召回多少个、阈值卡多少、rerank 用什么，都是要拿数据一点点试出来的。

最后是标准化。品牌车型要统一，同一款车，车主有简称、有昵称、有带年款的、还有写错字的，都要统一成客户系统里的编码。

为什么不让大模型直接生成标签？因为标签有几千个，私有化环境里能跑的往往是参数不大的模型，让它凭记忆从几千个标签里挑，很容易编出一个标签表里根本没有的名字。而且标签表隔一阵就改一版，模型背下来的东西很快就过时了。所以模型只管理解，标签放在知识库里，改表不改模型。

从 BERT 加规则，换到大模型抽观点加知识库匹配

2. 数据、提示词、微调，一样一样磨

方案定了，就是一样一样磨。要从客户的历史数据里挑样本，标注训练数据；要写提示词，在里面放几条 few-shot 示例，告诉模型什么算一个观点、观点要写成什么样、JSON 的每个字段怎么填；效果不够的时候，就拿标好的数据做 SFT，资源有限时常用 LoRA 这类参数高效微调，训完再考虑怎么合进去、怎么加载到推理框架里。

还有很多脏活。原文进来先要预处理，广告、刷屏、没有意义的内容要先过滤掉，手机号这类个人信息要脱敏。模型吐出来的 JSON 时不时少个括号、多个逗号，解析那一层得会自己修。车主一条评论写了几百字、讲了五六件事，要不要先按句子切块（chunking）再抽，切了会不会把一个观点切断，也得试。

每改一次，都要拿固定的测试集跑一遍回归，看标签准确率、观点抽取的 F1 有没有掉，有没有把原来对的改错了。测试集还得按时间切开，调参只用某个日期之前的数据，评估只看之后的，不然分数是虚的。

3. 初版拿给客户看，然后一轮一轮调

初版结果出来，要拿着结果跟客户一起看。客户有专人做人工校验，模型打的标签，对的打勾，错的改掉，我们再把这些校验数据拉回来，一条条看错在哪，补知识库，调提示词，再上一版。

这里面最磨人的，是客户的标准答案本身也会晃。我们把校验数据拉出来一看，同样一句"坐着舒服"，一半被打到了座椅，一半被打到了品牌口碑。这时候光调模型没用，得回到第二步，把口径重新跟客户定一遍。

4. 对内，跟开发和产品对齐

这是对外。对内也要花不少时间。

平台那边是开发同事写的 Java 服务，我这边是 Python 的模型服务，两边要对齐接口。单条怎么调，批量一次传多少条，超时多久算失败，出错了返回什么错误码，每个请求带一个 ID，线上出问题能顺着查。

跟产品要确认输出字段。标签要给到几级，情感和意图怎么分，原文定位要不要给，前端好在页面上把那句话高亮出来；置信度要不要给，低于多少的交给人工复核。哪些字段给前端展示，哪些只给报表用，都要提前说定。一个模型做得再好，接口和字段没对齐，产品那边也用不起来。

四、上线：在客户的机器上，从装驱动开始

模型搞好了，要初步上线。车企一般都要私有化部署，模型和服务都跑在客户自己的机器上。这一步全是工程细节，我按顺序说。

私有化上线的七步，从摸清机器到接上客户的数据

1. 先摸清客户的机器

什么显卡，几张，显存多大，系统什么版本，驱动装没装，能不能连外网。一般先跑一遍 nvidia-smi 看卡和驱动版本，再确认容器能不能用上 GPU，比如有没有装 NVIDIA Container Toolkit。很多时候客户的机器在内网里，连不了外网，依赖包、模型权重、镜像都得提前在外面准备好，离线带进去。

2. 驱动、CUDA、vLLM，版本要一层一层对上

装显卡驱动，装对应版本的 CUDA，再装 vLLM。这几样的版本要互相对得上，驱动版本决定了最高能用哪个 CUDA，CUDA 又要跟 PyTorch、推理框架编译时用的版本对上，驱动太旧 CUDA 装不上，CUDA 不对 vLLM 起不来，哪一层错了都要从头查。所以很多人会直接用容器镜像，把这一层依赖锁死。

3. 把模型起起来，把显存分好

模型用 vLLM 这类推理框架起成服务。这里要算的账不少。模型一张卡放不放得下，放不下就要用 tensor parallel 切到多张卡；放得下的话，是一张卡一套服务，还是几张卡合起来跑。显存要提前分好，模型权重之外还要给 KV cache 留地方，gpu-memory-utilization 要调；如果大模型和向量模型共用一张卡，更要分好比例，不然一个服务把显存吃满，另一个就起不来。max-model-len 决定长文本加提示词放不放得下，max-num-seqs 决定一张卡同时处理多少条请求，模型要不要做量化，也要权衡精度和速度。

4. 部署接口服务

接口服务一般用 Python 写，比如 FastAPI，去调推理框架提供的 OpenAI 兼容接口，再打成 Docker 镜像，用 docker-compose 或者 K8s 编排。镜像要尽量瘦身，客户机器上传、拉取都慢。启动也有顺序，模型容器要配 healthcheck 探活，接口服务等它们都健康了再起，起来以后先自检一遍，模型、向量服务、知识库索引都通了才对外。

交付到客户机器上的代码，还要考虑加密和授权，防止被直接拷走。

5. 压测：单条多快，一批多快，显存稳不稳

然后做压力测试。一条评论多久能出结果，P50、P95 延迟各是多少，一批几万条多久能跑完，吞吐能到多少，并发往上加的时候显存和 GPU 利用率怎么变，请求开始排队是在多少并发。我就遇到过并发参数开得太保守，压测一看，显卡的大部分算力都闲着，这种事不压测是发现不了的。

6. 让它稳住

线上跑起来，要能扛住各种意外。多个模型实例前面要做负载均衡。模型服务偶尔超时，要有重试，间隔指数退避，一次比一次长；某个实例连着失败，就先摘掉，过一会儿再放回来；失败太多就熔断，别让一张卡的问题拖垮整个服务。每条请求带一个 request_id，打结构化日志，记下每一步花了多久，再接上 Prometheus 这类监控和告警，出了问题能定位到是哪一步。

还有一些很小但很要命的坑。比如本地的配置文件被一起打进了镜像，线上的开关就会跟代码里写的默认值对不上，排查的时候只看代码，怎么都找不到原因。

7. 接上客户的数据

数据量大的车企，评论是源源不断进来的，要用 Kafka 做消息队列，进来多少先排着，消费端按模型的处理能力慢慢消化，offset 处理好，别重复也别漏，更别一下子把模型服务冲垮。要用 xxl-job 管定时任务，哪些实时跑，哪些每天夜里批量跑，跑失败了怎么重试、怎么补跑。

标签和知识库也会变，改完以后系统要能热加载，向量索引重建的时候不能停服。

再大一点的车企，有自己的大数据平台，Hadoop、Hive、Dataphin，你的结果要写回他们的数仓，表结构、分区、字段类型、更新频率都要跟他们的数据团队对好，下游的报表才接得上。

这些东西哪一样出问题，客户看到的都是同一句话，系统不能用。

五、上线以后：数据报告和可视化

系统跑起来，事情还没完。

到后面，我还要给客户出数据分析报告，做可视化。

一类是业务报告。这个月车主抱怨最多的是哪几个问题，哪个车型的哪个部件投诉在涨，环比涨了多少，售后哪个环节被骂得最狠，新上市的车型车主最先吐槽的是什么。光有标签还不够，我们还会把意思相近的观点自动聚成一堆，给每一堆起个名字，这样能发现一些标签体系里还没有的新问题。

另一类是效果报告。模型这个月在客户人工校验数据上准确率多少，哪几类标签最容易错，错在哪，下个月打算怎么改。验收的时候，客户要看的就是这份东西。

做成看板以后，客户的人每天打开就能看，重视的车企会一直送到很高级别的领导那里。客户最后真正拿去开会、拿去给领导看的，往往就是这些报告和看板。

算下来，从开第一次需求会到交出数据报告，中间这一整条，基本每一段我都要上手。

六、AI coding：从 24 年底开始，我能直接给客户交 demo

真正让我能一个人全干的，是 AI coding。

1. 我用得挺早

24 年底、25 年初，我就开始用 AI 写前端、写后端，直接做出 demo 给客户看。

举个例子，25 年 1 月，我用 AI 从零搭了一个数据洞察平台的 demo，Next.js 加 Supabase，前端后端数据库一套全有。业务人员可以在页面上自己写提示词、试抽取效果，好用的提示词存成模板，有版本记录；选一个模板就能对一大批数据跑批量抽取，看进度和成本；抽出来的结果自动对到标签知识库里。后面还规划了用向量聚类把没见过的新说法聚出来，建议成新标签，审核通过再上线。

放在以前，这至少要产品、前端、后端、算法几个人一起排期。这个 demo 基本是我一个人做的，大部分代码是 AI 写的，我负责想清楚要什么，再一页一页看它做得对不对。

2. 在客户现场，几天交一个真数据 demo

到了 25 年，我基本就在客户现场。拿到需求，先跟客户把最关键的几个页面、几个字段对清楚，然后让 AI 把前后端搭起来，接上客户的真实数据，几天之内就能给客户看一个能点能用的产品 demo。

用真实数据很重要。客户看到的是自己车主的原话、自己车型的问题，一眼就知道这东西有没有用，有用在哪，还差什么。很多需求是在看到 demo 以后才真正想清楚的，比你在会议室里聊三轮都管用。

以前一个需求从提出来到看到东西，要写需求文档、排期、开发、联调，几个星期甚至几个月；现在客户提完需求，过几天就能在自己的数据上点来点去。

3. 连我自己干的活，也慢慢交给 AI

到了今年，变化更大的是我自己的工作方式。前面说的很多活，我都写成了 AI 能直接用的工具。

标签体系几千个标签，二义性、冲突、层级合不合理，人一条条看根本看不过来。我写了一个让 AI 专门审标签体系的 skill，它把有问题的地方挑出来、写成报告，我再拿着报告去改。

知识库里有几万条例句，哪些例句跟标签对不上，哪些一句话里塞了好几个观点，哪些互相冲突，也是先让 AI 按规则加语义判断扫一遍，出审计报告和清洗后的版本，我再挑着看。

调提示词以前是改代码、跑脚本、看日志。现在我做了一个提示词工作台，在浏览器里改提示词，单条测、批量测、两个版本 A/B 对比，每条结果当场判对错。

标数据也一样。先让 AI 按我写好的口径规则预标一遍，我在标注工作台里只做纠错，碰到拿不准的边界，我拍板，再写回规则里，下一轮 AI 就按新规则标。

就连前面说的效果报告，现在也是测试集跑完，AI 自动做错误归因，直接生成一份 Word 分析报告。

所以我的感受是，AI 没有替我把业务想清楚，口径还是我跟客户一条条定的；但定下来以后的那些体力活，它干得比我快得多。

AI coding 前后交付速度的对比，以及今年交给 AI 的五件事

4. 为什么说这样的人稀缺

像字节、阿里这样的大厂，在我看来很难这么干。大厂分工很细，每个人是一颗螺丝钉，派到客户现场的多半是产品和运营，拿到需求还要回去排期给研发。我这样从需求、算法、工程到前后端都能自己来的人，放在大厂里反而不太好找。

说实话，我是吃到了技术红利的。十年 NLP 打的底子，加上车企现场磨出来的业务理解，正好赶上 AI coding 起来，一个人能干完以前一个小团队的活。现在回头看，这样的人其实挺稀缺的，这大概也是 Anthropic 愿意花一亿美元去培养的原因。

七、今年 FDE 火了，大厂才开始招

我干这些活的时候，国内很少有人管它叫 FDE，招聘上也很少见到这个岗位。

到了今年，FDE 一下子火了。国外是 OpenAI、Anthropic、Google 这些公司在抢人，国内大厂也开始专门招这个岗位。我看到的报道里，字节、腾讯、美团今年 6 月都挂出了 FDE 相关的岗位，阿里没直接用这个名字，招的是职责差不多的企业客户解决方案架构师。

有一条招聘要求我印象很深，腾讯写的是希望候选人能跟非技术背景的高管讨论 ROI。看到这句我挺有感触的，这不就是我前面一直在说的事吗，跟一个不懂技术的人讲清楚，这件事值不值、为什么这样做。

看到大厂今年才开始专门招这个岗位，回头看我这几年干的事，也算是走在了前面。

八、国内的 FDE，和最早的 FDE 不太一样

FDE 这个岗位最早是 Palantir 搞出来的，全称 Forward Deployed Engineer，前线部署工程师，意思是工程师不待在总部，直接派到客户的一线去。Palantir 内部管这群人叫 Delta，他们挂在商务拓展部门下面，任务是把 Palantir 的软件平台部署到客户那里，做出实际的技术结果。跟他们搭档的还有一个岗位，叫部署策略师，内部叫 Echo，更偏业务，负责把客户一个模糊的想法变成能落地的方案。

后来 OpenAI、Anthropic 都学了这套，Anthropic 这次用的是 Frontier Deployed Engineer，前沿部署工程师，名字变了，意思差不多。

对比下来，我觉得国内的 FDE 跟最早的 FDE，至少有几个地方不一样。

第一，背后站着什么。Palantir 的 FDE 背后是自家很成熟的软件平台，OpenAI、Anthropic 的 FDE 背后是自家最强的模型，他们去客户那里，更多是把一个现成的东西部署好、改合适，现场学到的东西还会回流到产品里。国内很多做这类活的人，包括我自己，背后没有这样一个平台，大多是项目制，一个项目从头搭一遍，做完留在客户那里，下一个项目再从头来。

第二，分工。Palantir 把偏技术的 Delta 和偏业务的 Echo 分开，两个人配合着干。国内常见的情况是一个人全包，售前、业务、算法、工程、报告都是你，就像我前面讲的那样。

第三，交付环境。国外的大模型公司，很多时候可以直接用云上最强的模型。国内的大客户，车企、金融、国企，大多要求私有化部署，模型跑在客户自己的机房里，卡就那么几张，能用的往往是开源的小模型，你得在这个限制里把效果做出来。

第四，怎么收钱。国外的 FDE 很多是为了卖平台、卖模型，FDE 本身是投入，后面靠长期合同赚回来。国内大多还是按项目收费、分阶段验收，FDE 的成本算在项目里，验收不了，钱就不好拿。阿里云的人今年在云栖大会上也讲过，他们更看好的是按效果收费，和跟重点客户签长期服务合同，这说明大家也都意识到了，单纯按项目卖人天走不远。

最早的 FDE 和国内常见的 FDE，在四个地方不一样

九、国内的 FDE 好不好做

我的看法是，能做，但没有现在说得那么好做。

好的一面是需求是真的多。今年几乎每家企业都在想 AI 怎么落地，政策上也在鼓励服务商搭 FDE 团队，大厂开始招，这个岗位的价值终于被看见了。AI coding 又让一个人能干以前一个小团队的活，懂业务又能动手的人，议价能力会越来越强。

难的一面也很明显。国内甲方普遍强势，预期管理很难，前面说的不敢承诺和瞎承诺，在国内项目里太常见了。项目制做多了，很容易变成高级外包，一个项目一个项目地卖时间，人很累，东西也沉淀不下来。私有化环境又复杂，卡少、网络受限、版本对不上，很多时间花在跟效果无关的事情上。

所以如果你想在国内做 FDE，我觉得有两件事要早点想清楚。

一是选一个行业做深。我在汽车行业做了 4 年多，业务懂得越深，在客户面前越有话语权，预期也越好管。什么行业都做一点，每次都从零开始理解业务，是最累的。

二是把每个项目里重复的活沉淀下来。标签体系怎么审，知识库怎么洗，提示词怎么调，效果报告怎么出，我现在都把它们做成了工具和 skill，以后的项目也能接着用。攒得越多，你就越接近一个平台，越不像一个只卖时间的人。

十、最后

写到这里，差不多把我这几年在车企干的活都摊开了。最后说几句给不同的人听的话。

1. 如果你想转 FDE

我的建议是别只练模型。售前怎么开会、预期怎么管、业务怎么吃透、机器怎么部署、报告怎么写，这些才是把模型变成项目的部分。

不同背景转过来，要补的东西不一样。

算法出身的，跟我一样，模型这块不用担心，要补的是工程和沟通。去自己装一遍驱动、起一遍 vLLM、做一次压测，再试着跟一个完全不懂技术的人讲清楚，你的模型为什么是这个准确率。

开发出身的，工程能力是你的优势，要补的是模型和业务。你得知道模型的边界在哪，哪些能做、哪些做不好，不然在客户面前还是没法当场判断。

产品或者解决方案出身的，沟通和业务是你的优势，要补的是技术判断。至少自己用 AI coding 做出一个能跑的 demo，自己调一遍提示词、跑一遍效果，心里才有底，才不会在客户面前瞎承诺。

不管哪种背景，有两件事都要早点做。一是挑一个行业扎下去，二是把 AI coding 用熟。前者决定你在客户面前有没有话语权，后者决定你一个人能干多少活。

2. 如果你是企业，想找人做 AI 落地

我也说说站在甲方角度，怎么判断一个 FDE 靠不靠谱。

第一，看他能不能当场判断。你提一个需求，他是只会说回去评估，还是能当场告诉你哪些能做、能做到什么程度、哪些要人兜底。能当场说清楚的人，后面一般不会给你挖坑。

第二，看他懂不懂你的行业。他能不能听懂你们各部门的话，知不知道你们的业务里哪些地方最容易出问题。

第三，看他手里有没有东西。能不能几天给你做一个接上真实数据的 demo，手里有没有在别的项目里攒下来的工具。只会讲方案、拿不出东西的，要小心。

3. 我接下来做什么

在 X 上，我会接着把这几年的东西一块一块写出来。私有化部署踩过的坑，一套标签体系是怎么跟各部门磨出来的，怎么用 AI coding 在几天里给客户交一个真数据 demo，还有现在大家都在聊的 Agent，放到企业里到底卡在哪。

我知道这类内容可能没多少人看，现在大家更喜欢看结果，我自己刷推也一样。但这些都是我真做过、真踩过的东西，写出来至少能让我自己再理一遍，也许对正在做这件事的人有点用。

如果你也在做企业 AI 落地，或者在考虑转 FDE，欢迎来聊。如果你的企业正好想做 AI 落地，想找人帮着评估一下能不能做、怎么做，也可以直接找我。