AI+FDE：合格的FDE，要亲手跟老师傅做业务，再把经验解法做成Skill ｜深空之序联合创始人兼COO 芦宇峰分享

在 1024 模力工场·AI社区日主论坛上，深空之序联合创始人兼 COO 芦宇峰，以《FDE：AI 落地的核心竞争力》为题作主题分享。

值得一提的是，深空之序，是芦宇峰与前钉钉 CEO 叶军共同创办的 AI 公司，专注于跨境电商场景的 AI 业务智能体 Agent Nine。

首先，他分享了一个刺绣项目中的教训：AI 生成的图案看起来不错，老师傅一看，却发现机器需要剪线、打结 700 多次。从“生成结果”到“实际能用”，这中间的差距，正是 FDE 需要深入现场解决的问题。

在这个项目中，团队最初尝试让 AI 模仿老师傅操作软件，却发现复杂的工艺判断难以靠复制操作完成，于是转向利用标注数据和后训练，根据原图、面料和针法直接生成针迹文件。据芦宇峰介绍，部分中低难度图案已能实现分钟级产出，但具体工艺问题仍需团队驻厂，陪着老师傅实际打版、反复验证和调整。

第二个案例，是在义乌的报关项目中，团队面对的则是零散、模糊的照片和单据，通过现场收集资料、改进识别能力，将多数报关单的制作时间从至少 3 小时缩短至约 5 分钟，单份制作成本从最低约 70 元降至约 10 元。

芦宇峰强调，FDE 不能只在旁边听、拿着设备录，而要亲手做一遍业务，弄清老师傅凭经验作出的判断，以及流程中可能出现的例外。

收集到的业务资料和操作经验，一定要整理进知识库；解决问题的方法则要沉淀为可复用的 Skill，并配套覆盖真实场景和客户运行环境的测试用例，避免“开发时没问题，到了客户现场却用不了”。

在他看来，交付成效最终要看省了多少时间、降低了多少成本。而 FDE 更长远的价值，是把一次项目的经验变成产品能力，让下一个遇到同样问题的客户，不再需要团队从头驻场解决。

以下为芦宇峰讲演的完整速记，模力工场在不改变原意的前提下进行了订正和编辑。

FDE：要亲手跟老师傅做业务，再把经验解法做成 Skill

大家上午好！很高兴来到这里，和大家分享 AI+FDE。

先简单介绍一下自己。我之前很多年都在创业，也在阿里待过，在不同企业担任 CTO，前后做了 14 年。一个岗位做久了，难免会少一些新鲜感。创业这么多年，我也想尝试做业务，所以在新的创业项目中，我开始转变角色，担任深空之序联合创始人兼 COO。

现在，我要出去做业务、签单，推动具体场景落地。我负责渠道建设和生态伙伴管理，也组建了一支 FDE 团队，负责企业 Agent 的交付和落地。

今天，我想和大家分享这段时间亲身经历的几个项目，以及我们在其中遇到的问题。

我不太擅长一上来就讲很多概念，我们先看一个具体场景：刺绣。

刺绣是一个很有意思的产业，在浙江诸暨非常发达，可能占全球产业份额的 80%，甚至更高。

为什么我们会进入这个场景？因为我们讨论的是 AI 在企业中的落地，工业企业也是其中的一部分。

先看这张图：这是一只很好看的狐狸，一边是原图，另一边是刺绣图。要把一张效果图变成刺绣机器可以使用的针迹文件，其实非常复杂。这个过程需要打版师先出效果图，再使用一款昂贵的国外软件，花很长时间完成打版设计。这款软件类似工业 CAD，叫 Wilcom。

我们试用过这款软件。最初考虑的是，能不能用 Computer Use 这类能力来完成操作？后来发现做不到，因为其中涉及的判断非常复杂。

这里有哪些工艺要求？比如，不同机器有不同的配色，图案需要分成很多层，有的要先画轮廓，再做填充。这些都是刺绣的基本工艺原则。

还有一些更复杂的图案，比如山水图。刚才那张狐狸图已经算比较简单的了。如果按 1 到 10 划分难度，它最多是 4 或 5；到了需要真实还原人像的程度，就会非常复杂。

我们恰好认识诸暨一位做了多年数字化的生态伙伴，聊起这个话题时，他也在思考：AI 能为刺绣打版做些什么？

于是，我们做了一系列深入研究，发现其中有不少问题。

一方面是耗时长，可能需要 5 天，软件也很昂贵。另一方面，大量打版经验都在老师傅的脑海里，并没有形成系统的课程。教一些简单操作，比如怎么使用软件，没有问题；但如何把一张好看的图变成刺绣文件，涉及对颜色的判断、审美，以及刺绣工艺的设计，这些通常没有人教，更多依赖老师傅的经验。

所以，我们要做的，是大家前段时间经常提到的“蒸馏老师傅”。但有多少老师傅愿意被“蒸馏”？这是一个很现实的问题：我凭什么让 AI 取代自己的岗位？

这也是 FDE 在现场经常遇到的问题。你要怎么说服他，让他接受 AI 的目的不是取代他，而是提高工作效率，让他能够提前下班、早点回家，不用再用眼睛仔细盯着每一个针脚，琢磨怎样才能做得更好。

我们最初的方案，是用 Computer Use 这类能力模拟老师傅在电脑上的操作。

前期做了很多录屏，拿回来分析，想看看能不能原样复现。后来发现，根本无法通过这种方式完整复制、蒸馏整个操作过程。

于是，我们换了一个思路：为什么还要沿用原来的工作方式完成任务？为什么不能用 AI 的方式来做？

后来，我们把流程改成：上传原图，选择刺绣面料和相应针法，比如平针等，再直接生成针迹文件。

这能不能做到？我们拿了两万多套相关数据，做了大量人工标注，也做了一些后训练工作，最终实现了分钟级产出。

如果按 1 到 10 划分图案难度，10 是最难，我们认为，难度在 1 到 5 的图案已经可以做到分钟级出图。

这就是我们在诸暨工业场景中开展 FDE 现场需求调研、最终实现的效果。产出中包括刺绣图和工艺文件，里面会列出所涉及的色号、针数等信息。

当然，我们在这个过程中也遇到了很多问题。刺绣涉及很多颜色，换针时还会涉及打结和剪线。

最早，老师傅看了我们生成的那张图，发现竟然需要进行 700 多次剪线和打结。这些都是具体工艺中的问题，必须由 FDE 到现场解决。

我们的 FDE 在工厂待了很长时间，陪着老师傅亲手做过打版，再用 AI 针对这张图反复训练、验证，才得到了后来的结果。

再来看另一个 FDE 落地场景：报关。

义乌有很多外贸企业，报关是其中非常重要的一环。我们遇到的一种比较复杂的场景是“1039”，也是义乌这边很有代表性的报关场景。

企业可以请外部人员制作报关单，费用大多在 70 元到 200 元左右。根据照片的清晰度和资料的完整程度，手工制作一张报关单，大概需要半天到一天。

这些就是“1039”场景下通常收到的资料，有时只是简单拍一张照片，包括门锁、仓单、称重单等。资料不止这些，数量很多，也很杂，清晰度有时也存在问题。

这也是人工制作报关单耗时很长的原因：资料非常混乱。

有些场景已经可以通过软件在线生成资料，或者提供电子化文件，但我们接触的“1039”场景仍然比较复杂，很多环节依赖人工，提交资料的方式就是简单拍一张照片。所以，以前人工制作报关单需要花很多时间。

我们有一位 FDE 同事在义乌待了很长时间，收集报关所需的相关资料和信息，不断让 Agent 运行、测试，改进对这些数据的识别能力。

最后看效果，大部分报关单的制作时间，都可以从原来的至少 3 小时缩短到 5 分钟。原来最低一单 70 元的制作成本，用 AI 后大概是 10 元，甚至更低。

以上就是两个由 FDE 在现场开展场景调研、挖掘需求，并最终完成交付的案例。

回到这两个案例，我们认为 FDE 应该做什么？

在组建 FDE 部门时，我们会思考不同岗位的关注点。以前，研发更多关注功能和场景，产品经理关注如何整理分散的需求，形成完整的产品。FDE 关注的范围会更广，要从场景、产品到整个行业，全面了解并挖掘需求。销售则要把产品转化为行业解决方案，再把它卖出去。

客户的视角又不一样。前面这些岗位更多从软件或 AI 产品的角度出发，而客户身处具体行业和产业，关注的是：什么对自己的行业和产业最有利，什么能够真正帮助自己？

那么，FDE 进场的第一件事是什么？收集数据。

最近，我们看了不少失败案例，其中一种情况是：进场后就急着干活，先盯住一件事，想着能不能从某一个点打开局面。

我们之前也有一个项目遇到了类似问题，效果并不好。后来，我们换了方式：FDE 进场后，先收集资料，尽可能把企业的上下文信息收集起来。

这里的上下文，不只是企业已有的文档。有些小企业的文档管理并不完善，很多信息都在微信里，还有一些分散在不同员工的电脑中。这些数据都需要收集起来。资料格式可能各不相同，有些特殊格式还需要专门解析。

必要时，我们也会做数据导出，把资料收集齐全。现在 AI 的摘要能力已经很强，可以借助它拆解、整理资料，形成企业知识库，作为后续开展工作的知识来源。

收集资料之后，还有一个非常重要的过程：FDE 一定要跟着客户，跟着所要解决的问题对应的岗位，亲手把业务做一遍。千万不要只是调研，站在旁边拿录音笔或其他设备，录下客户怎么说、怎么讲。这样很难真正体会客户的难处。一定要亲自下场操作，自己走一遍流程，才能理解其中的问题。

有些地方，老师傅凭经验就能处理，甚至不觉得是问题，但对新人来说，其实非常难。

无论是报关单、刺绣，还是我们正在做的其他外贸场景，都是如此：一定要自己做一遍，了解其中可能遇到的问题和例外情况。

既然是新人，就要抱着学习的态度向老师傅请教：为什么我这样做会有问题？有没有例外？一定要把这些异常流程了解清楚，并核实处理结果。

亲手操作的过程，最后也要记录下来，写回知识库。

在“蒸馏”了一些岗位专家的经验之后，我们发现，这个过程有点像茅台的国标：工艺非常繁琐，但也非常规范。

这些过程，都可以在实施中沉淀下来。那么，应该用什么方式沉淀需求、客户场景和遇到的问题？

我们的岗位和刚才毕玄老师讲的不太一样。我们不是研发岗，而是偏业务执行的岗位。

但我们仍然强调：FDE 在交付时，要把自己运行、使用的方法一并沉淀下来。刚开始，你可能用提示词完成一项任务，但完成之后，就要尽快把它沉淀成 Skill，这样，你的能力库才会逐步完整。

我们的 FDE 团队有一个共享的 Skill 仓库，大家新写的内容都会上传，也会互相查看。遇到同样的问题时，我们会看看其他团队成员写的 Skill 能否解决，并不断尝试。

另外，还要构建交付的 Harness。在这里，可以把它理解为：FDE 必须收集足够多的测试用例，把用户场景转化为可以执行的测试。

现在，用 AI 执行测试已经没有太大难度。研发同学更多针对开发的功能、接口和界面进行测试，但基于真实业务场景的测试，一定要由 FDE 团队来做。

FDE 要收集足够多的场景用例。在研发完成交付、测试团队完成测试之后，还要用自己的 Harness 和测试用例库再跑一遍，因为这些用例来自现场真正遇到的问题。

有些 Bug 反馈给研发后，双方的理解可能不一样。研发可能从底层原理上修复了问题，但用户实际遇到的问题有没有解决，并不一定。

举个例子，我们现在很多人已经习惯使用 MacBook 开发，很久没有用过 Windows，但我们的外贸客户几乎都在用 Windows。

有时，开发完成后，即使装一台虚拟机运行，感觉没有问题，到了客户现场仍然可能出问题：客户使用的操作系统版本、防火墙，以及其他运行环境信息，都需要记录下来。开发同学不可能总去现场，这些工作就需要交给 FDE 团队完成。这是交付过程中的重要一环。

最后，还要测算业务结果。如果一件事没有带来实质性的效率提升和成本降低，它的价值就比较有限。

客户可能会问：现在人工成本这么低，请兼职、刚毕业的学生，甚至还没毕业的学生都不贵，为什么要用你的产品？

产品必须带来实质性的效率提升和成本降低，才有价值。因此，FDE 的最后一项工作，就是测算业务结果。

从实现功能，到交付具体场景，再到沉淀能力、形成 Skill 和 Harness，这就是我们刚才讲的整个过程。

前段时间，OpenAI 的一位研究员在 X 上分享过一个观点，我觉得非常好，大意是：如果下一个客户能够在没有我们帮助的情况下解决同样的问题，那么 FDE 团队就完成了使命。

我看到有篇公众号文章把它概括为“FDE 正在干掉自己的岗位”，有一点标题党的意味。可能有朋友也看到过。但我点进去后，认为它讲的不是让 FDE 失业，而是形成反馈：OpenAI 的 FDE 把与客户合作取得的成果转化为更好的产品，通过这种方式，让产品能够承担原本需要自己完成的工作。

这和一开始就让自己失业，是两个不同的概念。

最后这一页也是一个广告。我们是一家新公司，正在推动各个行业的企业 Agent 落地。目前进入的行业主要是外贸和跨境电商，这也是浙江非常繁荣的产业生态。

我们也在做银行风控，以及刚才提到的工业场景。我下周就要去拜访一些工业客户，了解 CAD 图纸生成等方面的需求。

我认为，在中国，真正能用好 AI 的人可能只有万分之一，甚至还不到。我们有责任帮助那些过去数字化基础还不够好的企业完成 AI 转型，否则，他们可能很难享受到这一波 AI 红利。

我负责渠道、生态伙伴以及 FDE 相关工作，也希望借这个机会和大家建立联系。我们有一些产品试用的机会，也欢迎大家在生态能力方面开展合作。即使在 AI 时代，即使几十个人每天并行使用多个 Agent 开发，我们也不可能完成所有功能、解决所有业务场景的问题。

所以，无论是具有行业背景的 FDE 个人，还是已经在某些行业积累了成熟 Skill、数字化能力的商业公司，我们都希望后续能够建立联系，一起合作解决这些问题。

我的分享就到这里，谢谢大家。