酷应用

“Engineer不是写代码的”：三个团队对FDE的重新发明

软件作者：牛透社 2026-09-04 09:32:19

当甘艺凡说“中国大部分人对engineer这个词有误读”，当那荣钰把科学家搬到产线上做科研，当周骁聪让AI Agent在客户现场自己进化，FDE在中国已经不再是硅谷的那个FDE了。一场理论重建正在发生。

文 |崔强

前面六个人，问到FDE是什么，反应大致相同：“我就是那个角色” “我们团队里有人在干这个” “说出来你可能不信，我干了好几年才知道这玩意叫FDE”。这是一个发现的过程。他们在被业务追着跑的时候撞上了FDE，然后回过头来认。

Rolling AI联合创始人甘艺凡和另一位联合创始人刘开，跟前面的人不一样。

采访一开始甘艺凡就说：“如果我们把FDE当成一个过程性的职位，它其实就回到说我是product design、UI、UE。但实际上这三个词的表达反过来，它代表一种结果。”

他不是在描述FDE。他在重新定义它。

接下来我又采访了两位创始人：素源矩阵创始人那荣钰、全景效应创始人周骁聪。三个人来自完全不同的领域。

甘艺凡和刘开做零售快消的AI陪跑，那荣钰做材料工业的AI研发，周骁聪做企业经营决策Agent。三个人加起来，公司总人数不到八十，但他们在FDE这件事上给出了目前最系统的理论思考。

他们的共同点不是“做了什么”，是“想了什么”。不是“先干后认”，是主动重建这个概念本身。

01 三个字母，三个误读

甘艺凡有一件事想纠正很久了。

“中国大部分人对engineer这个词是有误读的。大家都认为工程师就是会写代码的人。其实完全不是。”

他和刘开创立的Rolling AI是一家60多人的公司，一百多家企业客户，聚焦零售快消行业。

两人都是从BCG Digital Ventures出来的：甘艺凡做设计，刘开管研发约二十年。照理说，刘开才是那个“会写代码的工程师”。但甘艺凡说自己在公司的代码量排名很高：“我虽然能力很差，但我心力很足。”

他说的“心力”不是比喻。

在Rolling AI，面试的标准是“聪明、勤奋和穷”。“穷”是开玩笑，意思是饥饿感。招录比约一千份简历进一个人，含AI面试初筛。“我们团队对于有一类型的人是几乎没有办法land超过一周的：ego大的人。只要这个人ego大，他是没有办法在我们这里land的。”

那甘艺凡眼里的engineer到底是什么？

“一个能够把某件事情的复用性以工程化的能力，让他在一个组织里面系统化地跑起来的人。” 不是写代码的人，是建系统的人。不是解决一个问题，是让解决这个问题的方法可以被复用。这个定义把FDE里的E，从技能标签变成了工程思维。

接下来是D，Deployment。

刘开接过来说了一段话，我觉得可能是这轮采访里对”部署”最深的解读：“大家会把deployment认为是一个代码要进入服务器的过程。但实际上在我们看来，是一套新的生产力要进入企业的过程。”

他说，AI时代的deployment特别厚，厚在业务层。“所有deployment的阻碍全部都不出在科技上，全部都出在组织，出在业务的流程，出在原来的业务目标不对齐。”

这解释了FDE为什么不是传统的“驻场工程师”。

驻场工程师的工作是把一个东西放进客户的系统里：装好、配通、走人。FDE要放进客户系统里的不是代码，是一套全新的生产力。

代码部署可以在远程完成，生产力的部署必须在现场。你要亲眼看到门店的店长怎么用AI做排班、暴雨天怎么提前通知临时工、怎么管库存损耗。这些东西写不进文档里，但你如果没看到，Agent就跑不通。

最后是FD，Front End。

“一线有两种定义。我们现在很多的一线是真正的一线，比如说门店，我们就真的在门店，而不是在公司的总部。在公司的总部其实不叫front end。”

甘艺凡说，他和团队日常打交道的不是管理层，是“这个组织里干得最好的人”：最好的店长、最好的站长、最好的营养师。“管理层有时候甚至只是被通知的和付费的。”

这和硅谷的FDE用法有一个微妙的差异。

硅谷的front end指的是“在客户端”，可以是在甲方总部的办公室里，只要不是乙方总部就算front end。甘艺凡把这个定义往下推了一层：真正的front end是听到炮火的地方。

门店里一个临时工因为暴雨来不了，店长能不能在头天晚上就知道？就这一件小事，他说：“1000家门店一年能省700万。”

三个字母翻新之后，FDE就从“怎么部署一套系统”变成了“怎么让一套新的生产力跑起来”。这个转变把FDE从技术岗位甩进了业务深处。

FDE内部的三种人

不过，甘艺凡对FDE的理论重建不止于此。他还做了一件这轮采访没人做过的事：把FDE的日常工作拆成了三种倾向。

第一类是业务融合。梳理业务目标、理解业务流程、摘取最佳实践，为AI在各个业务环节的landing做准备。这种FDE的日常搭档是“组织里干得最好的人”，而不是管理层。

第二类是AI Builder。梳理智能体架构、定义输入输出、定义测试用例、决定“最佳实践应该放在工作流还是提示词还是知识库里”。这种人跟偏业务方向的FDE搭班子。

第三类是知识管理。抽取隐形经验和隐形知识、定义知识的边界：哪些是门店级的、哪些是区域级的、哪些是全国级的。这种人跟企业内部的“知识管理者”搭档。

“一组人只服务一家企业。”甘艺凡说，“我们认为只有钻进去，你永远会有很多细节。所有最大的机会现在全都在那些魔鬼细节里面。”

三种分工和“一组人只服务一家企业”放在一起，揭示了一个现实：FDE的规模化不是招更多人覆盖更多客户，是一个人扎得深，才能创造别人看不到的价值。

钢铁侠与主动性的问题

聊到转型困难的时候，甘艺凡说了一个比喻。

“斯塔克成为钢铁侠，不是因为一个普通人穿上了盔甲，他就成为了钢铁侠。是因为他想成为钢铁侠，所以他穿得起那身盔甲。当碳基生物本身对这件事情没有主动性的时候，整个组织是转不过来的。”

这个比喻的背后是他对FDE的终极理解：FDE是一种思维方式，是一种解题的思维方式。

他和刘开把FDE升级到了一个比“能力”更高的维度：“它既有能力的部分，也有基因的部分。当我来了一个事，我首先是找AI，还是首先是找人？我什么事情找AI，什么事情找人？所有这些模糊的、清晰的能力和模糊的感觉打包在一起，形成了FDE。”

02 不是所有场景都适合做FDE

那荣钰的话更少，更安静。他的公司在材料工业，一个离AI圈主流叙事最远的角落。

素源矩阵做什么？“帮材料企业做研发和生产的AI。”具体来说，把科学家放到客户的工厂和产线上，用AI重新做材料筛选、工艺优化。核心团队只有七个人，全员都是FDE。他自己每个月拿七千块钱。

“我们团队目前核心成员只有7位，大家都是FDE。”我愣了一下。七个人怎么撑起五个国央企客户？每个项目周期约一年，客单价一百万。理论上这是不可行的。但他的客户都是百亿营收以上的头部企业。

然后他说了一句前面六个人都没说过的话：“不是所有场景都适合做FDE。to小B这件事本身就不太适合。”

这是这轮采访到现在，第一次有人给FDE画边界。

前面大家都在说FDE是什么、怎么做、怎么规模化。那荣钰说的是“什么时候不应该做FDE”。这个判断的背后是一个朴素的商业逻辑：你要帮客户解决的问题，体量得大到客户愿意为此付费。“企业不愿意为不确定性去做试错和投入。你先帮他解决确定性高的问题，他才愿意跟你一起探索不确定性高的。”

一个做建材的大型集团就是他说的典型客户。

表面看是建材、家具、板材，深入之后覆盖了工程材料、高分子化工、芯片封装玻璃、半导体级氟玻璃、光纤。那荣钰说：“在这个体量下，从集团开始，一个点一个点去做FDE，是能说清楚的。”

他的公司连创业路径本身都是被不确定性倒逼出来的。

那荣钰本来想做无醛胶水：“那是一个被逼的改变，但后来变成主动选择了。”先切生产流程再造，帮工厂优化现有工艺，这个过程积累数据和信任，然后再回头做新材料。这不是主动规划的战略，是撞了南墙之后发现这条岔路反而更通。

不过那荣钰最独特的创新不是适用边界，是他的FDR，Forward Deployed Researcher，前置研究员。“我们把科学家都放到客户前线，在工厂端、材料生产端做科研。”

材料工业的AI和互联网AI有一个根本区别：数据不在服务器上，在产线旁。传感器的数据实时产生，模型的训练必须在数据旁边完成。科学家的工位就是生产线。

AI恐惧在产线上是一样的

采访中我提到了识渊科技联合创始人、CTO茹彬鑫的观察：全自动AI让客户恐惧，“万一错了怎么办？”那荣钰立刻接住了：“材料行业完全一样。”他的解法不是降维，是渐进式信任构建：“先让AI当助手，再当参谋，最后才是主驾。”

这个三步策略的背后是材料工业最核心的矛盾。

客户既需要AI，因为传统试错成本太高；又怕AI，因为“如果AI给错了参数，谁来担责？” FDE在其中的角色不是说服客户，是由浅入深地证明AI是可靠的。

这不是一次技术演示能解决的，是长期蹲守产线、用一次次无风险的“助攻”积累起来的信任。

“这个画像非常像创业者本身”

聊到FDE人才时，那荣钰说了一句让我重新审视这个角色的话：“这个画像其实非常像创业者本身。”

他的理由很简单。

创业者做的事就是识别问题、快速做决策、调用资源、动手解决、验证迭代。FDE在客户现场做的事一模一样，只是问题的边界换成了客户的业务场景。

那荣钰和合伙人都属于“两者兼备”，既是行业专家又是科学家。

他的团队三分之一是行业专家、三分之一是纯科学家Builder、三分之一是两者兼备。这种构成本身就解释了为什么FDE不是“招一个人”的问题：你的团队基因决定了你的FDE形态。

那荣钰的FDE+FDR是材料工业的独有解法，放到别的行业可能完全不对。

当我问到FDE需要什么样的人时，他提了三个词：必须动手，就是“行动派”；工科思维；不要太情绪化。最后那条他说了很久。在产线上蹲几个月，被质疑无数次之后，最重要的素质不是聪明，是扛得住。“我用理性来弥补感性所带来的风险。”

创业本身就是一件感性的事：选了一个又难又苦的方向，赚着比楼下房产中介还少的钱。但他在执行层面用极强的工科理性对冲这份感性。这和他对FDE人才的要求是同一种逻辑：你得有冲动去一线，但在一线的时候你得冷静。

03 让 Agent 自己进化，但人更忙了

周骁聪是这轮采访里最年轻的创始人，2024年下半年才创业，五个人全职，全员FDE。之前在字节跳动，又去面壁智能做了两年B端商业化。他的公司全景效应切的是企业经营决策：帮CFO和战略部门做供应链预测、销售方案生成。

刚见面他就提了一个让我意外的判断：“FD是AI native公司的基本功。”这句话是句子互动创始人李佳芮说过的，周骁聪直接引用，认同。五个人，title是产品经理、研发、售前，但“我们其实每一个人都可以算FD”。研发也在客户现场，售前不只是讲PPT，从演示到上线到日常维护全程跟踪。

但真正让我反复琢磨的，是他的MetaHarness概念。

他把FDE的交付模式分成三种。

第一种：给客户一套固定的Harness，用完就走。
第二种：给客户一套需要手动维护的Harness，永远绑在客户身上。
第三种：给客户一个自己会进化的MetaHarness。

他选了第三种。

“AI带来了一种可能性：给客户部署了一个数字员工，他可以在客户环境那里自己成长。”他举了一个例子。

一个餐饮客户问Agent“上月销售额同比增长多少”，Agent算出来的数和客户的BI看板对不上。客户直接给了正确答案，Agent自己去查，发现有一个字段，退货，没考虑进去。Agent自动学习到“计算销售额要排除退货”这个知识，存入记忆，下次不会再犯。

这就是MetaHarness的“meta”部分：不是给Agent写更多规则，是让Agent自己学会新的规则。

但我以为这会降低对FDE的要求。周骁聪说恰恰相反。

“对FDE的要求是更加高的。”因为设计这套自进化机制极其复杂。“怎么保证它真的学到了，不是在头痛医头、脚痛医脚？怎么不让系统变成一座屎山？” Agent的自进化能力越强，需要FDE判断的东西越多：哪些反馈值得学，哪些反馈是噪音，进化之后有没有产生新的错误。

他说了一个我印象很深的比喻：“AI现在像一个刚毕业的同学，数学、编程这些基础逻辑能力都有，但落到业务里缺非常多的行业知识。从60分到80分甚至90分，投入的成本和难度可能并不比训练一个大模型要简单。”FDE的工作就是让Agent从60分变成90分：不是教它代码，是教它业务。

周骁聪招人的偏好是不看经验看年龄。“我现在会比较偏向年轻的同学。”团队里有一个应届生、一个毕业一年，都是00后。

原因很简单：要真正理解AI，又要理解业务，知道客户到底想要什么、评价标准是什么。这两条加在一起，在传统行业干了很多年的人反而不容易做到。

决策场景的独特挑战

周骁聪切的赛道有一个本质上的难处：验证周期特别长。

做了一个决策，可能要等一个月甚至一个季度才能看到结果反馈。这造成了两个连锁问题。

一是按结果付费很难，“不是现在立即能看到的”。
二是一旦跑偏，纠正成本非常高。

所以他的定价目前还是传统路径：大B跟IT预算走，中小B按“一个员工”来定价，大几万到十几万。但他认为这个场景才是真正产生大价值的地方：“企业更多想的还是怎么来开源，而不是仅仅是提效。编程提效大家感知明显，但价值不是那么显性。决策场景是更加能产生更大价值的。”

还有一个细节：他的大B客户会自己建benchmark选供应商。

“非常专业的客户，会自己做测试集，有几十个问题、一定数量的文件，看哪家供应商在这个benchmark上表现最好。”全景效应就是在这样的benchmark上“明显领先”才拿到了客户。

这意味着FDE的交付质量有了一个外部裁判。

不是你自己说做好了，是客户用一套标准测出来的。这在传统软件时代是常识，但在Agent时代，Agent的输出是概率性的、非标准化的，建benchmark这件事本身就很难。

“好客户是可遇不可求的”，周骁聪说这类客户不只是付钱，“他们自己对AI的理解很深，日常都用Claude、Codex做自己的事情，甚至会跟我们讨论技术设计。”

04 Palantir 的幽灵和那条永远存在的桥梁

把这三位放在一起，一条线索就出来了。

甘艺凡和刘开在重新定义FDE的三个字母：不是在技术层面，是在哲学层面。他们不只是在说“FDE要做这些事”，而是在说“FDE实际上是什么”。

那荣钰在给FDE画边界：不是什么场景都适合，不是说什么都能做。周骁聪在让FDE的工作对象自己进化，但进化机制越复杂，对人的要求就越高。

三个人都干了一件事：把FDE从“做法”变成了“想法”。前面六位受访者在用行动定义FDE，我在干这个，那就是FDE。这三个人在追问：FDE到底是什么？

还有一个有趣的对照：三个人对Palantir的态度截然不同，但都不认为Palantir是答案。

甘艺凡最极端：“全世界只会有一个Palantir。他的模式在中国之所以不能复制，是因为整个商业底层不一样。美国商业底层是契约制的，中国是一个人情的、一人设岗的管理方式。”
那荣钰曾经用“中国材料工业的Palantir”定义自己，但后来放弃了：“今天投资人和大多数人对Palantir的理解是有误解的。”
周骁聪压根没提过Palantir，他的参照系不是任何外部标杆，是AI native公司的组织逻辑本身。

三种态度归结到一点：他们不需要硅谷的模板来定义FDE。

采访快结束的时候，我问甘艺凡和刘开一个尖锐的问题：FDE会不会只是一个过渡态？AI能力越来越强，现场还需要人吗？

甘艺凡说：“FDE本身作为engineer，它在构建的是某种工程。当模型不够强的时候，它要用工程化方式来弥补模型的短板。

当模型足够强的时候，但模型又没有办法探索到真实空间里发生的很多事情的时候，它应该做另外一种工程：给模型提供足够多的上下文。他是AI和现实世界目标中间的那个人。他消失的那天是所有人都不需要再工作的那天。”

刘开接了一句，把我逗乐了：

“会有一个角色是虚拟世界和实体世界中间的桥梁。这个角色在过去20年是产品经理，是我们的数字化BP。今天我们叫他FDE，再往前面走叫做上下文环境提供师，再往前面走，那个人叫做人类心情抚慰师。”

他不是在开玩笑。产品经理、数字化BP、FDE、上下文环境提供师、人类心情抚慰师，这条谱系不是在描述工具的演进，而是在描述“连接”本身的演进。那荣钰的FDR也在这条谱系里，把科学家前置到产线。周骁聪的MetaHarness也在这条谱系里，这次不是人在进化，是Agent在进化。

三条路，都在说同一件事：FDE不是AI不够好的时候的临时补丁。它是一种组织与AI之间永远需要的连接。AI越强，客户现场越复杂，连接本身就越值钱。

一个细节收尾。

在Rolling AI的采访中，甘艺凡说他们7月1号刚涨了价，40%，“依然还是签”。目前收费是月费制，单客户年费可达千万级。“对于稀缺品来说，大家就还是应该守住应有的价值。“他用鲁花做类比，食用油行业平均净利一两个点，鲁花能做到二十多个点的EBIT。“在任何一个行业，这都是一个选择。”

前面的采访里，几乎所有受访者都在焦虑定价：

FDE太贵了，客户付不起；FDE太便宜了，覆盖不了成本。