AI-FDE 转型之路

从客户现场走向 AI 交付：一套写给实施、售前、交付、运维背景同学的 AI-FDE 转型学习路径。

13 篇文章

AI-FDE 转型之路 · 开篇

AI 这一轮，最危险的不是不会写代码的人，而是只会传话的人。写给常年泡在客户现场、懂业务、想抓住这轮 AI 机会的人：什么是 AI-FDE、需要哪些能力、这个系列打算怎么写。

做 AI 交付，第一件事不是学怎么调模型，而是知道它能做什么、不能做什么、会在哪儿错。这篇给出四类必错场景，以及「什么算会了」。

Prompt 是 AI 项目里唯一「谁都能改、但没人负责」的地方。把它当代码管：存文件、记改动、跑回归题。

大模型没有记忆，它每一轮看到的只是你重新拼好的一段文字。理解 Context 的组成、上限、压缩、幻觉和成本，才知道该往里面放什么、拿掉什么。

RAG 是让模型开卷考。大部分活其实在检索这一侧，所以答不准时先拆链路、打中间结果、按故障表定位，而不是先换模型。

RAG 最脏最累、投入产出比也最高的一段：扫描件、表格、多栏和标题层级四个杀手，以及切分、体检表和 Dify 落地映射。

模型缺的不是智力，是数据、算力和手脚。工具该怎么分类、怎么接，以及为什么一行工具描述就能决定它调不调用。

模型从头到尾没有调用过任何工具，它只输出一段「我要调什么、参数是什么」的文本。把四轮完整报文摊开，看清执行、回填、成本和 MCP 的边界。

写给不写代码的 FDE：版本、虚拟环境、离线装库、读报错、五分钟看懂一段陌生代码，以及让 AI 改代码时如何保住验收权。

从角色分工、工具调用与 MCP 的边界，到值不值得包、四道验收关和二十几行可运行代码：把内部系统包成 MCP Server 的现场判断。

Agent 不是更聪明的模型，而是让模型能动手的一段程序：一个循环、三层刹车、最小闭环、停止线、观察能力与文件四件套。

shell 四层拦截、检索与上下文裁剪、斜杠命令与子 Agent 权限：把 Agent 从能跑变成可控。

插件、MCP、Skills 三种扩展方式，程序记账与回答前检查，逐次日志与长期记忆，以及一张诚实的验收清单。