ALL INTELLIGENCE
InfoQ 中文T2·Agents

Deep Space Order Shares FDE Model: Embedding Business Expertise into Agent Skills

By 木子Original title: 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
42AI Score

Shen Kong Zhi Xu COO Lu Yufeng advocates for Field Deployment Engineers (FDEs) to embed in business operations, manually replicating expert judgment logic. Through embroidery and customs declaration cases, the team converts tacit experience into reusable Agent Skills and test cases, bridging the gap between 'generated results' and 'production-ready' solutions to reduce delivery costs and enhance scalability.

Full Report

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。