从 AI 开发到业务落地：一个 AI Native 开发者的 FDE 初探
回顾过去六篇文章，我从"一人公司"的概念出发，一路走到了模块化的全栈项目。
这条路径很清晰：OPC（认知）→ Prompt（沟通）→ Agent（工具）→ CLI（工作流）→ Git（版本）→ 模块化（架构）。每一步都让我离"独立用 AI 构建产品"这个目标更近一点。
六步走完，我发现自己到了一个微妙的阶段：代码会写了，项目能搭了，各种 AI 工具也用得顺了。然后呢？
AI 怎么真的产生商业价值？
这个问题不是突然冒出来的。我在学 Git 和模块化的时候越来越强烈地感觉到——技术是手段，不是目的。写代码、搭项目、用工具，这些事情最终都要回答一个问题：我做出来的东西，有没有真的解决某个人的问题？
就在这时候，我注意到了 AI 圈里一个越来越火的新岗位——FDE（Forward Deployed Engineer，前沿部署工程师）。
看了很多资料之后，我发现 FDE 回答的正是那个困扰我的问题。它不是一种新的编程技术，不是新的框架，而是一种视角的转换：从"AI 能做什么"转向"业务需要什么"。
所以 v007 的主题就是 FDE。
一、AI 工程师的四段进化
先从我笔记里的一段话说起：
Software Engineer（古法软件工程师，copilot 代码建议，人是主力，AI 辅助） → Prompt Engineer（提示词工程师，AI 为主） → Agent Engineer（智能体工程师，AI 编程能力强，可靠的执行） → FDE Engineer（前沿部署工程师，业务结合）
这不是一个随意的分类，它恰好对应了我写这七篇文章时的心路历程。
第一段：Software Engineer。 v001 的时候，我还处于"AI 帮我写代码"的阶段。AI 是工具，我是主力。我描述需求，AI 生成代码，我复制粘贴。这个阶段的核心问题是"怎么让 AI 听懂我的意思"。
第二段：Prompt Engineer。 v002 我学会了结构化 Prompt——五块分割法、六要素框架。重心从"写代码"转移到了"写指令"。我意识到，在 AI 时代，表达意图的能力比写代码的能力更重要。
第三段：Agent Engineer。 v003 和 v004 让我接触到了 Claude Code 的 Agent 模式。AI 不再是逐行回答问题，而是可以自主完成整个任务——搭建落地页、操作文件、运行命令。我的角色从"写 Prompt 的人"变成了"给目标的人"。
第四段：FDE Engineer。 这就是 v007 要聊的。
这四个阶段的演进有一个隐藏的脉络：每一层都在提升抽象层次和杠杆效应。
Software Engineer 逐行写代码，杠杆是 1×。Prompt Engineer 用自然语言描述意图，杠杆是 10×。Agent Engineer 设定目标让 AI 自主执行，杠杆是 100×。FDE Engineer 把 AI 嵌入到真实的业务流程中，杠杆是 1000×。
但 FDE 不取代前三个阶段——它整合它们。一个 FDE 需要在不同场景下灵活切换角色：有时写代码、有时写 Prompt、有时搭建 Agent 工作流，但最终目标始终是让 AI 在业务中产生可衡量的价值。
这也呼应了 v001 的 OPC 理念。OPC 说一个人可以分饰七个角色，FDE 做的就是同一件事——只不过场景从"一个人创业"扩大到了"把 AI 能力带入企业"。
二、从卖模型到卖结果：AI 行业的新拐点
过去两年，AI 公司的竞争焦点很明确：模型能力。谁的参数更多？谁的上下文更长？谁在 benchmark 上跑分更高？
这些当然重要。但从今年开始，风向变了。
OpenAI 成立了一个 FDE 公司，叫 Tomoro。 Anthropic 和 Goldman Sachs（高盛）、Blackstone（黑石）成立了 AI 服务公司，要把 Claude 带进企业的核心业务流程。
这些信号说明一件事：AI 公司已经进入了一个新阶段。
过去大家拼的是模型能力，现在拼的是谁真正能把 AI 落地在企业业务中。
为什么会有这个转变？因为企业买 AI 不是为了买 API，也不是为了买 token。企业要的是降本、提效、增长、风控。 它是一个能真正嵌入到业务流程中、每天被员工使用、最后能产生业务结果的系统。
这个系统不是单纯靠模型能力就能交付的。它需要有人理解客户的业务流程、找到哪些环节适合 AI 改造、把企业内部的数据和系统连接起来、搭建 Agent 工作流和评测体系——这就是 FDE 的工作。
用一句话概括：FDE 是站在客户现场的 AI 工程负责人。
这让我想到 v001 里聊 OPC 时的核心观点：一个人 + AI，可以干一个团队的事。FDE 把这个逻辑放大到了企业层面——你不是自己去创业，而是帮助企业用 AI 改造业务。OPC 是一个人对自己负责，FDE 是一个人（或小团队）对客户的业务结果负责。
从"卖模型"到"卖结果"，这个转变意味着 AI 的价值衡量标准变了。不再是谁的模型更强，而是谁的方案真的帮企业赚了钱、省了钱、或者避了险。
三、FDE 做什么：影楼里的 AI 改造
概念聊完了，来看一个具体的例子。
笔记里写了一个"影楼"的场景——这是一个非常典型的 FDE 案例。
想象一家传统的摄影楼。它的业务很清晰：
- To C：给个人拍照、修片、出片
- To B：给企业拍宣传照、活动照
看起来简单，但这家影楼老板面临的问题很常见：业务可以做，但做不大。 因为每一个环节都很重——拍照需要摄影师、修图需要修图师、宣传需要运营、获客需要销售。小影楼养不起这么多人。
FDE 的思路不是"帮影楼写一套管理系统"，而是重新审视整个业务流程，找到 AI 可以改造的环节：
- 修图——AI 自动修图，不需要专门的修图师
- 宣传视频和文案——AI 自动生成，批量推送到抖音、快手、小红书，实现自动化获客
- 获客线索 Agent——把接收到咨询到跟进到转化的流程自动化
- 收入模式升级——To B（帮企业拍宣传内容）+ To C（个人写真），两条腿走路
这根本不是"写代码"能解决的问题。它需要你理解影楼的生意、知道抖音和小红书的运营逻辑、懂 AI 修图的能力边界、能把整个流程串联起来。
这个案例让我理解了 FDE 的核心工作流：
理解业务 → 识别 AI 适配环节 → 连接数据/系统/工具 → 搭建 Agent 工作流 → 评测效果 → 部署上线
每一步都离不开对业务的深入理解。就像笔记里写的："理解客户的业务流程，越垂直越好。"
这也呼应了 v003 里聊 Agent 时的结论——Agent 的价值在于可靠地执行任务。FDE 把这个逻辑放大到了企业流水线的层面：不是做一个 Agent，而是编排一群 Agent，让它们像一个自动化工厂一样运转。
同样，v006 讲的模块化思维在 FDE 层面也适用——只不过现在拆分的不是代码模块，而是业务流程中的一个个环节。每一个环节是一个独立的模块，AI 改造其中一个模块，不影响其他模块。分而治之的思想，从代码层面上升到了业务层面。
四、中国 AI 生态：FDE 的独特土壤
聊 FDE 不能只看硅谷，因为中国的 AI 生态非常独特。
我整理了一下目前国内的主流 AI 产品线：
- 豆包——通用 AI 助手
- Coze（扣子）——AI Agent 开发平台
- Trae——AI 编程工具
- 剪映——AI 视频/图片编辑
这不是零散的工具集合，而是一个完整的 AI 平台生态。
其中我特别关注的是 Coze（扣子）。它提供的能力非常符合 FDE 的工作方式：
AI 智能体。 Coze 允许你创建各种 AI Agent，配置它们的行为、知识库、触发条件。不需要写代码，通过界面配置就能完成。
AI 应用。 零代码/低代码构建 AI 应用。对于垂直场景的快速原型验证，这种能力非常实用。
AIGC 内容生成。 多模态生成能力——文本、图片、视频。这直接对应了影楼案例中的"自动生成宣传视频和文案"。
节点式工作流编排。 你可以把多个 AI 能力像搭积木一样串联起来：输入 → 处理（AI 节点）→ 判断 → 输出。每一步的输入输出都可以自定义。
Coze 这类平台的意义在于：它把 Agent 构建权交到了每个人手上。
以前要实现一个 AI 自动化流程，你需要写代码、调 API、处理各种工程细节。现在有了 Coze，一个懂业务的人（不一定会写代码）也能搭建 AI 工作流。
这对应了 v003 里一个重要的观察——工具越来越强大，入门的门槛越来越低。Coze 让"零代码 FDE"成为可能：懂业务的人可以直接用平台工具实现 AI 改造，不需要等待技术团队的支持。
同时这也让 v001 的 OPC 在中国更加可行。一个人 + AI + Coze 这样的平台，真的可以服务多个中小企业的 AI 改造需求——不需要团队，不需要融资，需要的是对某个行业的深度理解。
五、FDE 对 AI Native 开发者的意义：第四次跃迁
写到这里，我想回头看看这七篇文章的完整路径。
如果把每个阶段的核心能力提炼出来，这条路径实际上是一条抽象层次的跃迁之路：
- 写代码——逐行编程，关注语法和实现（v001）
- 写 Prompt——描述意图，关注沟通和表达（v002）
- 做架构——设计系统，关注结构和模块（v003-v006）
- 做业务——交付价值，关注问题和结果（v007）
每一次跃迁，你看问题的视角都会升高一层。你不再纠结于具体的技术实现，而是开始思考什么值得做、做什么能产生最大价值。
FDE 恰好站在第四层。
它对人提出了新的要求：领域知识 + AI 工程 + 商业理解，三者缺一不可。
- 领域知识让你能理解客户的业务，知道哪里是痛点、哪里可以被 AI 改造。
- AI 工程让你能把想法变成可运行的系统——可能是写代码，可能是搭 Prompt，可能是编排 Agent 工作流。
- 商业理解让你能衡量改造的效果——不是为了 AI 而 AI，而是为了产生真正的业务结果。
这三个能力里，AI 工程最容易学，商业理解可以积累，但领域知识是最深的护城河。
这让我想起 v003 里写的一段话："未来最值钱的能力，可能不是写代码，而是在某个垂直领域里知道 AI 可以怎么落地。"
FDE 就是这个判断的终极体现。
AI Native 开发者的终极形态，不是写代码最快的人，而是能连接 AI 和业务的人。
结语
写了七篇文章，回头看，有趣的是每篇都在"重新定义"前一篇。
学 Prompt 的时候，我发现写代码不是最关键的。学 Agent 的时候，我发现写 Prompt 也不是最关键的。学 FDE 的时候，我发现会搭 Agent 同样不是最关键的。
最关键的是：你做的这些东西，有没有真的改变什么。
FDE 不只是岗位名称。它是一种思维转变——从"用 AI 构建"到"为业务部署 AI"。代码写得再好，如果没人用、没产生价值，那就只是一堆文件。技术只有在业务中跑起来，才是真正的技术。
我还在学的路上。FDE 之后是什么？说实话我不知道。可能是一种更新的角色，更抽象的能力，或者一个我还没想到的方向。
但有一点我越来越确信：
Be AI Native 的路上，每一层抽象都在放大你的影响力。从写下一行代码，到改变一个业务，中间的每一步都值得认真走。
下篇见。
