Topic / FDE / Field Practice
FDE 工程实践
探索 Forward Deployed Engineer（FDE）的企业 AI 落地、Agent 开发、产品交付与商业化实践。
FDE 连接业务需求与工程交付，围绕 AI 应用、Agent 和知识库，把技术能力转化为可以验证和持续迭代的产品。
理解 FDE 与传统研发、售前和解决方案工程师的边界
建立从需求发现、原型验证到生产交付的工作流程
结合 Agent 开发、知识库集成与工作流自动化验证企业 AI 的实际价值
把阅读转成一次可检查的实践
选定任务
列出输入材料、使用者和交付物，先选择边界明确的一个流程。
保留证据
记录资料来源、操作步骤与结果，让输出能够回查，失败时能够定位。
核对成本
比较人工检查时间、错误修正和运行费用，再决定是否扩大使用。
工具使用可以从WorkBuddy 系列教程开始；开发交付可以查看论文写作工作流和Web 3D 科普展馆的案例说明。
从这些实践开始
FDE有没有价值，商业落地在哪里
本文基于一线AI落地服务商的实战经验整理，分享者拥有30+企业AI项目落地经历，曾服务于多家千万级营收企业及世界500强金融机构，深度拆解FDE模式的核心逻辑与中国化落地路径。
你公司的 AI，到底是在创造利润，还是放大成本？
很多公司已经开始大规模采购 AI 工具、接入大模型、搭建 Agent。后台的数据看起来也很热闹：调用量不断上涨，Token 消耗越来越高，接入的员工越来越多，AI 生成的内容也越来越多。
企业 Agent 的终局，可能不是一支 AI 团队
很多企业开始搭建 Agent 后，做的第一件事，往往是给它们分工。有人负责产品，有人负责研发，有人负责数据，有人负责客服，还有人负责测试和运营。这些 Agent 拥有不同的名字、头像和岗位说明，像极了一家由数字员工组成的新公司。这种设计很容
RAG 过时了？Karpathy 提出的 LLM Wiki，正在改变知识库的玩法
最近 AI 圈里开始出现一种很有意思的说法：“RAG 已经过时了，现在应该用 LLM Wiki。”甚至有人说，RAG 已经是“没人用的老技术”。这个说法显然有点夸张。RAG 不但没有消失，而且依然是今天很多 AI 知识库、企业搜索和问答系统