课程大纲

模块一：概念重构 —— 理解 FDE 的内涵

1.1 定义 FDE

新定义： 在 AI 2.0/Software 3.0 时代，能够打破“数据-算法-工程”职能墙，独立完成从“业务意图 -> 数据处理 -> 模型/智能体调优 -> 工程部署”全链路闭环的工程师。

核心差异： 传统模式关注“产出代码”和“算法实现”，FDE 模式关注交付“智能能力”和“业务价值”。

1.2 思维范式转变

从 Code-First 到 Value-First： 拒绝重复造轮子，善用公司技术资产和开源生态快速构建 MVP（最小可行性产品）。

从 确定性 到 概率性： 管理 AI 输出的不确定性（幻觉控制、置信度评估），这是 FDE 的核心门槛。

内涵关键词： Ownership（对最终业务效果负责）与 Velocity（极速迭代）。

1.3 FDE 的四个核心角色

业务咨询师： 识别业务痛点，并转化为AI可处理的问题。并向业务人员进行 AI 赋能。

架构操盘手： 设计AI系统架构、RAG 管道 与 Agent 逻辑，快速编写胶水代码实现MVP。

AI 驯化师： 掌握 Context Engineering、Few-shot Learning 及微调等技术，持续优化 AI 能力。

监控运维官： 监控算力成本、响应延迟 (Latency) 及回答质量等指标，负责系统升级。

模块二：能力矩阵 —— "T型" 技能树构建

2.1 核心技能栈 (Hard Skills)

AI Native 能力构建：

        工具链： 智能体平台、开发框架、向量数据库、模型推理与训练框架。

        Agentic AI 架构基础： RAG (检索增强生成)、Agent (智能体) 编排、function calling与MCP 接入外部系统、记忆与状态管理。

        模型认知与选型：主流闭源与开源模型的能力优劣与成本/性能比较。

        RAG 进阶工程：合检索（关键词+向量）、重排序（Rerank）、查询改写（Query Rewriting）、多模态RAG、PDF/表格的解析与入库策略。

        Context Engineering： CoT (链式思维)、ReAct 框架、Plan-and-Execute、动态上下文管理。

        Skills：业务 SOP（指令） + 执行脚本（代码） + 领域知识（文档）

        多智能体协同：路由模式（Router）、评审模式（Critic）、层级调度模式。

        评估驱动开发（EDD）： 建立自动化评估数据集（Golden Dataset）、设计面向业务的评估指标、LLM as a Judge。

编程能力升级：

        Python 高级编程。

        AI Coding/Vibe Coding。

2.2 软技能 (Soft Skills)

需求挖掘与预期管理：

识别模糊需求，转化为 AI 可处理的问题。运用“价值优先（Value-First）”原则，筛选出高价值切入点，快速构建最小可行性产品（MVP）。

向业务方传递 AI 的“概率性”特征，帮助用户建立对“幻觉”和“错误率”的正确容忍度，并设定合理的置信度评估标准。

敏捷协作：

“以演示促交付”，通过每周的 Demo 会议快速收集真实环境反馈，利用高频迭代解决 AI 项目“效果不可控”的痛点，确保项目不偏离业务价值 。

摒弃传统的“流水线”作业，FDE 与 AIBP等同事组成 2-4 人的敏捷小队，实现从数据处理到模型调优的全链路实时协同 。

用户侧高层沟通：

清晰阐述解决的具体业务痛点，用数据驱动的方式量化项目成果 。在项目早期通过 PoC验证可行性，及时止损或明确资源投入 。

阐明从“技术托管”到“自主运营”的清晰路径，消除客户对于长期技术依赖和“被机器替代”的顾虑 。

模块三：组织与流程 —— 智能体系统敏捷工程

3.1 组织架构：智能体敏捷小组

最小作战单元：告别职能部门墙，组建 2-4 人的全功能小队。      

关键角色：

        AIBP (AI Business Partner)： 业务效果负责人（通常由业务专家或产品经理担任），负责定义“模糊意图”并提供真值数据 (Ground Truth)。

        FDE：智能体搭建、Prompt 资产管理、模型调试、工程优化与集成。

        Data Engineer (可选)： 在重数据依赖场景下介入，负责高质量数据供给。

3.2 智能体系统敏捷开发生命周期

阶段一：场景探索与 PoC：框架先行，聚焦核心 Case，快速验证技术可行性与商业价值。      

阶段二：迭代交付与试用：进入周度迭代 (Weekly Sprint)，交付 Beta 版，并在真实环境中收集反馈。

阶段三：持续优化与自主调校：交付 V1.0，开发“配置化界面”，赋能 AIBP 自主调整 Prompt 或规则，FDE 逐步抽身。

阶段四：自主运营：业务方独立运营，FDE 仅负责监控与阶段性升级。

3.3 核心战术动作

沟通与会议机制

任务分解、结果度量与流转闭环

产出与数字资产管理

模块四：实战落地 —— 案例演练（可根据客户所在行业定制）

案例A：结合企业业务场景的垂域智能问数

案例B：结合企业内外部数据的综合调研与报告撰写