FDE 开源工具箱：用四个项目搭建企业 AI 交付体系

企业 AI 项目真正困难的地方，通常不是调用一次模型，而是把一个模糊愿望变成可以验证、可以上线、有人负责、出错能够接管的业务结果。

这也是 FDE（Forward Deployed Engineer，前线部署工程师）存在的原因。FDE 需要进入客户现场，理解真实工作流，选择值得验证的切入点，连接模型、数据和系统，并把结果交给客户长期运行。

本文整理四个公开的 FDE 项目，帮助读者建立一张工具地图：

项目	主要解决的问题	所在层次
Applied AI Field Guide	为什么做、做什么、如何验收	方法论
FDEOps	客户现场如何记录、推进和交接	交付治理
FDEstack	发现、范围、POC、集成如何标准化	工作流
OpenFDE	访谈、记忆、任务和 Agent 如何连接	工作台

先理解 FDE 的交付对象

FDE 交付的不是一个孤立的聊天窗口，而是一条业务链路：

真实工作
  → 可验证的问题
  → 合适的数据和上下文
  → 最小可行的 AI 机制
  → 受控的业务动作
  → 人工验收和运营接管

一个完整项目至少要回答：

• 谁在什么情况下使用系统？
• 输入从哪里来，输出交给谁？
• 哪些判断可以自动化，哪些必须人工确认？
• 什么结果算成功，谁负责验收？
• 资料、权限和业务规则由谁维护？
• 系统出错时如何拒答、回退和追责？

如果这些问题没有答案，模型能力再强，也只是一个尚未进入业务流程的 Demo。

四个项目如何拼在一起

可以把四个项目理解成四层：

Applied AI Field Guide
方法论：从现场问题到可接受结果
          ↓
FDEOps
治理：谁决策、如何上线、如何验收和移交
          ↓
FDEstack
流程：发现、范围、价值、POC、生产集成
          ↓
OpenFDE
工作台：记忆、任务、Agent 执行和证据回写

它们不是必须同时部署的四件产品，也不是一套官方组合。更合理的用法是先学习方法，再选择能够补上当前缺口的工具。

先看 Applied AI Field Guide：从结果而不是模型开始

Applied AI Field Guide 是一套应用型 AI 交付手册，强调先观察工作和定义接受结果，再选择技术机制。它建议在确定方案前比较确定性软件、优化、传统机器学习、检索、模型调用、受约束 Agent 和人工复核等路线。

它提供的生命周期可以简化为：

继承简报
  → 观察并还原工作
  → 明确价值和范围
  → 让数据适合决策
  → 选择机制
  → 构建垂直切片
  → 用案例和用户证明
  → 带运营责任上线

这套方法特别适合项目早期。它可以防止团队一开始就陷入模型选型、Agent 架构或工具采购，而没有确认客户真正要改变哪一个业务结果。

再看 FDEOps：把客户现场变成可交接记录

FDEOps 面向的是客户交付中代码之外的工作：简报、成功标准、决策人、风险、上线、签收和移交。

它把交付分成六个阶段：

Land → Discover → Plan → Ship → Outcome → Close

每个客户有一组本地 Markdown 记录，便于追踪“客户说了什么、谁确认了什么、哪一步已经完成”。这对多客户并行、人员交接和客户离场尤其重要。

FDEstack：把交付动作变成可复用 Skill

FDEstack 使用 Claude Code Skill 组织 FDE 工作，覆盖客户上下文、发现、范围、价值、POC、生产集成、项目分诊和复盘。

它最值得借鉴的是 POC 与生产集成之间的隔离：POC 可以追求速度，但必须把发现写回 stack.md、decisions.md 和跨客户学习文件；生产集成不能直接复制 POC 代码。

这套设计将“快速试验”和“生产质量”分开，减少临时脚本、硬编码和测试数据进入正式系统的风险。

OpenFDE：让记忆、任务和 Agent 形成闭环

OpenFDE 是本地优先的 FDE 工作区，试图解决三个常见断点：知识留在对话里，任务留在人的脑子里，验收依赖感觉。

它将资料导入、结构化抽取、来源引用、任务派发、Agent 执行、结果回写和评测连接起来：

访谈和资料
  → 有来源的业务记忆
  → 带上下文的任务
  → Agent 执行
  → 结果和发现回写
  → 评测和验收

对于涉及客户隐私的项目，本地优先、来源追踪、项目隔离和人工审批都是需要单独评估的工程边界，不能只因为工具支持某项能力就默认可以处理真实客户数据。

推荐学习顺序

如果刚开始学习 FDE，建议按以下顺序：

1. 先读 Applied AI Field Guide，理解现场调研、价值、垂直切片和验收。
2. 用 FDEOps 建立客户简报、成功标准、风险和交接记录。
3. 用 FDEstack 把重复的发现、范围、POC 和复盘过程变成工作流。
4. 当资料和任务开始变多，再评估 OpenFDE 这样的记忆和 Agent 工作区。

最小实践不需要一次性安装四个项目。先用普通 Markdown 建立一个客户目录，记录真实任务、输入、输出、验收人和未决问题，也可以验证自己是否真的需要更完整的工具。

使用时要注意什么

这些项目是公开开源项目，名称、命令、版本、许可证和依赖都可能变化。使用前应以各自仓库当前 README 和源码为准。

另外要明确：

• 开源 Skill 不等于客户授权；
• 本地文件不等于自动满足隐私和合规要求；
• Agent 能读取资料，不等于它有权执行动作；
• 测试通过不等于客户价值成立；
• Demo 能运行不等于客户可以独立运营；
• 项目文档中的示例指标不能直接当成生产承诺。

总结

四个项目分别回答四个问题：

为什么做？       Applied AI Field Guide
如何交付？       FDEOps
如何标准化？     FDEstack
如何记忆和协作？ OpenFDE

FDE 的核心能力不是知道更多工具，而是持续把现场事实、业务判断、技术选择和验收证据连接起来。工具可以减少重复劳动，但不能替代对客户流程、责任边界和真实结果的判断。

本文基于项目公开 README 的结构化整理，不代表 GPT88 与上述项目存在合作、认证或官方背书。具体能力和安装方式请以项目当前仓库为准。