Codex+WorkBuddy:FDE到底该怎么干？

关注

原创最新推荐文章于 2026-10-10 16:42:44 发布 79 阅读 AI 写同款· GEO 优化 ›

FDE与AKA：把Codex和WorkBuddy真正变成企业能用的AI 大模型能力再强，落到企业场景常常沦为“吃灰工具”。问题不在于AI本身，而在于缺乏一套从业务到技术的落地方法论。特性驱动工程（FDE）将模糊的“让AI干活”拆解为有验收标准的业务特性，自适应知识架构（AKA）则把散乱的企业文档、规则与反馈分层治理，让AI拥有可追溯的上下文。两者结合，既能为Codex这类编程Agent注入工程规范和红线约束，也能让WorkBuddy这类业务流程工具挂载高质量知识库与强制规则。从工单自动分类到风险转人工，从知识检索到反馈闭环，这套方法已在真实项目中让草稿可用率提升至72%。如果你阅读详情

在这里插入图片描述

不知道你有没有发现，就在我们聊完FDE没几天，OpenAI就搞了一个大动作。

5月20日，ATxSummit大会期间，OpenAI一口气投了3亿新元（约2.34亿美元），在新加坡设立了美国本土之外的首座应用AI实验室（Applied AI Lab） ，还承诺未来几年雇超过200名技术专家。

这个新加坡实验室的核心角色，就是我们刚刚聊过的——前线部署工程师（Forward-Deployed Engineers，FDE） 。

OpenAI首席营收官Denise Dresser在接受采访时说得非常直接：“这里拥有令人赞叹的人才，这是我们非常看重的。”她还点出了新加坡“前瞻性的环境”以及对AI产品的强劲需求。

这还不是全部。几乎同一天，Google和NVIDIA也同步宣布了和新加坡的AI合作。Google签了新轮“国家AI合作伙伴关系”，NVIDIA在新加坡设立了首个研究中心。

三家巨头，同一天，在同一个国家，干了同一件事。

这件事信号非常强——AI下半场，关键词不再是“模型多强”，而是“谁能真正落地”。

也正好，我们群刚聊过FDE，这篇就借着OpenAI新加坡这波大动作，把FDE这件事彻底拆透。

一、OpenAI这波操作，到底有多猛？

先看具体数据。

5月20日，新加坡数码发展及新闻部（MDDI）与OpenAI正式签署了首份谅解备忘录（MOU），启动一项名为“OpenAI for Singapore”的联合计划。

核心动作有几个：

第一，砸钱。 OpenAI承诺投入超3亿新元，折合人民币约16亿元，专门强化新加坡的AI生态。

第二，建实验室。 首座美国本土之外的“应用人工智能实验室”落地新加坡，类似一个专门的AI实战基地。

第三，招人。 未来几年要招超200名技术岗位，核心职位就是FDE和专业技术专家。

第四，培训。 专门针对中期职业软件工程师，开设一个FDE Bootcamp（训练营），教大家如何构建真实世界中的AI系统。

第五，合作方向很明确。 重点覆盖公共服务、金融、医疗、教育和数字基础设施建设。

这个实验室一个核心特点：它不是一个传统的研究中心——那种坐在办公室闷头研发模型的地方。根据OpenAI的规划，核心是把前沿模型转化成能实际运作的系统，实实在在地帮合作伙伴增强商业竞争力。

换句话说，这不是一个“写论文的实验室”，而是一个“解决问题的基地”。

二、OpenAI的这些FDE岗位，具体什么样？

既然是聊FDE，我们得看看OpenAI在新加坡正在招的FDE到底是什么标准。我找到了他们的官方招聘信息，细节非常有意思。

先说工作模式和地点：岗位base新加坡，采用混合办公模式（每周3天在办公室）+ 提供搬迁援助 + 50%的出差预期。50%的出差意味着你可能长期驻扎在客户现场。

岗位的核心职责：

FDE要牵头完成前沿模型从发现、技术范围界定、系统设计、开发到最终生产上线的全过程，紧密配合客户方工程和业务团队，通过生产采用率、工作流影响和评估驱动的反馈来衡量项目成功。

几个关键能力细节：

自主推动跨多个部署的技术交付，从原型到稳定生产全程负责。
要写生产级全栈代码，能压测交付边界。
嵌入客户团队，理解需求并引导他们使用你构建的系统。
提前识别风险，快速调整计划。没有总部排兵布阵，自己上。
将现场经验沉淀成工具、playbook或通用组件，让其他同事能直接复用。
把一线的客户反馈直接输送给研究部门和产品团队，让产品路线图因为你的经验而改变。

再看硬性门槛：

5年以上工程或技术部署经验，要求包含直接面向客户的工作经历。
在快节奏或需求模糊的环境下完成过复杂系统的完整交付。
能够编写和审查基于Python、JavaScript等栈的生产级全栈代码。
之前就用大模型或生成式模型做过系统开发部署。
能清晰地与工程师、产品经理、客户高层等不同角色沟通。
高压力下快速做决策、规避风险。

这要求的不是只会写CRUD接口的普通开发，而是既懂代码、又能管控客户、能拆解模糊需求、还能沉淀经验反哺公司的“三角战士”。

待遇方面，据行业信息来看，OpenAI的FDE公开base约27万-38.5万美元外加股权，资深FDE总包常年可破40万美元，部分能到50万+美元以上 。

三、为什么是新加坡？三家巨头在同一天给出了答案

这次的ATxSummit期间，OpenAI、Google与NVIDIA几乎同时宣布扩大与新加坡的合作。

三家公司的布局各具特色：

Google直接建立了新的“国家AI合作伙伴关系”，聚焦社会挑战、人才培养和安全AI生态的构建。Google与新加坡政府联合发布了一份关于AI Agent安全部署的白皮书。

NVIDIA在新加坡设立了亚太地区第二个研究中心，核心目标是发展实体AI（Embodied AI） 。计划今年底前启动一个专门为企业设计的实体AI验证场，协助像Certis、DHL等伙伴设计、部署和测试具商业可行性的AI机器人技术。

为什么都选新加坡？

新加坡的布局明显不止为了吸引投资，而是搭建一个完整的链条——从人才培训、企业导入、实地验证到治理规范，都建起来了。新加坡已承诺2025到2030年间，投入超10亿新元去加强公共AI能力，甚至还计划为AI产品建立类似食品营养标签式的信息透明机制。

新加坡的定位很清楚：它不是要去拼谁的模型分数高，而是在重新定义AI“市场”的概念——我要做那个能系统性地把AI技术“装进”真实社会经济肌理的国家。

四、国内FDE已经做成了什么——两个标杆案例

OpenAI在新加坡要招200个FDE，很多人觉得这离我们还远。

但你可能不知道的是，国内有一批人，已经在工厂车间里把FDE模式跑通了，并且跑出了真金白银的回报。

1. 识渊科技：90后“华为天才少年”扎进工厂，换线从3小时压缩到55秒

在上海徐汇，有这样一家公司叫识渊科技。创始人茹彬鑫，90后牛津博士，毕业后获得了华为“天才少年”项目的录取，但他选择了一条更难的路——和商汤科技的早期核心成员一起创立识渊科技，一头扎进了制造业最苦最累的环节。

识渊科技要做的事说起来简单，做起来极难：用AI去重构工业质检和产线调机的整个流程。

他们接手的第一条生产线，换线调机是出了名的“老大难”。每个型号之间切换，老师傅要在设备旁折腾少则两三个小时，多则大半天。

团队的做法很笨，也很硬：白天在产线旁守着机器采集异常样本，晚上回实验室反复迭代模型——如此循环了几个月。最终，单板检测从数小时压缩到了55秒，产线单日换产型号从原来的5款扩展到近300款。

这套系统的性价比有多高？茹彬鑫说：“我们以更低资源成本，实现了与德国、日本、韩国一线品牌相当的检测性能，还能检出他们漏掉的疑难缺陷。我们叫这条路‘国产超越’，不是简单的替代。”

客户从“试水”变成了“长期饭票”，复购率高达20%-30%。

这群人做的其实就是FDE——他们不是坐在写字楼里写算法，而是直接拿着代码和数据，去和轰鸣的机器、散落的手工记录、老师傅代代相传的“手感”打交道。他们证明了一件事：在制造业，AI落地不是做“锦上添花”，而是去啃那些最痛、最脏、最苦的骨头。

2. 金珵科技：发酵罐旁驻扎9个月，AI产出比老师傅还准

识渊科技做的是“换线调机”，金珵科技啃的是另一个硬骨头。

在新疆伊犁的某生物制造工厂，高达数层楼的500吨级发酵罐日夜轰鸣。一次发酵持续一到两周，上百个变量同时作用，但最终产物的提取率只有约1%。整个生产过程高度依赖老师傅24小时值守，凭“手感”调节，波动大、效率低。

上海交通大学李金金教授带着团队进去后发现一个更现实的问题——这家厂子的关键工艺数据全是散的，有的在纸质记录本上，有的在设备检修期间的异常报告里。光是人工录入、清洗、校正这些数据，就花了好几个月。

这就是AI落地的真实状况：模型再强，数据这个地基没打牢，什么都跑不起来。

团队在发酵罐旁驻扎了整整9个月，一边处理数据、记录实操细节，一边和上海的FDR（前沿部署研究员）联动优化模型参数。

最终AI给出了一套方案，结果让所有人大吃一惊：AI发现葡萄糖投料超过某个阈值反而会降低产量，这和工厂几十年的经验完全相反。

传统工艺要实现1%的产量提升，需要四五年；在AI接管后，产能直接提升了5%，一年增收超过十亿元。

金珵科技的团队后来把这套方法论沉淀为127个功能模块，像“工业乐高”一样可以快速组合适配不同场景——从生物发酵到钢铁冶炼，从工业建筑设计到污水处理。过去两三个月才能完成的部署，现在缩短到两三周。

这个故事最关键的地方在于：FDE不是“搞完就走了”。金珵科技跑通的模式叫FDE-FDR“双轨制” ——驻扎前线的FDE把产业痛点和真实数据传回，后方的FDR（前沿部署研究员）据此快速迭代模型，形成“交付即服务、服务即进化”的敏捷闭环。这就解决了传统驻场项目“干完就走，经验流失”的老问题。

五、给三类人的实操建议：你到底可以怎么干？

上面的案例已经充分说明：FDE不是硅谷的专利，国内已经有人打出了样板。那接下来的问题是——作为技术开发者和创业者，你具体可以从哪儿切入？

在这里插入图片描述

以下是我梳理的三份实操建议，你对着自己的情况看。

🎯 建议一：给技术开发者——怎么以最小成本进入FDE赛道

① 先评估自己适不适合

不是所有开发者都适合做FDE。FDE要求你不是一个纯粹的“码农”——你需要对技术有热情，但对解决真实问题也要有同样的兴奋。可以先用一个小问题自测一下：你能不能和工厂的操作工、银行的柜员有效交流，然后把他们嘴里的话翻译成技术方案？

② 积累“场景化项目经验”，而非纯技术项目

GitHub上有1000个Star的LLM教程，对找FDE工作帮助不大。你应该做的，是做几个能用技术解决一个具体问题的小项目，哪怕就是帮一个社区超市做了一个AI库存预测，也比一个抽象的“多模态大模型微调”更能打动FDE岗位的面试官。

③ 补足你所在行业的“黑话”知识

比如你要做工业FDE，至少要知道PLC、SCADA、HMI这几个缩写是什么意思；要做金融FDE，至少理解“风控规则引擎”“反欺诈模型部署”的基本逻辑。推荐一个方法：去目标行业的招聘JD里找关键词，逐一补齐。

④ 利用好已有的培训资源

上海已经在系统性地做这件事了。2025年底，上海创智学院联合市委组织部、市经信委等机构开设了首个FDE专题培训班，覆盖需求分析、个性化开发、训练部署、现场快速验证等完整链路。目标是在未来链接百家企业、打造千个智能体、带动万名开发者转型。此外，大湾区也发布了面向制造业的FDE先锋人才项目。如果你是刚起步的开发者，这些资源值得关注。

⑤ 用小成本项目切入，积累第一桶金

建议从MVP开始验证。比如选择树莓派+USB摄像头构建一个简单原型，验证算法的可行性。利用现有的预训练模型进行微调，避免从零开始训练巨大的模型。在这个过程中，重点关注能效比，在推理速度和功耗之间找到适合你目标场景的平衡点。

🎯 建议二：给AI创业者和中小企业——如何“低风险”尝试FDE模式

① 先从你最熟悉的行业切入，别一上来就追求规模化

FDE模式最大的误判，就是以为它是“万能钥匙”。对于创业公司来说，正确的做法是：集中所有精力服务一个真正有痛点的大客户，把这个单点打穿，形成标杆案例。90%的精力用来搞透这个样板。然后从0到1跑通后，抽象出30%-40%的可复用模块。

② 借鉴“模块化”思路，降低每个客户的边际成本

金珵科技的案例最有启发的点在于：他们把工业智能所需的核心能力封装成127个功能模块，用标准化接口协同，支持快速组合与复用。创业公司不需要一开始就做到100个模块，但从第一个项目结束后就开始做抽象——把每个定制项目中至少沉淀出2-3个可复用组件。

③ 考虑“FDE即服务”的渐进式商业模式

上海电信已经探索出了三层FDE服务模式：

层级	服务内容	适用场景
标品FDE	实时响应现场标品交付，具备需求挖掘与使用指导能力	客户需求清晰、场景标准化
标准化FDE	专家根据产业需求进行云网智融合的场景化实战交付	有一定行业差异但可模板化
AICT FDE	根据高端需求定制开发、交付调优AI智能体能力	高价值大客户、前沿场景

创业公司可以对照这个模型，从“轻量级标品FDE”开始，逐步升级。不要一开始就全量投入深度驻场。

④ 珍惜并系统化沉淀每个项目中的“行业知识”

每次驻场都会积累大量宝贵的行业认知——比如发酵工艺中葡萄糖投料与产量之间的非线性关系，比如某类电路板的质检关键特征集。这些知识往往是项目的最大价值所在，也是最容易被浪费的。建议建立一个内部的“行业知识库”，无论项目大小，每个FDE必须总结出至少3条可复用的行业洞察，并归档到知识库中。

⑤ 考虑从“轻量级现场支持”切入，降低初始风险

如果你是初创公司、预算有限，不一定要马上派一支FDE团队长期驻场。可以考虑更轻的方式——比如每周去客户现场1-2天，用协作工具保持远程响应，或者先从某一个具体子场景开始试点。关键是：保证在现场的时间是高效的，能采集到最关键的信息、建立最必要的信任。

🎯 建议三：给有野心的技术人——如何在组织中推动FDE模式

① 找出内部“最适合FDE的首个场景”

很多企业内部都有这样的场景：某个流程高度依赖某几位老师的个人经验、数据散落在不同系统里没有打通、当前系统用起来很痛苦。这种场景就是FDE模式最好的试金石。找到它，主动提一个FDE式的“最小闭环”——不用大张旗鼓，只需要说服你的直属上级，用两周时间做一个可用的小原型。

② 构建“现场+后方”的协作双轨制

FDE模式成功的关键往往不在现场的人有多强，而在前后方的配合有多顺。可以参考金珵科技的 “FDE+FDR双轨制” ：FDE负责在客户现场打前站、摸数据、跑试点、建信任；FDR（可以是你们团队内部的研究员或资深工程师）负责在后方快速迭代模型，把前线遇到的坑和机会沉淀成产品能力。这种模式下，前线的反馈不再是“石沉大海”，而是真正驱动产品进步的动力。

③ 用“价值定价”重塑客户关系

传统的项目实施是按人天收费，客户买的是你的工时。FDE模式下，更有竞争力的是：按结果收费。比如“帮你提升产量5%，我们按增收的百分比分成”。这不是口号，已经有创业公司在这么做，并拿到了更好的合同条款。你可以先从小的标段开始试点：比如先用一个价值定价的方式做一个小场景，用数据证明“承诺结果”比“按人天收费”对客户吸引力大得多。

④ 把你的经验写出来，建立个人品牌

这件事和你的账号定位直接相关。FDE是一个新兴的职业方向，信息极度不对称。如果你真的在现场做出了一些成果、踩过一些坑，把这些东西写成文章、录成视频、做成分享——你会在这一轮浪潮中获得极强的个人品牌优势。信息的稀缺性本身就是最大的价值。