AIFriend 怎么解决 FDE 问题:当「填缝的人」变成「填缝的系统」

· · ·

一、先把 FDE 的性质说穿：它是一份「注定难以规模化」的工作

上一篇里，有三个数字放在一起最有冲击力：

●MIT 的 NANDA 项目追踪 300 个企业 AI 项目，约 95% 没有产生可测量的损益影响；

●领英 2026 年 1 月报告，FDE 岗位从 2023 到 2025 年增长 42 倍，是“AI 工程师”（13 倍）的三倍多；

●Palantir 2024 财年毛利率 80%。

一边是项目大面积失败，一边是填缝的岗位被疯抢，还有一边是填缝的人做出了 80% 的毛利。这三件事合起来只说明一件事：FDE 卖的确实是稀缺价值——稀缺到能撑起高毛利，也稀缺到注定难以规模化。

稀缺在哪？在上一篇讲得很清楚：Palantir 的 FDE 新人总薪酬 20 到 25 万美元，资深 30 到 45 万美元；国内对应的 package 要百万人民币以上。更麻烦的是人的意愿——优秀工程师首选大厂，驻场排最后。

所以 FDE 模式的第一性问题不是“能不能做”，而是“能不能被复制”。而所有“靠人现场发挥”的模式，一旦要复制，都会撞上同一个天花板：经验长在个人脑子里，不是长在系统里。

AI 介入 FDE 的第一条路径，就是把这层“长在人脑里的经验”搬进系统。这不是玄学，它有一个非常具体的落点——就是你上一篇反复提到的那个硬前提：

让“碎石路自动变成高速公路”的那个引擎，正是 AI 能接手的部分。

二、三堵墙 = 三个断点：诊断其实早就同构

上一篇把 95% 的失败归成三堵墙：数据墙、流程墙、节奏墙。并且点破了一句关键的话——三堵墙里没有一堵是“模型不够强”。

有意思的是，AI Friend 对这个问题的官方描述，几乎是同一句话的另一个版本：

它把这条断链切成了三段，起了三个名字：DATA GAP（数据供给不稳定）、DECISION GAP（分析停留在“发生了什么”）、ACTION GAP（建议没有进入执行系统）。

把两套语言叠在一起看，会发现它们是同一张图：

这张表是全篇的骨架。上一篇说“三堵墙的推法都不是技术手段”——这句话对，但要说完整：推墙的动作里，有一半是可以被产品化、被固化的；剩下那一半（改权责、管关系）才必须由人来。AI 解决 FDE 问题，本质上就是把这“可固化的一半”抽出来，交给系统常年去做。

怎么把它落成一条可建设的路径？AI Friend 给的答案是一个五级成熟度模型 L1–L5。它有一句话定义得很准：“L1–L5 不是功能清单，而是一条可渐进建设的能力路径”——企业可以从当前最明确的问题开始，但上层能力必须建立在下层的稳定数据与统一口径之上。

注意这条路径的顺序。它和上一篇“先做速赢区、再啃战略区”是同一个道理：你不能跳过 L1 去要 L5。很多企业失败，恰恰是想直接买一个“聪明的智能体”（L5 的样子），却连稳定数据供给（L1）都没有——这就是“方案在评审阶段就已经过期”的另一种表现形式。

· · ·

三、回应第一难题「贵与少」：把个人经验变成可复用资产

FDE 最贵的是人。而人贵，是因为经验无法复制。

AI Friend 对这种“经验”的承载，是三个可以独立看到的机制：技能（Skill）、知识库、记忆。

●技能，是把一段可重复的作业流程封装成一个可调用的能力单元。它不是提示词，是“带说明书 + 契约 + 脚本”的可执行资产——有固定的执行路径、有明确的输入输出、有内置的校验和容错。上一篇说的“交付脚本、标准流程整理成公司资产”，对应的就是这一层。

●知识库，是把业务知识、字段口径、行业判断沉淀成可检索的知识源，让 AI 不再“靠猜”，而是以唯一事实源为准。

●记忆，是让系统记住“上次是怎么判断的”“这个客户的偏好是什么”“上期结论是已证实还是待验证”。这一步对应上一篇的核心痛点：经验长在个人脑子里。

这三样加起来的价值，用一句话说清楚：FDE 的经验是“用一次、沉一次、下个客户还得重来”；而技能化的经验是“做一次、所有人用”。

这正好对应 Palantir 内部那对分工里 Dev 的定位：

在纯人力模式里，“一个能力服务很多客户”要靠总部工程师手工抽象；在系统模式里，它变成了一次技能开发、无限次调用的自然结果。这就是 AI 撬动“贵与少”的杠杆点——不是让 AI 变成更便宜的 FDE，而是让 FDE 的产出变成边际成本趋近于零的资产。

一个可以直接观察的例子，是“品牌健康日常巡检”这类技能：它把“全网抓取 → 分层甄别 → 归因分析 → 出报告 → 沉淀数据”整套流程固化成一条可重复执行的路径。换一个品牌，改的是关键词和监测维度，不是从头搭一遍。这就是“碎石路”被抽象成“高速公路”的样子。

· · ·

四、回应数据墙：从「人工导出」到「稳定供给」

上一篇对数据墙的判断很精准：“它不难，但它慢。慢到足以让一个季度的预算花完而看不到任何结果。”并且给了推法——“不要等数据治理完成，只为这一个场景申请最小可用字段集”。

AI Friend 对 DATA GAP 的解法，把这句推法变成了产品机制：

●多源数据接入：连接外部平台与内部系统，把散在十处的数据归到一处；

●按授权、按固定频率采集：记录数据的来源、时间、任务状态，减少“人工导出”带来的不确定性；

●工作区级隔离：不同业务域的数据各归各位，权限清晰，不互相污染。

这三条的关键词是“稳定”和“可持续”。上一篇说数据墙考的是协调能力——而在系统模式里，协调的一部分被固化成了规则：授权范围、采集频率、字段口径、来源留痕，全部前置定义好，运行时不再依赖某个人去催 IT 排期。

AI 在这里不解决“拿不到”，它解决的是“拿到之后不再反复”——一次把最小可用字段集的口径跑通，后面就是稳定的自动化供给。这恰好是 L1（稳定采集）+ L2（口径治理）要干的事。

· · ·

五、回应决策墙：从「发生了什么」到「为什么、该做什么」

上一篇讲验收时有一段很扎心的判断：

这就是 DECISION GAP：报表只展示“发生了什么”，却识别不出增长、成本、效率、风险之间谁在影响谁，决策还是得靠个人经验。

AI 在这一层的介入点是归因，而且是有纪律的归因。一个可复用的归因方法是这样三步：

1.描述现象——先把“到底发生了什么”讲清楚，不含立场；

2.对照原因库枚举假设——从产品、服务、价格、流程、竞品、外部环境等常见原因里，把可能性列全；

3.证据交叉验证——回到原始数据和背景里逐条验证，哪个假设站得住。

这套方法的纪律在于：每一步结论都必须标注「已证实」还是「待验证」。说不清的地方，如实标“待验证”，不许不懂装懂。

为什么这条纪律重要？因为它直接回应了上一篇的验收难题：企业怕的不是 AI 给不出答案，而是 AI 给一个“看起来很确定”的答案，而没人能追溯它是怎么来的。把“确定”和“待验证”分开标注，等于把决策依据变成了可审查的对象——这正好落在 AI Friend 强调的“可解释判断”上，也是 L4（归因决策）的实体。

· · ·

六、回应流程墙：从「做了个工具」到「嵌进流程的受控执行」

上一篇有一段话，几乎可以把整节背下来：

而这背后是流程墙的真正难点——“改流程等于动权责，这从来不是技术问题”。上一篇给的推法是：“先不动主流程，在旁边加一个辅助环节跑通，再回头改主流程。”

AI Friend 在这一层的机制，是把“跑通之后”的执行固化成受控执行（L5）：

●编排引擎负责“固化步骤”：把一条验证过的流程写成可重复执行的编排，而不是每次靠人记；

●智能体在明确边界内协同：每个数字员工有明确的职责范围、数据权限、可调用的工具，“边界内自主，边界外请示”;

●任务过程可审计：任务有边界、过程有记录、结果可回溯——这与上一篇“每条结论都要可追溯”的要求一脉相承。

这里必须强调一个反直觉但极其重要的点：流程墙的推法是“先加辅助环节，再改主流程”，而AI 的价值恰恰在于让“辅助环节”变得可复制。人做辅助环节，换个流程又得重来；系统做辅助环节，一次跑通的编排可以被复用、被微调、被推广。权责的调整仍然要人来，但“技术上的重复劳动”这一块，可以彻底交出去。

AI Friend 把这条链路概括成一句话，值得原文引用：

· · ·

七、回应节奏墙：从「一次交付」到「持续运行」

节奏墙是上一篇引用霍嘉最准的一段：

推法是：把立项颗粒度从“项目”降到“版本”，按 4 到 6 周一个小版本验收。

AI 在这里有两个天然优势，是人力模式很难做到的：

其一，常驻运行。数字员工不是“项目结束就撤场”的驻场团队，它是常驻在工作区里的。定时任务可以按固定频率自动跑——巡检、对账、监测、复盘，不需要重新立项、重新投标、重新进场。“持续”这件事，对人是成本，对系统是常态。

其二，记忆让迭代有连续性。上一篇说“AI 项目最大的浪费，是在已经证明不成立的方向上做完整”。而长期记忆机制的作用，是让系统记住“这个方向上次验证的结果是待验证”“这个字段的口径变过”“这个客户的判断偏好是什么”——迭代不再是从零开始，而是在上一次的结论上往前推。

把这两个优势合起来，节奏墙的推法就从“按版本验收”升级成了“按版本自动滚动”：一个小版本跑通 → 沉淀成技能 → 下个小版本在这个技能上改，而不是重来。这正是 L4–L5 持续迭代的样子。

· · ·

八、最硬的一块：碎石路怎么自动变成高速公路

上一篇最重的判断在这里：

这句话反过来就是 AI 最有价值的地方：“抽象和沉淀”这件事，AI Friend 是用三层结构来承接的。

这三层的意义，是把“总部的抽象能力”从一个依赖少数资深工程师的稀缺资源，变成一个可持续积累的系统能力。上一篇说“国内很多公司卡住的正是这一步”——卡住的不是没意识到要抽象，而是抽象这件事太依赖人。技能 + 知识库 + 记忆，让抽象变成了可以随手做、自动攒的动作。

而这一步之所以是“决定这条路是产品还是外包”的分水岭，是因为它直接改变了成本结构：上一篇讲了 Palantir 的逻辑——第一个客户亏钱，随着产品被现场反馈反复修正，交付成本逐年下降，利润率从负转正。AI Friend 的 L1–L5 加上三层沉淀，做的就是把这个“从负转正”的曲线，从以年计，压缩到以版本计。

· · ·

九、边界：AI 填不了的那半条缝

到这里必须踩一脚刹车。上一篇引用霍嘉的三条痛点，第一条就是“懂 AI 且能和业务结合的人才极其稀缺”——如果 AI 真能全包，这条就不成立了。

所以要把话说完整：AI 能接住的，和接不住的，边界在哪里？

AI 能接住的（可固化的一半）：

●数据采集与口径统一（数据墙里“慢”的部分）；

●归因分析与决策依据（决策墙里“靠经验”的部分）；

●执行闭环与过程留痕（流程墙里“重复劳动”的部分）；

●经验沉淀与能力复用（碎石路→高速公路的引擎）。

AI 接不住的（必须由人的一半）：

●改权责。上一篇说得最狠：“一个环节之所以存在，可能只是因为某个部门需要'经手过'来保留话语权。改流程等于动权责。”这是组织政治，系统碰不了。

●定义“做好长什么样”。上一篇反复强调“客户在看到能用的东西之前，并不知道自己需要什么”。这份“把模糊需求变成具体结果”的判断力，是最稀缺、最难固化的一环。

●现场那些不写进文档的习惯。“某个字段其实一直填的是错的值但大家默认忽略”“某两份表单必须打印出来手工对齐”——这些只有坐在那间办公室里、看着人干活才知道。这也是 AI 无法取代“驻场观察”的原因。

●客户关系与信任。FDE 的 Echo 角色、行业出身的判断力，本质是信任资产，不是流程资产。

所以正确的结论不是“AI 取代 FDE”，而是：AI 把 FDE 从「填缝工」升级为「填缝系统的设计者」。

●过去：FDE 亲自下场写代码、打通系统、交付能跑的东西（Delta 的活）；

●未来：FDE 定义问题、设计数字员工的分工与边界、验收结果、处理组织层面的权责（更像 Echo + Dev 的活）。

人没有变少，但人做的是更高杠杆的事——这恰好回应了上一篇的第六个现实问题（晋升机制让最有经验的人离开一线）：如果 FDE 的工作被重新定义为“设计并监督一套数字员工系统”，那它就不再是“驻场外包”，而是一个有成长性的角色。

· · ·

十、回到那道组织工程题

上一篇的结尾是一句话：

顺着这篇走下来，这句话可以改写成一个更完整的分工：

这三段的分工，对应到 AI Friend 的语言就是：数据供给 → 决策支持 → 受控执行，每一段都可以独立建设、持续升级；而“决定哪段先建、建成什么样、值不值得建”，仍然是人（尤其是 FDE 这类角色）的判断。

这也解释了为什么 OpenAI 会投 40 亿美元成立部署公司、Anthropic 会联合黑石设合资公司——他们都不是想靠交付服务挣钱，而是想把 AI 真正用起来，让底层模型和数据飞轮转起来。AI Friend 的定位同样是这个逻辑：它不是一门外包生意，而是一套让 AI 能“进入持续经营流程”的基础设施。霍嘉那句判断可以拿来收尾：

AI 解决 FDE 问题的本质，就是把 FDE 身上“可固化的那部分能力”，变成产品里的黏合剂和加速器。

· · ·

可以带走的五句话

第一句：FDE 难以规模化，病根在“经验长在人脑里”。AI 的第一件事，是把经验搬进系统——技能承载“怎么做”，知识库承载“依据是什么”，记忆承载“上次结论如何”。

第二句：三堵墙 = 三个断点。数据墙是 DATA GAP，流程墙是 ACTION GAP，而验收算不清是 DECISION GAP。推墙的动作里，可固化的一半交给系统，不可固化的一半（权责、关系、定义“做好”）仍归人。

第三句：能力要按 L1–L5 逐级建，不能跳级。想直接买一个聪明的智能体（L5），却没有稳定数据供给（L1），就是“方案在评审阶段就已过期”的翻版。

第四句：“碎石路变高速公路”的关键，是让抽象不再依赖少数资深工程师。技能 + 知识库 + 记忆三层沉淀，把 Palantir 那条“从负转正”的成本曲线，从以年计压缩到以版本计。

第五句：AI 不取代 FDE，它把 FDE 从“填缝工”变成“填缝系统的设计者”。人做更高杠杆的事——定义问题、设计边界、验收结果、处理权责。模型负责聪明，系统负责持续有用，人负责决定什么才算有用。