课程简介
课程围绕"跨界翻译官"定位展开，涵盖FDE角色重构、AI能力边界认知、业务场景系统化挖掘、AI产品方案设计画布、Harness Engineering智能体调教、组织AI资产沉淀等核心模块。通过海外头部AI企业、国内外头部大模型公司、国内头部企业的真实案例拆解，帮助学员理解AI产品从Demo到Production的完整路径
目标收益
•理清FDE与传统开发、产品经理、售前顾问、交付工程师的区别
•建立FDE的商业思维：用业务语言（降本、增收、提效）定义AI价值
•掌握基于业务压力的AI场景系统化挖掘方法，识别高价值落地点
•掌握AI产品方案设计方法：从模糊需求到可验证的MVP路径
•理解Agent核心能力及RAG、知识库、MCP/API等技术要素的能力边界
•掌握Harness Engineering的基本方法：Guide、Skill、Prompt、Memory、Tools、Feedback、Sensor
•能够围绕一个业务场景完成从Mission定义到PoC方案的全流程设计
•能够识别FDE落地中的数据、系统、权限、安全、组织协同和度量问题
•能够推动传统产品向AI产品的演进，支撑公司内部落地与对外输出价值
培训对象
企业业务负责人、产品经理、数字化转型团队、AI项目负责人、业务方案顾问、售前顾问、企业数字化/研发/交付/咨询/解决方案团队中的FDE候选人、技术骨干
课前准备
1.本课程是2天FDE实战训练营，目标是建立方法、完成轻量实操和形成PoC方案，不承诺2天内完成生产级系统开发。
2.课堂使用自主智能体平台环境进行演示，客户实际工作开发工具可根据安全与环境要求调整。
课程大纲
|
Day1 上午（3小时） FDE角色重构与AI业务场景系统化挖掘 核心目标：建立统一认知，理解FDE作为AI时代"跨界翻译官"的定位与价值；掌握从业务压力出发的场景挖掘方法。 |
1. FDE：AI时代的跨界翻译官 •从海外头部AI企业到国内头部企业：FDE岗位爆发式增长的产业逻辑 •FDE的本质：把抽象的AI能力转化为业务现场可验证、可运营的具体方案 •FDE与产品经理、业务顾问、售前、交付工程师、开发工程师的区别 •FDE的三角能力模型：商业理解 × AI能力边界感知 × 工程交付力 •FDE的核心站位：嵌入业务现场、Day 1交付价值、持续发现与沉淀 2. FDE的商业思维与问题定义 •从SOW（工作说明书）到Mission（使命）：在模糊中定义问题 •用客户的商业语言包装AI方案：降本、增收、提效、风控 •AI原生项目的交付范式：需求涌现、概率输出、持续反馈、持续优化 •FDE的工作方式：从"响应需求"到"发现问题、验证价值、沉淀机制" •FDE的核心工作逐步转向Harness：让智能体少犯错、不重复犯错、贴近业务价值 3. AI能力全景与能力边界 •AI产品发展趋势：从工具型到平台型，从对话式到Agentic AI •AI能力地图：文本处理、视觉处理、数据分析、决策支持四大类 •AI的能力边界：当前能做好什么、做不好什么、不能做什么 •AI落地的核心难题：数据质量、幻觉与合规、用户接受度、成本控制 4. 业务场景系统化挖掘 •宏观压力识别：成本压力、效率压力、质量压力、增长压力 •问题树式深挖：从高成本岗位/效率瓶颈/质量断点中找到AI切入点 •痛点-AI能力匹配矩阵：哪些场景适合Agent化、哪些适合工作流自动化 •场景筛选五维评估：重复度 × 数据可得性 × 容错空间 × 业务价值 × 技术可行性 •量化引导：估算AI介入后的降本/提效/增收价值 5. 课堂互动：学员业务场景初步识别 •每位学员选择一个自己熟悉的业务/交付/研发场景 •用商业语言描述该场景的痛点与AI介入后的预期价值 •初步识别业务价值、数据可得性、系统接入难度和风险边界 上午产出： •FDE角色认知图 •本企业/本团队AI场景初步清单（含商业价值评估） |
|
Day1 下午（3小时） AI产品方案设计与前沿落地案例拆解 核心目标：掌握AI产品方案设计的核心方法；通过前沿实践案例理解从场景到AI产品的完整路径。 |
1. AI产品方案设计方法论 •需求挖掘：用户旅程AI赋能点识别、业务流程AI优化机会挖掘 •产品方案设计画布：用户价值主张 → 核心功能架构 → 用户体验流程 → 数据闭环 •技术选型决策框架：自研 vs API调用、大模型选型对比、成本测算与ROI评估 •从传统产品到AI产品的三级演进： ◦"产品+AI"嵌入应用：对原平台某些节点进行AI改造 ◦"AI+产品"融合应用：挖掘AI新能力并应用在新场景中 ◦"AI Native"原生应用：以AI为核心重新设计产品体验 2. 前沿FDE实践案例深度拆解 •案例一：国内外头部AI大模型公司的企业级Agent部署 ◦嵌入客户现场，首周交付可运行的AI应用原型 ◦先建业务本体（Ontology），再接AI能力——理解客户的"名词和动词" ◦30-40%时间用于业务发现（Customer Discovery as Engineering） ◦启示：AI产品的护城河不在模型，在于对业务的深度理解与交付 •案例二：国内外头部AI大模型公司的企业级Agent部署 ◦从模型能力到产品交付的完整链路：模型训练 → 能力封装 → 场景适配 → 持续迭代 ◦海外头部企业：以Agent平台为核心构建企业级AI交付体系，强调场景定义→方案设计→部署→持续优化的端到端能力 ◦国内头部企业：依托自有大模型生态打造Agent开发平台与行业解决方案，从逐个定制到系统化交付，定制化工作量降低80% ◦启示：FDE的可复制性来自系统化思维与平台化能力，而非个人英雄主义 •案例三：国内头部领域垂类下的AI场景落地实践 ◦知识密集型场景Agent化：投研辅助、合规审查、技术文档问答、故障根因分析；从"搜索返回文档"到"Agent给出经过验证的结论" ◦核心模式：任务编排Agent + 专家Agent集群 + 人类审核节点 ◦业务流程自动化：多源信息智能摘要、报销审核自动化、营销内容批量生成，从单点工具到端到端工作流的跃迁 ◦AI产品价值公式：替代的人工时间 × 频次 × 质量提升 3. AI产品落地的共性规律 •成功特征：场景明确、数据可得、闭环可控、价值可量化 •失败教训：需求不清晰、能力边界不清、缺少兜底机制、组织未准备好 •AI产品设计"三板斧"： ◦找断点：从繁琐流程中找到可以交给AI的环节 ◦重塑流程：如果这个岗位第一天就是"AI原生岗"，流程该长什么样 ◦选组件：何时用RAG，何时用Agent，何时只需Prompt 4. 演示/轻实操：构建一个轻量AI产品原型 •借助自主智能体平台工具，演示自动化工作流 •学员动手配置一个简单的Agent工作流 •讨论如何扩展为企业业务助手 5. 实战工作坊：设计你的AI产品方案（初稿） •各组基于上午识别的场景，完成AI产品方案设计画布 •输出：Mission定义 + 核心功能 + 技术选型 + MVP路径 + 预期ROI 下午产出： •一个轻量AI产品原型/智能体Demo •各组AI产品方案设计初稿 |
|
Day2 上午（3小时） Harness Engineering与AI产品持续迭代 核心目标：理解FDE的核心工作——调教智能体、设计约束、沉淀组织AI资产；掌握AI产品从Demo到Production的迭代方法。 |
1. FDE的核心工作：Harness Engineering •大模型本身只是token in / token out •Agent runtime负责拼接上下文、调用工具、接收返回和循环执行 •FDE的工作不是控制智能体每一步，而是设计Guide、Feedback和质量机制 •Harness：让智能体犯过一次的错不再重复犯 2. Harness的关键组成 •Guide / Rule：行为规则、项目规约、业务边界 •Skill：可复用操作流程和任务能力 •Prompt：任务说明与上下文组织 •Memory：长期经验和偏好沉淀 •Tools：外部系统、脚本、API、数据库 •Feedback / Sensor：用户反馈、测试、Review、日志、监控 3. 从个人经验到组织AI资产 •核心痛点：个人AI人效提升了，但组织整体能力没有沉淀 •三类关键沉淀对象： ◦How：任务执行步骤与操作路径（SOP的Agent化） ◦What：问题定义、边界条件与适用范围（业务本体/Ontology） ◦Good：评估标准、质量判断与优劣比较依据（Eval体系） •从个人经验到团队可继承的知识、流程和评测标准 •每一次定制化交付都应变成下一个场景不再重复的系统能力 4. Harness深度案例：智能体如何迭代优化 示例问题： •需求重复、编号冲突、索引不完整、Skill冲突 •智能体自发写入错误业务洞察 修复方法： •清理数据、合并和重构Skill、重建索引 •增加自动检查脚本，将修复经验提交到版本管理 5. 实操：把一次错误沉淀成Harness改进 •发现智能体回答错误或任务执行失败的样例 •分析错误来源：知识缺失、规则缺失、工具失败、上下文混乱、评估缺失 •设计修复动作：Guide、Skill、索引、测试、日志 •形成可复用检查清单 6. AI产品的业务流程重塑 •将Day1锁定的业务痛点进行流程拆解 •画出"AS-IS"现状流程图和"TO-BE"AI赋能后流程图 •设计人工协同（HITL）节点与兜底方案 •对各自方案进行"压力测试"：这个任务AI真的能做吗？出错了怎么办？ 上午产出： •Harness任务清单 •一条"错误→机制修复"的样例记录 •AI赋能流程图 |
|
Day2 下午（3小时） FDE落地实战与业务场景PoC 核心目标：把FDE方法和AI产品设计转化为企业可执行的落地路径，完成方案孵化与路演。 |
1. FDE落地四阶段 阶段一：样本数据与首次PoC（Ship on Day 1） •先拿3-5个样本数据，不看数据不承诺 •一周内做出第一次可感知效果 •用真实样本验证技术可行性和业务价值 阶段二：决策关口与场景筛选 •技术可行性、数据可得性、业务价值 •接口人投入、风险与合规边界、组织配合度 阶段三：真实环境试用与持续优化 •让种子用户真实使用，保留人工/旧流程兜底 •通过业务反馈持续调整知识库、Skill、工具和界面 •不追求第一版完美，追求真实环境可观察、可纠正 •随着AI系统/智能体的完善逐渐扩大试用范围直至生产运行 阶段四：生产运行、监控与持续进化 •使用率、渗透率、人工接管率、错误复发率、业务效果 •监控与运营，模型、工具链和知识库持续升级 •从一个场景的成功复制到更多场景 2. AI产品效果评估 •用户是否持续使用 •原流程是否被部分替代 •人工接管率是否下降 •用户纠正次数是否下降 •错误是否重复发生 •业务指标是否改善 •知识库和Skill是否可复用到新场景 3. FDE的持续发现与资产沉淀机制 •把业务发现当作核心工作（Customer Discovery as Engineering） •每周节奏：明确任务 → 开发与业务互动 → 演示复盘 → 沉淀资产 •每次迭代都要沉淀Prompt、Skill、知识库、测试和经验 •从"交付一个项目"到"构建一套可复用的AI能力体系" •模块化思维：每深入一个场景就沉淀可复用模块，让定制化变成竞争优势 4. 分组工作坊：设计一个FDE场景PoC •Mission定义（用商业语言描述） •业务价值假设（ROI测算） •样本数据清单 •需要接入的系统/工具 •智能体功能草图 •Harness设计：Guide、Skill、Tools、Feedback |
|
Day1 上午（3小时） FDE角色重构与AI业务场景系统化挖掘 核心目标：建立统一认知，理解FDE作为AI时代"跨界翻译官"的定位与价值；掌握从业务压力出发的场景挖掘方法。 1. FDE：AI时代的跨界翻译官 •从海外头部AI企业到国内头部企业：FDE岗位爆发式增长的产业逻辑 •FDE的本质：把抽象的AI能力转化为业务现场可验证、可运营的具体方案 •FDE与产品经理、业务顾问、售前、交付工程师、开发工程师的区别 •FDE的三角能力模型：商业理解 × AI能力边界感知 × 工程交付力 •FDE的核心站位：嵌入业务现场、Day 1交付价值、持续发现与沉淀 2. FDE的商业思维与问题定义 •从SOW（工作说明书）到Mission（使命）：在模糊中定义问题 •用客户的商业语言包装AI方案：降本、增收、提效、风控 •AI原生项目的交付范式：需求涌现、概率输出、持续反馈、持续优化 •FDE的工作方式：从"响应需求"到"发现问题、验证价值、沉淀机制" •FDE的核心工作逐步转向Harness：让智能体少犯错、不重复犯错、贴近业务价值 3. AI能力全景与能力边界 •AI产品发展趋势：从工具型到平台型，从对话式到Agentic AI •AI能力地图：文本处理、视觉处理、数据分析、决策支持四大类 •AI的能力边界：当前能做好什么、做不好什么、不能做什么 •AI落地的核心难题：数据质量、幻觉与合规、用户接受度、成本控制 4. 业务场景系统化挖掘 •宏观压力识别：成本压力、效率压力、质量压力、增长压力 •问题树式深挖：从高成本岗位/效率瓶颈/质量断点中找到AI切入点 •痛点-AI能力匹配矩阵：哪些场景适合Agent化、哪些适合工作流自动化 •场景筛选五维评估：重复度 × 数据可得性 × 容错空间 × 业务价值 × 技术可行性 •量化引导：估算AI介入后的降本/提效/增收价值 5. 课堂互动：学员业务场景初步识别 •每位学员选择一个自己熟悉的业务/交付/研发场景 •用商业语言描述该场景的痛点与AI介入后的预期价值 •初步识别业务价值、数据可得性、系统接入难度和风险边界 上午产出： •FDE角色认知图 •本企业/本团队AI场景初步清单（含商业价值评估） |
|
Day1 下午（3小时） AI产品方案设计与前沿落地案例拆解 核心目标：掌握AI产品方案设计的核心方法；通过前沿实践案例理解从场景到AI产品的完整路径。 1. AI产品方案设计方法论 •需求挖掘：用户旅程AI赋能点识别、业务流程AI优化机会挖掘 •产品方案设计画布：用户价值主张 → 核心功能架构 → 用户体验流程 → 数据闭环 •技术选型决策框架：自研 vs API调用、大模型选型对比、成本测算与ROI评估 •从传统产品到AI产品的三级演进： ◦"产品+AI"嵌入应用：对原平台某些节点进行AI改造 ◦"AI+产品"融合应用：挖掘AI新能力并应用在新场景中 ◦"AI Native"原生应用：以AI为核心重新设计产品体验 2. 前沿FDE实践案例深度拆解 •案例一：国内外头部AI大模型公司的企业级Agent部署 ◦嵌入客户现场，首周交付可运行的AI应用原型 ◦先建业务本体（Ontology），再接AI能力——理解客户的"名词和动词" ◦30-40%时间用于业务发现（Customer Discovery as Engineering） ◦启示：AI产品的护城河不在模型，在于对业务的深度理解与交付 •案例二：国内外头部AI大模型公司的企业级Agent部署 ◦从模型能力到产品交付的完整链路：模型训练 → 能力封装 → 场景适配 → 持续迭代 ◦海外头部企业：以Agent平台为核心构建企业级AI交付体系，强调场景定义→方案设计→部署→持续优化的端到端能力 ◦国内头部企业：依托自有大模型生态打造Agent开发平台与行业解决方案，从逐个定制到系统化交付，定制化工作量降低80% ◦启示：FDE的可复制性来自系统化思维与平台化能力，而非个人英雄主义 •案例三：国内头部领域垂类下的AI场景落地实践 ◦知识密集型场景Agent化：投研辅助、合规审查、技术文档问答、故障根因分析；从"搜索返回文档"到"Agent给出经过验证的结论" ◦核心模式：任务编排Agent + 专家Agent集群 + 人类审核节点 ◦业务流程自动化：多源信息智能摘要、报销审核自动化、营销内容批量生成，从单点工具到端到端工作流的跃迁 ◦AI产品价值公式：替代的人工时间 × 频次 × 质量提升 3. AI产品落地的共性规律 •成功特征：场景明确、数据可得、闭环可控、价值可量化 •失败教训：需求不清晰、能力边界不清、缺少兜底机制、组织未准备好 •AI产品设计"三板斧"： ◦找断点：从繁琐流程中找到可以交给AI的环节 ◦重塑流程：如果这个岗位第一天就是"AI原生岗"，流程该长什么样 ◦选组件：何时用RAG，何时用Agent，何时只需Prompt 4. 演示/轻实操：构建一个轻量AI产品原型 •借助自主智能体平台工具，演示自动化工作流 •学员动手配置一个简单的Agent工作流 •讨论如何扩展为企业业务助手 5. 实战工作坊：设计你的AI产品方案（初稿） •各组基于上午识别的场景，完成AI产品方案设计画布 •输出：Mission定义 + 核心功能 + 技术选型 + MVP路径 + 预期ROI 下午产出： •一个轻量AI产品原型/智能体Demo •各组AI产品方案设计初稿 |
|
Day2 上午（3小时） Harness Engineering与AI产品持续迭代 核心目标：理解FDE的核心工作——调教智能体、设计约束、沉淀组织AI资产；掌握AI产品从Demo到Production的迭代方法。 1. FDE的核心工作：Harness Engineering •大模型本身只是token in / token out •Agent runtime负责拼接上下文、调用工具、接收返回和循环执行 •FDE的工作不是控制智能体每一步，而是设计Guide、Feedback和质量机制 •Harness：让智能体犯过一次的错不再重复犯 2. Harness的关键组成 •Guide / Rule：行为规则、项目规约、业务边界 •Skill：可复用操作流程和任务能力 •Prompt：任务说明与上下文组织 •Memory：长期经验和偏好沉淀 •Tools：外部系统、脚本、API、数据库 •Feedback / Sensor：用户反馈、测试、Review、日志、监控 3. 从个人经验到组织AI资产 •核心痛点：个人AI人效提升了，但组织整体能力没有沉淀 •三类关键沉淀对象： ◦How：任务执行步骤与操作路径（SOP的Agent化） ◦What：问题定义、边界条件与适用范围（业务本体/Ontology） ◦Good：评估标准、质量判断与优劣比较依据（Eval体系） •从个人经验到团队可继承的知识、流程和评测标准 •每一次定制化交付都应变成下一个场景不再重复的系统能力 4. Harness深度案例：智能体如何迭代优化 示例问题： •需求重复、编号冲突、索引不完整、Skill冲突 •智能体自发写入错误业务洞察 修复方法： •清理数据、合并和重构Skill、重建索引 •增加自动检查脚本，将修复经验提交到版本管理 5. 实操：把一次错误沉淀成Harness改进 •发现智能体回答错误或任务执行失败的样例 •分析错误来源：知识缺失、规则缺失、工具失败、上下文混乱、评估缺失 •设计修复动作：Guide、Skill、索引、测试、日志 •形成可复用检查清单 6. AI产品的业务流程重塑 •将Day1锁定的业务痛点进行流程拆解 •画出"AS-IS"现状流程图和"TO-BE"AI赋能后流程图 •设计人工协同（HITL）节点与兜底方案 •对各自方案进行"压力测试"：这个任务AI真的能做吗？出错了怎么办？ 上午产出： •Harness任务清单 •一条"错误→机制修复"的样例记录 •AI赋能流程图 |
|
Day2 下午（3小时） FDE落地实战与业务场景PoC 核心目标：把FDE方法和AI产品设计转化为企业可执行的落地路径，完成方案孵化与路演。 1. FDE落地四阶段 阶段一：样本数据与首次PoC（Ship on Day 1） •先拿3-5个样本数据，不看数据不承诺 •一周内做出第一次可感知效果 •用真实样本验证技术可行性和业务价值 阶段二：决策关口与场景筛选 •技术可行性、数据可得性、业务价值 •接口人投入、风险与合规边界、组织配合度 阶段三：真实环境试用与持续优化 •让种子用户真实使用，保留人工/旧流程兜底 •通过业务反馈持续调整知识库、Skill、工具和界面 •不追求第一版完美，追求真实环境可观察、可纠正 •随着AI系统/智能体的完善逐渐扩大试用范围直至生产运行 阶段四：生产运行、监控与持续进化 •使用率、渗透率、人工接管率、错误复发率、业务效果 •监控与运营，模型、工具链和知识库持续升级 •从一个场景的成功复制到更多场景 2. AI产品效果评估 •用户是否持续使用 •原流程是否被部分替代 •人工接管率是否下降 •用户纠正次数是否下降 •错误是否重复发生 •业务指标是否改善 •知识库和Skill是否可复用到新场景 3. FDE的持续发现与资产沉淀机制 •把业务发现当作核心工作（Customer Discovery as Engineering） •每周节奏：明确任务 → 开发与业务互动 → 演示复盘 → 沉淀资产 •每次迭代都要沉淀Prompt、Skill、知识库、测试和经验 •从"交付一个项目"到"构建一套可复用的AI能力体系" •模块化思维：每深入一个场景就沉淀可复用模块，让定制化变成竞争优势 4. 分组工作坊：设计一个FDE场景PoC •Mission定义（用商业语言描述） •业务价值假设（ROI测算） •样本数据清单 •需要接入的系统/工具 •智能体功能草图 •Harness设计：Guide、Skill、Tools、Feedback |
近期公开课推荐
