90 天学习路线

目标：理解 FDE 到底是什么，不被 title 迷惑，能区分它与售前 / SA / SWE / PM。

练习：精读 Palantir Dev vs Delta、Palantir / OpenAI / Google Cloud 的 FDE 岗位描述，以及 a16z 的 Palantirization 分析。Dev vs Delta↗

产出物：一页 FDE 定义；一张 FDE vs SA vs SWE vs PM 对比表；10 个 FDE 关键能力清单；5 个 FDE 模式风险清单。

目标：能独立做一个企业级 RAG 原型，而不是一个玩具聊天机器人。

练习：做一个权限感知的企业知识助手。

产出物：覆盖文档上传解析、chunking、embedding、向量检索、reranking、metadata 权限过滤、引用溯源、用户反馈、eval set、latency / cost 日志、简单前端与 Docker 部署的完整应用。它比"做一个 chatbot"更接近真实 FDE 工作。

目标：从"问答系统"升级到"可执行系统"——能调用工具、维护状态、处理失败、请求人工审批。

练习：做一个自动处理客户工单的 Agent。

产出物：包含工单分类、知识检索、工具调用、草稿回复、人工审批、状态机、错误回退、trace viewer、eval cases、成本与延迟监控。这一阶段直接对标 Google、字节、OpenAI 等岗位强调的 production-grade agentic workflow 能力。Google FDE JD↗

目标：练 discovery、scoping 与上线思维——FDE 与普通工程师最大的差异就在这一步。

练习：选一个行业场景（银行客户经理助手 / 医疗 prior authorization 助手 / 制造设备维修助手 / SaaS 客服工单助手 / 法务合同审查助手），把它当成真实客户来推进。

产出物：客户访谈提纲、当前流程图、痛点与成功指标、MVP scope、技术架构、风险清单、eval 方案、rollout 计划、产品化机会——一套完整的部署交付包。

目标：不只是做完项目，而是把项目变成可复利的产品能力。这一步是 FDE 与"高级外包工程师"的真正分水岭。

练习：复盘前面的模拟部署，逐条回答产品化问题。

产出物：哪些模块可复用？哪些连接器该产品化？哪些 eval 该标准化？哪些 prompt / workflow 模板可跨行业复制？哪些需求不该做？哪些能力应进入 roadmap？如何从一个客户扩展到一个行业？

客户说："我们想做一个 AI 客服助手，让客服更快回答问题。"

FDE 要追问：每天处理多少 ticket？平均处理时长？哪些问题最常见、最容易出错？知识库与 ticket 数据在哪里？客服权限边界？哪些回答必须人工审核？错误回答的风险是什么？成功指标到底是 AHT 降低、CSAT 提升，还是 first response time 降低？

第一版不直接自动回复客户，而是做客服的内部助手：根据 ticket 自动检索相关知识、生成建议回复、给出处引用、标记置信度，由客服人工编辑后发送，并收集反馈与最终采用率。这样既能快速验证价值，又把错误风险控制在人工闸门之内。

前端是客服工作台插件；后端是 ticket context service；数据层接知识库、历史 ticket、产品文档；检索用 hybrid search + rerank；权限按客服角色过滤客户数据；模型负责生成回复草稿；eval 用历史 ticket replay；可观测层追踪 latency、cost、采纳率、编辑距离与用户反馈；rollout 先 10 名客服试点，再扩到一个 team。