OpenFDE Agent v0.1：让 AI 像学徒一样，在企业现场向专家学习
不是又一个 Agent 框架，而是补上所有框架都缺的那一层：让 AI 在真实业务现场，向专家学习判断、以渐进自主度执行，并对真实业务结果负责。
Observation gives you the what; elicitation recovers the why. — 观察只能告诉你"发生了什么"；只有主动追问，才能还原"为什么"。
我们开源了 OpenFDE Agent 的第一个版本——一个企业现场的"原位学徒层"。它不是又一个 Agent 框架，而是补上所有 Agent 框架都缺的那一层：让 AI 在真实业务现场，向真正的专家学习判断，并对真实的业务结果负责。
代码在这里（MIT）：github.com/Open-FDE/OpenFDE 的 agent/ 目录。装好就能离线跑通整条循环：
git clone https://github.com/Open-FDE/OpenFDE && cd OpenFDE/agent
pip install -e .
openfde loop --example sales-qualification
一、先说个不舒服的事实：企业 AI 失败，多半不怪模型
过去两年，模型每月都在变强，但企业把它接进核心流程的成功率，低得刺眼。2024–2026 的证据一致指向组织，而不是模型：
- MIT NANDA《State of AI in Business 2025》发现约 95% 的 GenAI 试点对 P&L 几乎没有可衡量的影响，根因是一道"学习鸿沟"——通用工具"不从工作流里学习、也不适配工作流"。（这个数字有方法论争议，宜当信号看，不当定论。）
- Gartner 预测 2027 年前 >40% 的 agentic AI 项目会被砍掉，理由是价值不清、成本失控、风控不足。
- McKinsey 指出真正带来 EBIT 的是"工作流重构"，而只有约 21% 的企业真去重构了流程。
卡点不在模型有多聪明，而在它有没有真正长进这家公司的工作方式里。而每一次落地里最稀缺、最没被沉淀下来的资产，是那个"已经很擅长这件事的人"脑子里的隐性判断——他在看哪些信号、为什么这么决定、什么情况下会反过来。
认知科学早就把这句话说透了：专家知道的，远多于他们能说出来的。 一个只会复述"专家做了什么"、却不懂"为什么"的 copilot，永远搬不走专家的判断力。
二、一个转念：企业要的不是 copilot，是学徒
好的学徒是怎么成长的？他坐在师傅旁边看真实的活；在关键时刻追问"你刚才为什么这么判断、看了什么、什么情况下会反过来"；把这些消化成自己的判断；先在师傅盯着的情况下上手，做对了才逐渐放手；最后用真实结果检验自己。
OpenFDE Agent 就是把这套"学徒成长"做成了协议——我们叫它 Apprentice Loop（原位学徒循环）：
DEPLOY 面（驻场：连接器 · 授权 · 审计）
│
① OBSERVE 看 → ② ELICIT 问 → ③ INDUCE 学 → ④ ACT 做 → ⑤ EVOLVE 长
▲ │
ATTRIBUTION 面（归因：到底哪一次判断，推动了真实结果？）◀────────┘
五步是循环，两个"面"是基础设施。五步向专家学、向结果学；两个面让 Agent 真正驻进现场、并把判断连到生意。
三、核心原语：Judgment Unit（判断单元）
如果目标是"搬运判断力"，那么被存下来的东西，就必须装着判断。现有的几种记忆件都不够：Mem0 / LangMem / Graphiti 管的是记忆（事实、偏好、上下文）——可事实不是决策；AWM 归纳的是工作流（可复用的动作套路）——是"怎么做"，不是"为什么、什么时候做"。
所以 OpenFDE 定义了一个新原语——判断单元（Judgment Unit），一条判断至少包含：触发情境与专家当时读到的信号；决策本身；引出的理由（Why）；考虑过又放弃的备选；反转条件（什么情况下会做出相反决定）；可执行的渐进自主度（suggest → approve → auto）；以及它最终归因到的真实结果。
一整个"判断单元库"，就是一次现场交付真正沉淀下来、可审计、可复用的资产——它有点像 Palantir 的 ontology，但抽象的对象是判断，而不是数据对象，小团队也攒得起。
四、v0.1 到底交付了什么（能跑的东西）
不是 PPT，是一个装好就能跑通整条循环的 Python 包 openfde。以其中 INDUCE 环节的产物为例，它从一段专家轨迹 + 一次访谈里，长出这样一条判断单元：
③ INDUCE — Judgment Unit · 把这条线索判为"大客户 land-and-expand"
WHEN inbound 线索：对接团队很小、母公司很大、且有硬截止日期
SIGNALS 40 人团队 vs 600 人公司的错配；6 周硬截止；首次回复又快又具体
DO 判为 Enterprise land-and-expand，本周推 scoping call，覆盖按坐席数的自动分流
WHY 大公司里的小团队 + 截止日期，几乎必然是滩头阵地：先落地试点，再扩张；
截止日期意味着他们会真买，而不是逛
REVERSE 若母公司其实很小、或没有截止日期且回复含糊 → 分流到 SMB 自助
autonomy=approve · confidence=0.85
注意那句 REVERSE（反转条件）——"母公司其实很小 / 没有截止日期就分流到自助"。这句话不在任何日志里、任何轨迹里，它只存在于专家脑子里，只有主动引出才拿得到。而这正是能不能把判断力教给新人、教给 Agent 的关键。
再往下：ACT 把它编译成一个内建治理的 Agent 配置（CRM 的写操作被强制标记为"需审批"，auto 也不能越过）；一笔"成交"的合成结果通过 ATTRIBUTION 归因回这条判断，给它 +1.0 的功劳；EVOLVE 据此把它从 suggest 提升到 approve——信任是挣来的，不是一开始就给的。 整个包在 Python 3.9 / 3.11 / 3.12 上、CI 里 6 个测试全绿。
五、开源什么，留什么
我们的刀法很清楚：协议和算法开源，靠生态变强；资产和信号闭源，靠真实交付逐年积累。 这条边界不是口号，它被写进了代码里——四个插件位，每个都随包发布一个能用的开源基线：
| 插件位 | 开源基线（随包发布） | 护城河（同接口可插拔） |
|---|---|---|
| MomentRanker | 线索计数启发式 | 跨客户、结果反哺的时刻价值排序 |
| StopCriterion | 覆盖度 + 边际信息量 | 调优后的实时 8 维判停 |
| MoveLibrary | CDM 追问模板 | 调优后的 Move 库（措辞/顺序/自适应） |
| AttributionEngine | 时间窗加权启发式 | 延迟/噪声/长程的因果归因 + 增量修正 |
真正不可复制的，从来不是代码，而是专家的 Move、行业的判断结构、以及跨项目积累的真实业务归因信号。而这，正是 OpenFDE 被设计来长期沉淀的东西。
六、站在生态之上，不重造轮子
连接（MCP / Composio / Temporal）、执行（LangGraph / CrewAI / ADK / Pydantic AI）、优化（GEPA / DSPy）——这些开源生态已经很强，重造毫无意义。所以 OpenFDE 主仓不 vendored 任何第三方代码，只对接它们已核实的公开 API，且全部做成可选的懒加载适配器：EVOLVE 对接 GEPA，ACT 对接 Pydantic AI，INDUCE 存储可挂 Graphiti/Mem0，OBSERVE 吃 Langfuse/OpenTelemetry 的轨迹。OpenFDE 只补自己那一层。
七、这只是第 1 版——诚实的边界
v0.1 是一个能跑、离线、确定性的参考实现，目的是把协议做实、做对，而不是做成一个生产运行时。诚实地说：离线版的 INDUCE 抽取是基于规则的（配上大模型会更好，但不是必须——它只是提高上限，不是机制）；判停、排序、归因都是给护城河留位的简单基线；它也不托管、不替代 LangGraph/ADK。但骨架已经立住了：判断单元是核心，引出协议是旗舰，开/闭源边界在代码里可见，一条命令跑通全程。
FDE 的价值，从来不是"又一个能聊天的 Agent"，而是它如何在企业现场，向专家学、向结果学。OpenFDE 想把这条路，做成开源的标准。欢迎在 GitHub 上开 Issue / PR——补一个 Move 库、一个连接器，或者你自己的行业场景。