ARTICLE · 人工智能
我找了份月薪 7 万的 FDE 工作，结果进厂贴了一天二维码？！
一语总结本文以第一人称沉浸式讲述 FDE（前线部署工程师）在服装厂落地 AI 报修助手的完整项目过程，展现从需求确认、现场调研、验收指标、Evals 评估到上线迭代的六步工作闭环，并总结 FDE 岗位的核心能力要求。
文章以第一人称沉浸式讲述了一名 FDE（前线部署工程师）在 AI 公司入职后，被派到服装厂落地 AI 报修系统的完整项目经历。作者通过「了解客户目标—现场调研—确定方案与量化验收指标—建立 Evals 评估集—现场试用迭代—上线验收与交接」六个阶段，生动展示了 AI 落地中的典型难点：客户需求模糊、机器别名混乱、车间噪音导致语音识别出错、工人不愿增加操作步骤等。文中穿插了二维码绑定设备、纠错词典、评估集、留存现场经验反哺产品等方法，最后总结了 FDE 岗位的真实面貌与能力要求，并给出适不适合做 FDE 的自我判断建议。
- FDE 的核心是站在客户与技术之间，把模糊需求变成可落地、有人用、有业务价值的系统。
文章通过服装厂 AI 报修项目展示，FDE 需要从模糊需求中识别真实卡点，交付可运行、可产生价值的系统。
- 交付成功要以可量化的验收指标为准，而不是系统部署完成。
项目用报修送达时间、记录完整率、使用率和 AI 准确率四项指标验收，数字达标才算成功。
- AI 项目必须建立评估集，用真实数据反复测试优化。
文中用 300 条真实报修记录测试，准确率从 81% 提升到 93%，说明 Evals 是 AI 落地的关键环节。
- AI 设计要在防错与效率之间做理性取舍。
为防 7% 的错误让所有工人每次多操作整页表格并不划算，AI 应在拿不准时才追问，不给多数流程增加成本。
- 现场项目经验应沉淀回产品团队，形成可复用能力。
项目收尾后，二维码绑定、语音纠错、维修记录结构化等方法被带回产品团队，做成通用模块。
我找了份月薪 7 万的 FDE 工作，结果进厂贴了一天二维码？！
文章以第一人称沉浸式讲述了一名 FDE（前线部署工程师）在 AI 公司入职后，被派到服装厂落地 AI 报修系统的完整项目经历。作者通过「了解客户目标—现场调研—确定方案与量化验收指标—建立 Evals 评估集—现场试用迭代—上线验收与交接」六个阶段，生动展示了 AI 落地中的典型难点：客户需求模糊、机器别名混乱、车间噪音导致语音识别出错、工人不愿增加操作步骤等。文中穿插了二维码绑定设备、纠错词典、评估集、留存现场经验反哺产品等方法，最后总结了 FDE 岗位的真实面貌与能力要求，并给出适不适合做 FDE 的自我判断建议。
文章金句
"「部署上去」不是验收标准。客户不关心你部署了什么，他们关心的是工人报修有没有变快、维修记录有没有留下来。
"AI 听懂了普通话，却没听懂这家工厂的「厂话」！
"你让 100% 的工人每次都多操作一整页表格，这笔账算不过来。
"FDE 不能让客户离了你就不会用，得让对方的团队自己能接手。