最该被AI改造的不是车间，而是方案报价
本文指出非标装备企业AI化的首要痛点在售前而非生产。通过构建基于企业知识库的方案报价智能体，将散落在历史项目和员工经验中的非结构化数据转化为系统能力，从而将方案报价周期从两天缩短至两小时，实现真正的降本增效。
相关文档
国内FDE TOP账号的判断：大部分FDE是伪命题
作者作为国内头部FDE（前沿部署工程师）团队从业者，指出大部分FDE是伪命题。核心论据：80%企业的AI需求是降本增效，而提效的终局是裁员——省出的工时会被公司排满或以裁人降成本收场。作者以客户案例算账：只有大型集团级客户（人力成本200-300万/月）才能让FDE的ROI算得过来，此类公司全国不超1万家，而FDE团队已超10万家，僧多肉少。中小企业场景下乙方单价难覆盖价值，卖SaaS代理、token、培训等路径均受资质或预算限制，生意难以成立。结尾预告下一方向是用AI帮企业做增长。
大型企业AI落地的隐性共识：知识工程必须先做扎实
文章指出许多企业AI项目验收后使用率低迷，核心原因是企业知识未能有效管理和利用。作者提出知识工程是大型企业AI落地的必修课：知识入库前需经过校验、清洗、预标注和抽取等准入环节；入库后需进行生命周期管理、版本控制和健康监测。文章还介绍了知识库与知识空间的双层组织方式、细粒度权限控制，以及通过用户反馈形成知识闭环的机制。最后强调项目成败关键在于组织与人的参与，决策者应建立从知识资产到业务结果的评价链。
企业AI知识库的盈利真相：一次搭建赚小钱，长期持续迭代赚长钱
文章指出企业AI知识库上线后常因资料维护不当失效。建议初期不直接搭建整套系统，而是通过资料体检和错例维护切入。通过建立台账、编写测试卡、固定错例修复流程，将一次性搭建转化为持续盈利的月度服务，确保知识库长期有效。
小公司别急着替大公司试错：一家非标电梯企业的 AI 现实主义
本文记录了作者走访一家华东非标电梯企业的思考。面对 AI 热潮，该企业表现出难得的冷静：不盲目改造车间，而是从代理商内容赋能、设计展示辅助和经验知识库等低风险场景切入。文章指出，小企业应利用大公司的试错成本，在安全合规的前提下，先通过 AI 解决营销和知识沉淀问题，而非急于投入高昂的智能车间系统。
非标制造企业 AI 落地观察：从读懂一张图纸开始
作者通过对 13 家制造企业的调研，记录了一家年产值 25 亿的非标装备企业的 AI 转型痛点。文章指出，企业并非缺乏系统，而是面临 ERP/MES 数据与生产现场脱节的问题。真正的需求并非宏大的全流程自动化，而是解决具体业务“源头”——图纸合规性审核与工艺拆解。作者提出，制造业 AI 应避免单纯的“聊天机器人”或“大屏展示”，需克制冲动，将隐性经验转化为元数据，优先辅助专家而非直接替代，并从培训等低风险场景切入，实现业务数据的闭环与持续迭代。
FDE 百问百答：从入行求职、独立接单到进场交付
作者司徒K基于十几年企业服务经验，整理了关于 FDE（前沿部署工程师）与企业 AI 落地的 100 个具体问题。文章系统解答了 FDE 的岗位职责、与开发/实施/咨询的区别、薪资水平、职业发展路径，以及独立接单时的客户获取、报价、分阶段收款、交付与售后等经营问题。作者指出 FDE 一词被过度泛化，把项目交付出来和把一门生意持续经营是两回事，提醒从业者警惕将自己困在非标交付中。文章还给出转行者的学习路径建议：围绕小项目实践、借助 AI 补足编程能力、从熟悉的行业切入，先做出可展示的作品再求职或接单。
AI时代，最贵的人开始下现场
文章探讨AI行业新兴岗位Forward-Deployed Engineer（FDE，前线部署工程师）的崛起。LinkedIn数据显示该岗位标签自2023年以来增长约42倍，OpenAI、AWS、微软等巨头纷纷投入巨额资金组建部署团队。文章指出，模型能力已经进步，但企业的工作方式尚未跟上，演示效果与真实落地之间存在巨大落差。FDE的价值在于深入客户现场，理解真实业务流程，把模型接入旧系统、权限和合规要求中，并通过可测量的经营指标证明价值。文章还分析了FDE面临的规模化陷阱、反方意见，以及普通人如何用90天验证计划积累FDE能力。
万字长文：见到最真实的现状后，我决定放弃FDE
作者基于两个月通过FDE赚取20万元、平台储备500多个FDE、走访60多个真实项目的一线经验，揭示FDE行业的真实现状。文章指出国内FDE本质是帮企业用上AI，而非Palantir式的高端模式；深度数据治理是新兴团队不该碰的无底洞；总包模式因下游交付能力薄弱风险极高。企业多数需求用通用办公Agent即可解决，真正闷声发大财的是懂业务的代运营团队，他们借助vibe coding做轻量智能体和落地陪跑。获客应网上发声、线下拿单，最终作者决定放弃FDE重交付模式。
从亏掉70万到月销10万+，一家轻食店的AI自救
常州一家轻食店曾因外卖平台抽成卖一单亏1.2元，累计亏损70多万。转机来自一条准备关店的吐槽视频带来的团餐需求。老板王晖用制造业流程管理经验，将AI部署在员工熟悉的飞书中，先改造财务、订单、宣传、视频四个最费时间的环节，并用'路由卡'（任务目标、执行策略、风险等级、验收标准）和12个岗位卡管理AI输出，把几百个skill收敛成12个稳定岗位。文章提炼出可复制的三件事：用员工已有的工具、从最费人力的环节下手、先立验收标准再让AI上岗，强调流程而非菜单才是真正的护城河。
普通人不要转型FDE，但是这个岗位一定是个机会！
作者指出FDE岗位对国内大部分普通人难以落地，但Palantir的Deployment Strategist（内部称Echo）更值得关注。文章以车企营销日报项目为例，详细拆解Echo的工作内容：把模糊的客户需求拆成业务规则和开发任务、在开发过程中管控规则变更、用旧日报逐项验证系统输出、交付后持续跟进业务使用情况。最后给出普通人向Echo靠拢的路径：练习追问需求、输出规则清单等文档、善用AI工具，从手头重复性工作入手，把它变成AI可参与且可检验的流程。
FDE 做 AI 落地的两条路：外部接单 vs 内部推进
文章分析了 FDE（前沿部署工程师）做企业 AI 落地的两条路径：外部接项目单干和公司内部推进。外部路线的死穴是商业闭环，需要找销售合作、分层报价、守住交付边界、结项算清回款/成本/结余三笔账；内部路线的死穴是权责分配，类似当年推 BIM 的困境，AI 落地本质是重构权力和利益。作者提出三条通用原则：不吹全自动裁员的牛、选自带数据的业务环节、内部做事必须有业务负责人担责。核心观点是技术只是起点，外部能收到钱、内部有人接盘才叫真正落地。
市面上的 FDE 培训不用报课，看懂这几个开源项目就足够了
作者认为市面上动辄上万元的 FDE（Forward Deployed Engineer）培训完全没必要报课，只需学习几个开源项目即可：fdeops 定位为 FDE 第二大脑，可接入 Claude Code、Cursor 等 Agent，让访谈纪要和交付清单可直接被引用；fdestack 将工作流拆成可复用 Skills；openfde 提供本地优先工作区，作为可引用的作战记忆；fde-guide 补充方法论和流程。建议做 ToB 交付、驻场、AI 落地的人按 Skills 管流程、仓库管记忆的思路，先装 fdeops 底座，再按团队技术栈补齐。