不是PPT大赛，是12个FDE项目案例拆解

幻觉工程师 2026-10-24 21.7 KB 1.6K 7 𝕏 文章列表

作者复盘2026 AI先锋未来人才大赛全国总决赛的12个FDE（前沿部署工程师）项目，涵盖化工调度、编程教育、低空安防、供应链、雅思诊断、AI短剧、乐园服务、3D打印、家电售后、汽车维修、内容营销和招投标等领域。文章逐一拆解各项目的实现方式与业务价值，并总结三点观察：多数场景不需要垂类模型，业务理解是AI应用的关键门槛，能演示与创造商业价值之间仍有距离。作者认为FDE代表AI时代正在形成的具体工作方式，非计算机背景者也能借AI解决真实行业问题。

FDE Agent Skill 豆包飞书 AI应用案例企业数字化工作流大赛拆解行业落地

# 不是ppt大赛，是12个FDE项目案例拆解 **作者**: 幻觉工程师 **日期**: 2026-09-17T04:51:14.000Z **来源**: [https://x.com/hocyzon/status/2113843544544907632](https://x.com/hocyzon/status/2113843544544907632) --- ![Image](/doc/8754/image/img_0b9affebf396.jpg) 很多人总是带着先入为主的态度看待大学生竞赛，总觉得各类比赛“水”，偏见会让人在一定程度上失去进步的机会。昨天倍速看了4个小时飞书和豆包工作联合举办的2026 AI先锋未来人才大赛全国总决赛。全国4354支队伍参赛，来自23个国家和地区的1573所高校，最终有12支队伍进入全国总决赛。企业提供真实业务命题，选手利用飞书和豆包工作完成方案，评委则由飞书CEO谢欣、元气森林创始人唐彬森等企业高管组成。我原本以为又是一场大学生PPT创新创业大赛，因为我平日里作为创赛评委，这种项目看的多了，有点审美疲劳，但看了个开头，发现有点东西，就继续看了下去。 X上这么多人说FDE，但我也没见过几个人分享真实的案例，为什么？因为真实的案例才是护城河，方法论在我看来没那么重要。这12个项目横跨工业制造、教育、供应链、短剧、旅游、家电售后等领域，可以说都没有真正意义上的技术门槛，非计算机背景的人是一定能看懂的，他们这套FDE的工作方式是非常值得学习的。 FDE全称Forward Deployed Engineer，通常翻译为前沿部署工程师。简单理解，就是工程师进入客户的真实业务环境，理解问题、接入数据、开发工具，最终让AI参与实际工作。这是我之前对FDE的理解，名字是不是套壳，不重要，重要的是看做了什么。 > **幻觉工程师@hocyzon**: [原文链接](https://x.com/hocyzon/status/2100447463564099693) > > 建设中国社会特色的FDE！ > 01 > FDE的核心根本不是“工程” > 真FDE的核心能力如果排个名，工程能力根本排不进前三。 > 前三名是：懂业务、懂组织、懂管理。 > 所以FDE，全称应该是Forward Deploy Executives（前沿部署高管）。 > 02 > 差的是商业模式 > 正统的FDE模式是， > > ![图片](/doc/8754/image/img_cbad1a2631b8.jpg) 这12个项目未必都达到了成熟FDE项目的标准，但基本覆盖了这种工作方式的不同环节。 ## 1. 安芯调度云图控股提出的命题，由四川大学一名化工专业硕士独立完成。大型化工厂的排产非常复杂，客户修改一笔订单，可能同时影响原料采购、设备负荷、蒸汽供应和下游生产。过去需要几位老师傅反复核对数据，协调两小时才能完成一次调度。选手做了一个叫安芯的数字员工，接入ERP订单、生产装置、采购和库存数据。用户输入生产目标后，豆包工作负责组织任务，专业工艺模型负责计算，最后生成多套排产方案。工厂某条生产线月产能上限是4万吨。AI最初生成了一套满产方案，但专业模型发现，上游要求生产的中间料比下游能够消化的数量多出1239吨，可能导致严重的安全风险。系统因此排除了这套看似产量最高的方案，再比较其他可行方案。最终两套方案测算出的月度经营参考余额相差1076万元。选手还进入湖北应城化工基地待了20天，把老师傅的经验补充进系统。比如合成氨装置需要稳定运行，不能为了满足一张订单就频繁调整上游负荷。最终显示，单次调度从约2小时压缩到12分钟，专业人员投入减少79%。 ## 2. 核桃世界核桃编程提出的命题，由三名跨校学生共同完成。传统编程教学有个问题，学生跟着教程可以写代码，但很难理解这些代码究竟能干什么。他们开发了一款农场经营游戏，让孩子通过写代码给AI增加技能。比如农场里的番茄缺水，孩子需要写一段浇水程序。通过测试后，这段代码就会变成AI农场助手的一项技能，以后自动执行。整个游戏里配置了5个Agent，分别负责发布任务、代码辅导、执行程序、生成变式练习和记录学习进度。学生代码出错时，AI不会马上给正确答案，而是根据错误位置逐步提示。学生每次修改、运行和验证都会被记录下来，同步到飞书多维表格。教师可以查询哪些学生卡在某个知识点，教研团队也可以根据大量错误记录优化课程内容。产品已经在核桃编程内部测试，孩子平均单次体验约18分钟。团队预测，每1000次AI求助可以节省教师10到15小时重复答疑时间。这个项目的价值不仅在于把编程做成游戏，还在于把原本无法结构化记录的学习过程变成数据，再利用这些数据改进教学。但评委也提出了一个问题。企业原本想要的是提升课程生产和迭代效率，团队把大量精力花在学生端，未来还需要进一步证明对教研团队的实际价值。 ## 3. 见微智探睿创微纳提出的低空安全命题，由北航和上交大的两名学生完成。低空雷达面临两个问题。首先是无人机和鸟类的雷达信号容易混淆，其次是即使雷达成功发现无人机，从告警到人员到场也需要经过复杂流程。团队先开发了一套目标识别算法，同时分析微多普勒特征、运动轨迹和物理统计特征，再动态调整不同特征的权重。在使用的公开数据集上，鸟类与无人机的分类准确率达到100%，四种无人机型号的细分类准确率达到96%。但识别只是第一步。团队在服务器上部署了雷达告警系统，发现高风险目标后自动向飞书发送告警，根据距离分配运维人员，通过地图更新目标位置。工作人员到场处理后，上传照片和处置记录。系统再把错误识别的案例回传给豆包工作，辅助算法工程师分析和修改代码。他们还在青岛莱西店埠机场进行了实际测试，演示了无人机识别、告警、派单和现场反馈的过程。当然，100%的识别率只针对指定测试数据集，选手也承认无法保证所有真实场景下都识别正确。 ## 4. 果然智链果卡科技提出的命题，由两名重庆高校学生完成。一批葡萄从供应商出发，经过运输、仓储、销售，最后送到消费者手里，任何一个环节的信息延迟，都可能造成损耗。团队把问题拆成了三个部分。第一是供应商风险识别。根据供应商历史记录、运输条件和商品批次，预测哪些到货批次可能存在质量问题，优先安排人工复核。第二是客户推荐。根据客户过去的购买记录、预算、库存、价格以及水果鲜度，决定向哪个客户推荐哪一批货。第三是售后数据回流。客户反馈水果质量问题后，AI自动读取照片和录音，提取商品批次，通知销售及相关部门，避免同一批问题商品继续被推荐。团队使用约8万条批次记录训练风险模型，平均召回率达到48%，比原有规则提高约21个百分点。客户推荐部分使用历史数据和模拟实验，模型预期报价接受率约76%，高于基线的51%。不过，选手在唐彬森追问时承认，这些结果来自历史数据和模拟验证，尚未在真实运营中完成实时测试。唐彬森还问了一个很关键的问题。传统供应链已经有大量成熟算法，为什么一定要使用大模型？选手的回答是，大模型能够处理客服录音、商品照片等非结构化数据，再将这些信息转化成传统模型能够使用的数据。 ## 5. 范大哥与方无忌京航智能提出的命题，由两名教育技术专业的研究生完成。他们观察到一个问题，学生写了一篇雅思作文，老师通常给出一个总分，但学生很难判断自己到底卡在哪个知识点。团队使用企业提供的300名学生数据，对14767条句子进行标注，按照雅思写作标准建立句子级诊断知识库。学生上传作文后，AI逐句分析语法、词汇和衔接问题，再将错误对应到具体知识点。他们还引入BKT知识追踪模型，持续记录学生对不同知识点的掌握程度。学生修改句子时，AI采用启发式提问，鼓励学生自己完成修改。在69篇作文的验证中，团队报告整篇直接诊断的准确率为51%，拆分到句子级后提高到了95%。另外，他们设计了八个备考阶段，针对持续停留在同一分数段的学生调整训练节奏，避免机械地增加练习量。整个系统由18个Skill和多个Agent组成，飞书负责保存学习记录，豆包工作负责组织诊断与辅导。不过，团队在答辩时说明，目前主要跑通了后台原型，尚未完整验证一个学习周期内的提分效果。 ## 6. 秋阳里Pipeline 山海星辰提出的命题，最终拿下了本次比赛金奖。团队由三名没有影视专业背景的工科生组成。他们最开始只是尝试用AI制作短剧，第一部作品全平台累计播放超过6.5亿，第二部超过3.2亿。做出爆款以后，他们开始思考怎么稳定地批量生产内容，于是把整个制作流程拆成六个环节。选题、剧本、资产、分镜、视频生成、剪辑翻译。豆包工作先分析各平台短剧榜单，筛选题材和潜在小说IP。剧本Agent将小说改编成短剧，先生成前三集供人工审核，通过后再批量制作。资产Agent提取人物、场景和道具，调用生图模型批量生成素材，并存入飞书资产库。目前已经积累约4000条角色资产。分镜Agent将剧本转换成详细的视频提示词，明确每一秒的镜头、人物动作和台词，再调用视频生成平台制作片段。团队把这些经验整理成20多套Skill。根据他们公布的数据，最快3天制作一部120分钟的短剧，单部成本约3000元，新手按照这套流程一周左右也能做出成片。这个项目能够拿到金奖，我觉得很大程度上是因为他们已经有实际作品和播放量，同时还提供了具体的生产成本。但唐彬森在现场提出了另一个问题。当所有团队都能复制类似的Skill和工作流，甚至每部短剧只需要3000元时，最后的竞争优势在哪里？团队认为题材判断和创意选择仍然重要，唐彬森则进一步提出，可以通过低成本批量制作和市场测试，让数据帮助筛选题材。 ## 7. 该我上场了长隆集团提出的命题，由一名复旦大学历史系研究生完成。她做的是一个AI游园旅伴，但与常见的旅游问答助手不同，她更关心什么时候应该主动提供服务。比如游客在乐园地图上反复查看多个项目，却一直没有决定去哪，AI可以根据附近项目的开放情况推荐下一站。但如果游客已经开始导航，AI就保持安静。还有一个场景，游客原本打算坐缆车看动物，结果突然下雨，缆车暂停运营。 AI发现游客真正的需求是不用走路也能看到动物，于是推荐仍然运营的小火车。但如果游客明确想体验从空中看动物，AI就不会推荐小火车，因为两者无法提供相同的体验。系统利用飞书多维表格和豆包工作记录用户行为、实时设施状态和推荐结果。团队基于130份有效问卷进行了模拟验证。合适时机的主动提醒获得87.1%的有帮助评价。项目目前还没有接入长隆真实业务系统。 ## 8. XWX Polymaker提出的命题，由三名浙江大学机械工程专业学生完成。 3D打印机已经越来越容易操作，但材料选择、温度设置、模型适配仍然需要大量经验。比如用户想打印一个能够放在阳台上的零件，应该选择什么材料？能否长期晒太阳？是否需要调整温度和打印速度？团队开发了PolyPilot。用户输入自己的需求，AI先转换成具体工程指标，再结合打印机型号、材料参数和实际使用环境推荐方案。它还能读取用户正在浏览的3D模型网页，获取模型信息，查询官方材料数据库和切片预设，最后生成可以直接复制到切片软件的参数。如果发现用户现有耗材不足，系统还能计算所需数量，并链接到官方商城购买。团队现场展示了利用系统推荐参数成功打印出的实物。这个案例有一个商业价值值得注意。过去材料厂商提供的是产品说明书和参数库，用户需要自行研究。现在AI可以在消费者准备打印的时候直接参与决策，再连接到购买渠道。对于企业而言，模型参数库从静态资料变成了能够参与销售的工具，同时还能通过用户提问了解市场真实需求。 ## 9. 最喜欢Vibe Coding啦海信集团提出的命题，由三名不同专业背景的学生完成。家电售后涉及客服、维修工程师、备件供应和回访等多个环节。用户报修时可能说不清楚故障，客服反复询问，工程师上门才发现零件没带，维修结束后系统也不知道问题有没有真正解决。团队设计了五个核心模块。首先通过设备运行数据提前发现异常，再用VOC智能诊断Agent理解用户描述，将复杂问题整理成结构化工单。接着根据工程师的技能、服务范围和地理位置自动匹配人员，提前生成备件清单。上门过程中，经过用户授权，AI工牌可以记录服务过程，识别潜在违规行为。最后通过AI回访和人工确认判断故障是否真正解决，并将结果反馈给系统。团队展示的建单时间从5分钟下降到2分钟。他们还预测，如果把配件一次携带率从80%提高到90%，将平均上门次数从1.3次减少到1.15次，按照海信每年1000万单的服务规模计算，可能每年节约1.3亿元。但这个数字属于业务预测。团队说明，方案目前还没有真正接入海信完整的售后系统。 ## 10. 安登常绿赛力斯集团提出的命题，由一名西安交通大学学生独立完成。汽车生产线发生设备故障时，有经验的老师傅可能很快就知道问题在哪里，但新工程师可能需要花费大量时间翻阅记录。企业并不缺少维修数据，过去的维修记录、故障工单和处理过程都存在系统里，只是很难被快速检索和利用。选手开发了一个叫小安的Agent。首先整理企业历史维修工单，将设备编号、报警信息、维修过程和最终处理结果关联起来。工程师遇到故障时，可以直接询问小安。系统先检索真实工单，再分析相似案例，给出建议排查顺序，并附上原始记录作为依据。为了减少模型幻觉，选手明确限制了Agent的工作流程，要求先查工单，再生成回答。在企业提供的数据测试中，76.1%的查询得到了一定程度有效的建议。抽取的20次回答全部先检索工单再输出，没有发现编造依据的情况，单次响应时间控制在1分钟以内。很多公司其实已经积累了大量数据和经验，过去的问题在于信息分散、检索困难，员工离职以后经验也很难继承。不一定需要重新训练大模型，只要把已有知识重新组织，让AI能够可靠地检索和使用，就可能产生很直接的价值。 ## 11. Double Ant 时宜品牌提出的命题，由中国矿业大学和华北电力大学的两名学生完成。企业经营除甲醛业务，消费者会在评论区提出各种问题，比如新房装修三个月没有异味，家里有两岁孩子，能不能入住。传统内容团队需要先整理用户问题，再查资料、选题、写脚本、制作视频。团队设计了一个叫静静AI的系统，通过7个Agent完成整个流程。系统先读取客服记录和用户评论，提取高频问题，再调用知识库检索相关依据，生成选题、脚本和分镜。随后调用视频生成工具制作内容，再通过审核环节检查科学依据和营销表述，避免制造不必要的焦虑。最后将视频素材和用户反馈沉淀到飞书，供下一次制作复用。团队现场展示，从选题到视频完成不到10分钟，相比原来约2.5小时的人工流程，耗时减少93%。他们还报告了95%的首次审核通过率、约10元的单条视频成本，以及70%的历史素材复用率。不过，评委追问投放效果时，团队没有提供充分的实际转化率对照数据。所以这个项目目前能够证明的是内容生产效率提升，还不能直接证明营销收入增加。内容生产变便宜以后，企业未必就能获得更多客户。能否通过用户反馈和投放数据不断调整内容，才是这套系统未来能否形成商业价值的关键。 ## 12. TenderTrace 超聚变提出的命题，由两名跨国协作的学生完成。大型企业寻找招投标机会时，需要持续查看多个网站，筛选公告、判断是否符合自身能力，再安排人员准备资料。团队开发了一个招投标情报平台。首先接入16个国内外信息源，用户可以直接通过自然语言搜索相关招标公告，系统自动提取核心要求并生成Word报告。接下来配置多个Agent，分别从技术、商务、合规和证据等角度分析招标项目，判断企业是否具备投标条件。如果值得跟进，就通过飞书创建任务和项目台账，分配责任人，持续提醒资料准备进度。团队还尝试根据历史招标数据，分析客户采购频率、技术规格变化和行业趋势，预测未来可能出现的商业机会，并通过地图进行展示。整个系统已经跑通信息抓取、项目评分、报告生成和协作流程。团队报告API调用耗时中位数约0.81秒。不过，商机预测部分还没有提供足够的真实成交数据，无法判断预测究竟能带来多少新增订单。 ## 看完12个项目，说说我的想法第一，很多领域不需要垂类模型。这12个案例里，只有少数团队把核心精力放在专业算法上。大部分团队使用现有大模型，通过Skill、Agent、MCP、企业知识库和工作流解决具体问题。真正消耗精力的是理解企业业务、获得可用数据、设计可靠的执行流程，以及处理那些模型无法独立判断的例外情况。这也是FDE这类岗位值得关注的原因。第二，业务理解成为AI应用开发的重要门槛。化工调度需要理解生产安全，供应链需要理解采购与库存，3D打印需要理解材料性能，汽车维修需要理解设备和工单。如果不知道企业原本怎么工作，就很容易做出一个看起来功能丰富，却无法进入实际业务流程的Agent。反过来，具备行业知识的人，即使没有很强的软件工程背景，也有机会利用AI工具开发出过去需要完整技术团队才能完成的应用原型。这场比赛就有历史学、工商管理、社会工作、机械工程等不同专业的学生参与。第三，能演示和能创造商业价值之间仍然有很长的距离。有的项目已经跑出了真实播放量，有的在工厂和机场进行了测试，还有一些仅仅证明了模型在历史数据上有效。能够运行的原型，证明方案在技术上具有可行性。能够进入真实业务环境，证明系统有机会解决实际问题。能够长期稳定运行，并且在财务报表上体现收入增加或成本下降，才真正证明了商业价值。所以这场比赛里的一些方案仍然需要继续验证，不能因为做出了Agent和可视化后台，就认定已经完成了企业数字化改造。我认为这场比赛最大的价值，是让我们看到AI时代一个具体的工作方式正在形成。过去一个人有创业想法，首先要考虑组建开发团队、招聘工程师、设计产品，再花几个月做出一个能够使用的原型。现在，一个人可以先进入企业发现问题，通过大模型连接企业数据和现成工具，在短时间内完成原型，再交给真实用户验证。这降低了尝试解决行业问题的初始成本，但没有降低理解行业的要求。也正因为技术实现越来越便宜，未来人与人之间的差距，可能更多体现在谁能够进入真实场景，找到有价值的问题，并且把解决方案推进到实际业务中。我觉得对于计算机专业的学生而言，这12个项目甚至比不少常见的简历项目更值得研究，至少它们提供了一个不同的思路。与其继续做一个已经被重复开发无数次的管理系统，不如去找一家真实企业，研究一个真实业务问题，尝试利用AI把其中一段工作流程跑通。你不一定需要解决整个行业的问题。只要能让一个岗位每天少花两小时，让一次业务决策有可靠依据，或者让一条原本需要多人协调的流程自动推进，就已经有了一个值得继续开发的项目。这可能也是FDE值得年轻人关注的地方。它要求一个人同时具备技术实现能力、业务理解能力和推进问题解决的能力。 AI把开发门槛降下来了，但找到正确的问题，依然需要人自己完成。 ## 相关链接 - [幻觉工程师](https://x.com/hocyzon) - [@hocyzon](https://x.com/hocyzon) - [697](https://x.com/hocyzon/status/2113843544544907632/analytics) - [Sep 17](https://x.com/hocyzon/status/2100447463564099693) - [5.1K](https://x.com/hocyzon/status/2100447463564099693/analytics) - [Upgrade to Plus](https://x.com/i/premium_sign_up) - [12:02 PM · Oct 24, 2026](https://x.com/hocyzon/status/2113843544544907632) - [697 Views](https://x.com/hocyzon/status/2113843544544907632/analytics) --- *导出时间: 2026/10/24 13:47:49*