年薪的百万的FDE工程师的技能是什么？

第一，AI 落地的核心矛盾正在从"模型能不能做"转向"组织怎么用"。 模型能力以季度为单位跃升，但超过 60% 的企业 AI 尝试仍停留在试点阶段。瓶颈不在 Demo，在于如何接入系统、嵌入流程、满足合规、产生可衡量的业务结果。

第二，FDE 的本质不是新岗位，而是交付模式的范式重塑。 它把售前、实施、产品和客户成功的能力重新组合到一个前线小队，让交付与学习同时发生。驱动力是 AI 同时降低了知识蒸馏、定制开发和复合型人才供给三道成本门槛，使重交付模式开始具备更广泛的商业可行性。

第三，FDE 与传统驻场的本质区别，在于项目结束后是否沉淀为可复用资产。 只留给客户一个系统，是外包；带回经验却无法复用，是项目制；把现场经验转化为 Skill、模板、测试集或产品能力，才是 FDE；沉淀后能显著降低下一次同类交付成本，才是可规模化的 FDE。

第四，AI 让工程执行变便宜，让判断能力更稀缺。 AI 编程和智能体工具降低了原型构建和系统适配成本，但识别高价值场景、理解行业、推动组织采纳的能力反而更值钱。前线角色正在从"写代码的人"演变为"指挥 AI 完成业务的人"。

第五，可持续路径是沉淀优先、复用优先、客户逐步自助。 完全自主搭建本体成本极高；更现实的路径是先沉淀高频 Skill 与系统连接器，再逐步形成行业模板和知识库，让每次前线实践都能留下可复用的资产。

第六，平台、伙伴、客户三方协同是行业正在形成的共识。 平台沉淀能力与标杆，伙伴规模化复制与本地化服务，客户在陪跑中逐步形成自助能力。这种协同让头部客户获得深度服务，也让中腰部客户以更低成本接入成熟能力。

第七，未来属于更懂业务、更懂组织、更懂指挥 AI 的人。 低端实施会被持续压缩，场景定义、客户信任、组织推动和行业知识沉淀会继续升值。起步中的客户不必担心"标准答案"——FDE 本就为差异化场景而生；已在路上的团队，更值得关注如何让前线经验真正回流为自身能力。

现场五关：FDE 每一步的过关条件

FDE 的工作是五步闭环：驻场 → 诊断 → 搭建 → 交付 → 赋能。每一步设一道验收关，配一个守关问题——答不上来，别往下走：

五关连读，就是 FDE 工作的全部：找到痛点，选准切口，做出原型，算清账，让它自转。

其中"自转关"在中国最稀缺，也最值钱。大多数 AI 服务商的商业模式依赖客户持续付费，而 FDE 的终极目标恰恰相反——让企业尽快不再需要你。听起来违反商业直觉，但 Palantir 的经验证明：真正帮企业跑起来的服务商，反而会被介绍给更多企业。

FDE 的能力三角

FDE 的能力由三部分组成，比例因公司和项目而异，但三块都必须沾：

一个反直觉的判断：AI 工具越便宜，FDE 越值钱。当搭建 Agent 的门槛降到人人可学时，稀缺的不再是技术操作，而是理解企业现场、定义真问题、设计验收标准、推动组织采用的能力。这正是 FDE 能力三角中"解决方案"和"交付闭环"两角的价值。

FDE 与传统角色有什么区别

FDE 经常被拿来和几个相似角色混淆。区别的核心在两个维度：是否对业务结果负责，以及闭环到哪一步。

最根本的区别：咨询顾问说"应该这样做"，实施工程师说"按需求做好了"，FDE 说"已经做到了，这是数据，下一个场景你们自己来"。

《FDE：Agent Harness + Skills 代码原生构建智能体实操》

大模型实战专家—周红伟 法国科学院算法博士/前阿里人工智能专家/马上消金风控负责人

课程背景

大模型应用从 Demo 到生产环境，中间隔着一道坎。过去做智能体，大多靠写 Prompt。把指令塞进系统提示词，让模型自己决定怎么干活。演示时很流畅，一上真实业务就出问题：输出不稳、上下文越用越乱、工具调用跑偏、出了问题难排查。原因很简单：把控制权全交给了模型。模型是概率系统，不是工程系统。

现在工程圈的共识是：代码接管确定性，模型只负责不确定性。这就是 Harness 范式——用一个代码框架包住模型调用，流程控制、工具选择、错误处理、上下文管理交给代码，推理和判断才交给模型。

Skills 则是这个范式下的能力单元。每个 Skill 是一个有明确输入输出、可独立沉淀企业的SOP。企业里要落地智能体，Harness 管住流程，Skills 管住能力，两天时间，从概念到实操，做出一个能在生产环境跑起来的智能体。

课程收益

学完这门课，你能带走这些东西：

培训时长

2天

课程大纲

第一天 智能体工程基础与 Harness 范式实战

第一部分 Agent 工程演进与 Harness 核心概念
1.1 从 Prompt 到 Harness 的工程化路径
1.1.1 Prompt 的局限：上下文膨胀与不可控输出
1.1.2 Context 阶段：结构化上下文注入与模板化
1.1.3 Harness 阶段：代码接管控制流，模型只做推理
1.2 Harness 的定义与核心职责
1.2.1 控制流与数据流分离
1.2.2 模型调用的边界与生命周期管理
1.2.3 错误处理与重试机制的代码化
1.3 企业级 Harness 设计示例解析
1.3.1 一个工单分类 Agent 的 Harness 骨架拆解
1.3.2 模型输入输出的 schema 约束
1.3.3 可观测性埋点：日志、指标、链路追踪

第二部分 Workflow 与 Agent 的架构分界
2.1 确定性 Workflow 的适用场景
2.1.1 固定步骤的业务流程编排
2.1.2 条件分支与循环的代码表达
2.1.3 无模型参与或仅局部参与的链路
2.2 自主 Agent 的适用场景
2.2.1 目标驱动与动态规划
2.2.2 工具选择与调用策略的自主决策
2.2.3 多步推理与自我纠错
2.3 混合架构设计原则
2.3.1 按不确定性拆分任务边界
2.3.2 用 Workflow 兜底 Agent 的失控风险
2.3.3 一个客服系统的混合架构分层示意

第三部分 上下文窗口管理与记忆机制
3.1 上下文压缩策略
3.1.1 滚动摘要与关键信息抽取
3.1.2 基于 token 预算的动态裁剪
3.1.3 压缩触发条件与压缩粒度控制
3.2 信息溯源机制
3.2.1 每条上下文片段的来源标注
3.2.2 引用链设计：从回答追溯到原始文档
3.2.3 溯源信息在审计与调试中的作用
3.3 防污染机制
3.3.1 系统指令与用户输入的隔离策略
3.3.2 历史对话的角色权重衰减
3.3.3 不可信内容的沙箱与清洗管道
3.4 记忆系统设计示例
3.4.1 短期记忆：会话内滑动窗口实现
3.4.2 长期记忆：向量库与结构化存储配合
3.4.3 记忆写入的准入规则与冲突处理

第四部分 企业级 Skill 工程规范
4.1 Skill 的设计规范
4.1.1 单一职责与可组合粒度
4.1.2 输入输出的强类型定义
4.1.3 版本号与兼容性约定
4.2 Skill 的组织结构
4.2.1 目录布局：元数据、实现、测试分离
4.2.2 命名空间与依赖管理
4.2.3 文档模板与使用示例的强制要求
4.3 Skill 的质量度量
4.3.1 单 Skill 的一次通过率
4.3.2 调用失败率与重试开销
4.3.3 组合场景下的端到端成功率
4.4 团队共享机制
4.4.1 内部 Skill 仓库与发布流程
4.4.2 Code Review 关注点清单
4.4.3 优秀工程示例：一个 SQL 生成 Skill 的完整规范拆解

第五部分 动手实操：构建原生Harness + Skill 智能体
5.1 环境与基础骨架搭建
5.1.1 项目结构与依赖安装
5.1.2 Harness 主循环的最小实现
5.1.3 一个可运行的 echo Skill 注册
5.2 编写三个基础 Skill
5.2.1 文件读取 Skill：路径校验与编码处理
5.2.2 文本摘要 Skill：token 预算传入与输出截断
5.2.3 格式转换 Skill：JSON 到 Markdown 表格
5.3 串联 Skill 完成一个复合任务
5.3.1 任务定义：读文件→摘要→转表格
5.3.2 Harness 中的顺序编排与中间结果传递
5.3.3 失败分支处理与日志输出
 

第六部分 调试、评估与总结
6.1 调试方法
6.1.1 分层日志：Harness 层、Skill 层、模型层
6.1.2 单步回放与输入快照
6.1.3 模型输出解析失败的定位技巧
6.2 评估体系
6.2.1 单 Skill 的单元测试编写
6.2.2 Harness 集成测试的断言设计
6.2.3 端到端任务的验收标准
 

第二天 原生Agent Harness进阶实战与企业级落地实操

第一部分 多 Skill 组合与复杂任务编排
1.1 多 Skill 的依赖管理
1.1.1 显式依赖声明与自动解析
1.1.2 循环依赖的检测与规避
1.1.3 条件依赖：运行时决定调用哪个 Skill
1.2 复杂任务的动态规划
1.2.1 让模型先输出执行计划再执行
1.2.2 计划校验：用代码检查步骤合法性与资源可用性
1.2.3 计划失败后的重规划策略
1.3 并行与串行混排
1.3.1 无依赖 Skill 的并行调用实现
1.3.2 并行结果的合并与冲突消解
1.3.3 超时与部分成功场景的处理
第二部分 上下文窗口高级管理
2.1 长会话的滑动窗口实现
2.1.1 基于 token 计数的窗口滑动
2.1.2 重要信息锚定：滑出窗口前的保存
2.1.3 窗口大小与成本的动态平衡
2.2 分层记忆架构
2.2.1 工作记忆：当前任务的活动信息
2.2.2 情节记忆：已完成任务的摘要归档
2.2.3 语义记忆：跨任务的领域知识沉淀
2.3 记忆检索策略
2.3.1 关键词检索与语义检索的取舍
2.3.2 检索结果的排序与截断
2.3.3 检索噪声对模型输出的影响与缓解
第三部分 Skill 工程的企业级落地
3.1 Skill 的版本管理与灰度发布
3.1.1 语义化版本在 Skill 中的应用
3.1.2 灰度策略：按租户或按流量比例放量
3.1.3 回滚机制与兼容性保障
3.2 Skill 的安全边界
3.2.1 权限最小化：Skill 能访问什么由代码决定
3.2.2 输入校验：防止模型输出触发危险操作
3.2.3 审计日志：每次 Skill 调用的完整记录
3.3 实操：为 Skill 添加权限校验与审计
3.3.1 在 Harness 层增加权限检查装饰器
3.3.2 审计日志的结构化输出
3.3.3 一个越权调用的拦截测试

第四部分 可靠性工程
4.1 错误分类与处理策略
4.1.1 模型输出解析错误：重试、修复、降级
4.1.2 Skill 执行异常：超时、资源不足、外部依赖故障
4.1.3 不可恢复错误的终止与用户通知
4.2 降级与熔断
4.2.1 模型不可用时的静态规则降级
4.2.2 连续失败触发的熔断机制
4.2.3 降级过程中的用户体验保障
4.3 幂等与重试
4.3.1 幂等设计：重复调用不产生副作用
4.3.2 指数退避重试的参数选择
4.3.3 重试次数上限与告警阈值
第五部分 可观测性与持续优化
5.1 核心指标体系
5.1.1 任务成功率与首响成功率
5.1.2 平均完成步数与模型调用成本
5.1.3 用户反馈与人工介入率
5.2 链路追踪实现
5.2.1 一次任务从输入到输出的完整 trace
5.2.2 每个 Skill 调用的耗时与输入输出摘要
5.2.3 异常 trace 的快速定位
5.3 数据驱动的优化迭代
5.3.1 高频失败步骤的识别与改进
5.3.2 Prompt 与 Skill 实现的 A/B 对比
5.3.3 用生产数据反哺测试集
第六部分 综合实战与结课
6.1 综合项目：从零构建一个企业级智能体
6.1.1 项目背景：合同审查 Agent 的需求定义
6.1.2 架构设计：混合 Workflow + Agent 的边界划分
6.1.3 Skill 清单：读取、分块、识别、对比、生成报告
6.2 项目实现
6.2.1 Harness 主控流程的完整代码
6.2.2 各 Skill 的实现与单元测试
6.2.3 上下文管理与记忆的接入
6.3 项目演练与问题排查
6.3.1 故意注入错误：观察熔断与降级
6.3.2 长合同的上下文溢出处理
6.3.3 性能瓶颈分析与优化