文章
共 85 篇 · FDE 范式、方法论与全行业落地实践
深度专题五 数据工程实战:企业 AI 的 70% 与看不见的地基
专题定位 :行业里有句话——"企业 AI 项目 70% 的工作量在数据工程"。这不是夸张。本专题讲 FDE 在客户现场面对的真实数据工程挑战,以及如何用工程化方法搞定它们。 一、为什么数据工程占 70% 模型是现成的(开源/国产),prompt 可以调,但 客户的真实数据,是 FDE 必须亲手处理的…
深度专题六 模型部署与推理优化:vLLM、量化与生产级推理
专题定位 :把模型变成"可调用的服务",并让它在客户的算力/成本约束下跑得快、跑得省,是 FDE 的硬功夫。本专题深入推理服务化、量化、性能优化、成本控制。 一、推理服务化:从模型权重到生产 API 模型权重(.safetensors)不能直接被业务调用,要变成"服务"。 推理服务的职责 接收请求(…
深度专题七 技术选型决策工程:七步法与决策树
专题定位 :FDE 在 Design 阶段最频繁的决策就是"选什么"。本专题把技术选型从"凭感觉"变成"七步法 + 决策树"的工程化过程,覆盖模型、RAG、Agent、向量库、推理、部署的选型逻辑。 一、选型的本质:约束下的权衡 技术选型没有"最优",只有"在客户真实约束下的最合适"。 FDE 选型…
深度专题八 跨行业踩坑总集与防坑 Checklist
专题定位 :FDE 的成长,一半靠方法论,一半靠踩过的坑。本专题汇总金融、医疗、制造、政务、Agent、RAG、部署的典型踩坑,以及一份可照用的防坑 Checklist。 一、通用踩坑(FDE 必避) 坑1:客户说什么就信什么 客户说的"痛点"往往不是真痛点; 防:多层级访谈 + 数据验证 + 现场…
深度专题九 MLOps 与持续交付（LLM 应用的工程化）
9.1 为什么传统 MLOps 框架在 LLM 时代失灵 把一个 GPT 4o 或 Qwen Max 接进业务，看上去只是"调一次 API"，但只要它进了生产链路，就会立刻撞上和传统 ML 流水线完全不同的几条事实： 核心论断：传统 MLOps 管的是"模型权重 + 特征"，LLM MLOps 管的…
深度专题十 数据安全与隐私计算
一句话定位：数据是 FDE 在客户现场唯一的"高危易燃物"。本专题不谈口号，只谈分级、脱敏、不出域、隐私计算六大门派、LLM 时代新风险，以及在金融/医疗/政务三类现场能跑通的工程化路径。 10.1 FDE 视角下的数据安全全景 FDE 与传统后端工程师的最大区别在于： 数据不在自己的机房，也不在自…
深度专题十一 FDE 项目管理与交付节奏实战
专题定位 :FDE 不是"写完代码就交差"的研发岗,而是"在客户现场把一个模糊业务问题变成可衡量业务结果"的交付岗。这意味着 FDE 的项目管理不能套用标准互联网研发流程(Scrum + Jira + 双周迭代),而要融合咨询项目的结果导向、阶段门的强管控、敏捷的快速反馈,以及驻场交付的节奏控制。本…
深度专题十二 FDE 团队组建与组织设计
12.1 为什么 FDE 必须组队,而不是单打独斗 在很多外行叙事里,FDE 被想象成一个"特种兵"——一个人扛着 Palantir 的 Foundry、写 Python、跟客户业务方喝酒、还能在凌晨改 PPT。这是被严重美化的画像。真实交付场景中,把 AI 真正塞进一个客户的真实生产环节,所需的复…
深度专题十三 Prompt 工程模板库实战
把 prompt 当代码,不当灵感。本专题给出可直接照抄的工业级模板,每个都标注设计要点与常见坑。 13.1 工业级 prompt 模板的通用结构 把散落在无数对话里的"经验型 prompt"沉淀成可复用模板,是 FDE 把 demo 推向生产的第一个硬动作。一个工业级模板通常包含六个槽位, 缺任何…