FDE 培训与入门路径：从 K0 到 K4

怎么训练成一个 FDE？我按这个站的主题把路线拆成五个公里桩——K0 到 K4。它不是课程大纲，是我自己正在走的路线，每个 K 附自检清单：过不了清单，就不要进入下一桩。

如果你还不确定 FDE 是什么，先读《FDE 是什么——中文完全指南》。

K0 通行能力（公里桩 0）

FDE 的入场券是工程能力，不是论文。K0 要凑齐三样东西：

• 一门能交付的工程语言：Python（Agent 生态第一语言）或 Java。能写服务、调 API、处理数据、看懂报错；
• LLM API 的肌肉记忆：调用主流大模型 API、控制成本、处理长上下文、知道 prompt 的基本套路；
• 把技术讲给人听的能力：给非技术的人讲清楚一个 AI 系统能做什么、不能做什么。FDE 日常一半的失败在这里。

K0 自检清单：

• 能不查文档写出一个调用 LLM API 的小脚本
• 给家人讲清楚「大模型为什么会一本正经地胡说八道」，并让对方听懂
• 用 Python 写过一个带输入输出的完整小工具（不是 notebook 玩具）

K1 第一个完整部署（公里桩 1）

FDE 的身份证明不是「会用什么框架」，而是独立完成过一次从需求到上线的完整部署。走一遍六步闭环：

1. 需求勘察：找一个真实的人（同事、朋友的公司都行），问出他最烦的一个重复性工作；
2. 方案设计：确定哪些环节交给模型、哪些写死规则、哪些留给人；
3. 开发：最小可用版本，别追求漂亮；
4. 部署：放到真实环境运行——一台云服务器或公司内网都行，不能只躺在本地；
5. 反馈：让真实用户用一周，收集抱怨；
6. 迭代：根据抱怨改一版，再跑一周。

K1 自检清单：

• 有一个不是我一个人在用的 AI 应用，真实用户用了两周以上
• 经历过至少一次「用户真正想要的和说的完全不一样」
• 处理过至少一次线上翻车（报错、超限、数据异常）

K2 工具箱（公里桩 2）

有了完整闭环，再把工具箱补齐。FDE 驻场时没时间从头造轮子：

• Agent 框架：LangChain（生态最全）、AutoGen（多 Agent 协作）、CrewAI（角色分工）、Dify（低代码快速搭建）——入门对比见《AI Agent 入门指南》；
• RAG 与向量数据库：知识库问答是企业需求里出现频率最高的一类，检索增强生成的完整链路要亲手搭过；
• 评估：会写简单的测试集，能量化「改了 prompt 之后到底变好还是变坏」；
• 部署运维基本功：Docker、反向代理、日志、监控告警。

K2 自检清单：

• 至少两个框架各搭过一个非 Demo 的东西
• 搭过完整 RAG：文档解析 → 切分 → 向量化 → 检索 → 生成
• 有一次「用数据说服自己别乱改」的经历

K3 行业纵深（公里桩 3）

K2 之后你和多数人差不多，K3 才是护城河：选一个行业，钻进去。金融、医疗、制造、政务——选你能拿到真实场景的那个。行业知识无法速成，只能浸泡：读行业报告、混行业社群、找行业内的人聊业务流程。

FDE 的定价能力来自「懂这个行业的技术人」这个交集，而不是技术单点。

K3 自检清单：

• 能说清所选行业的 3 个真实业务痛点与 AI 的对应解法
• 认识至少 5 个该行业的从业者并保持联系
• 用行业语言（不是技术语言）写过一篇分析

K4 现场方法论（公里桩 4）

最后一块是 FDE 真正的手艺——到了客户现场怎么干活。四步法：

1. 勘察：先听、先看、先记，头几天别急着给方案；
2. 对齐：把「客户说的」翻译成「客户要的」，白纸黑字确认范围；
3. 小步交付：每周交付一个可用的增量，让信任随进度累积；
4. 撤离：系统独立运行、文档齐备、可复用部分沉淀，然后干净地撤出。

现场生存守则：会议室里达成的共识 ≠ 真实业务流程；Demo 效果 ≠ 生产效果；永远给自己留一个「本周可交付」的最小版本。

K4 自检清单：

• 在真实客户/合作方面前做需求确认并白纸黑字对齐过
• 有一次「砍掉范围保交付」的实战经历
• 写过一份别人只看文档就能接手的交接材料

常见问题

路线图会随我的实践持续修订，记录号 FDE-03。当前的完整岗位信息见《FDE 工作机会》，引用请注明 myfde.top。