你准备好学习这门课程了吗？

探索成为 AI 系统领域前沿部署工程师需要具备哪些条件。本课帮助你评估自己的 AI 工程基础，并理解从内部构建 AI 转向在真实客户约束下交付有价值解决方案的变化，包括需求挖掘、范围界定、POC 交付、干系人沟通和项目交接。

我们将涵盖以下内容……

这门课程面向已经在构建 AI 系统的工程师。它聚焦于当这项工作进入客户环境后会发生哪些变化：与客户一起界定正确的问题、在运营约束下进行交付、通过可靠的交付赢得干系人信任，以及交付一个在交接之后仍然可用的解决方案。技术知识是起点。这门课程培养的是在工程师无法完全掌控的环境中运用这些知识所需的判断力。

本课梳理了课程所假设的基础，并指出如果任何领域在继续之前需要加强，应参考哪些合适的资源。

本课程的聚焦点

FDE 的运作模式包含六个组成部分。课程将对每一部分进行深入讲解。

  • 客户需求挖掘： 这是在客户陈述的需求之下发现真实问题的过程。客户很少在第一次沟通中描述他们真正的约束条件。他们描述的是一个症状、一个愿望，或者一个他们已经想好的解决方案。FDE 在需求挖掘阶段的职责是提出正确的问题、直接观察工作流程，并根据组织实际拥有的资源以及他们真正愿意改变的部分，找出 AI 能够带来可衡量价值的地方。
  • 项目范围界定： 这一阶段是将我们在需求挖掘中学到的内容转化为一个有边界、可交付的系统。一份好的范围界定文档会定义问题、成功标准、数据来源，以及明确说明将要构建和不构建的内容的边界。范围界定可以保护 FDE 和客户免受期望错位的影响。
  • 概念验证（POC）交付： 这一阶段是在真实约束下构建并交付一个可运行的系统：不完美的数据、不完整的访问权限、外部的时间期限，以及密切关注结果的干系人。POC 的目标是验证或推翻一个具体的假设，而不是构建一个成品。速度和可衡量性比架构上的优雅更重要。一个在十天内回答核心问题的 POC，比一个工程上更好但需要六周才能回答该问题的系统更有价值。FDE 的技术深度使其能够在不偷工减料的前提下快速构建。知道哪些捷径可以接受、哪些会在后续造成问题，这是一种实践技能，而非理论技能。
  • 利益相关者沟通：即以非技术利益相关者能够据此做出决策的方式呈现技术工作。这包括书面更新、现场演示、风险沟通以及最终的汇报。一位只能与工程师沟通的 FDE，在每个客户项目中都会损失本可创造的价值。
  • 项目交接：即留下一个其他团队能够接管、维护和扩展的系统及文档。FDE 不会无限期地留在客户环境中。干净的交接是交付成果的一部分。
  • 一线反馈：即将从客户项目中获得的观察转化为产品情报。FDE 能够看到跨组织的共性模式，这是任何内部产品团队从公司内部都无法观察到的。某个看似只出现在特定客户数据结构中的检索失败问题，往往最终被证明是某个工具在处理特定文档类型时的普遍缺陷。某个行业中出现的利益相关者顾虑，会在另一个行业以不同形式再次出现。捕捉这些模式并在内部进行沟通，正是 FDE 工作随时间不断累积价值的方式之一。

本课程还包括对 AI 系统架构的结构化概述。它涵盖 FDE 最常遇到的两类系统（基于 LLM 的系统和 Agentic 系统）、harness 工程涉及的内容、多 Agent 编排模式的工作原理，以及 FDE 如何评估并在可用框架之间做出选择。这不是一份技术教程，而是一份共享参考，用于客户合作从范围界定到交接的每个阶段都会出现的架构决策。

本课程还为工程师应对 FDE 招聘流程做好准备。这包括 FDE 面试流程的结构、如何应对问题拆解、系统设计和客户模拟环节，以及正在积极组建 FDE 团队的公司的招聘流程在实践中的具体样子。

本课程培养的核心转变是起始问题的改变。在产品工程中，第一个问题通常是“我们能构建它吗？”而在前沿部署工作中，第一个问题是“我们应该构建什么、为谁构建、何时交付，以及我们如何证明它创造了价值？”所有这些都以 AI 工程基础已经具备为前提。

你的 AI 工程基础

本课程假设你已具备核心技能领域的实践熟练度，也就是说，你已经在代码中构建、运行和调试过 AI 系统：编写过 RAG 流水线、设计过 Agent 工作流、系统性地衡量过模型输出质量，并在生产或接近生产的环境中部署过 AI 应用。如果以下任何领域需要加强，子条目会指向相关课程。

  • LLMs and APIs: Call model APIs from OpenAI, Anthropic, and Gemini in code, handle streaming responses, manage context windows, and reason about token costs and latency. If this area needs strengthening, the following course covers it:
    • Building with OpenAI：本课程涵盖端到端使用 OpenAI API，从基础补全到函数调用以及高级 API 模式。
  • Prompt engineering: Write effective system prompts and few-shot examples, get structured output reliably from a model, and adapt prompts based on observed failures. To build or refresh this foundation, explore the following:
    • 提示工程指南：本课程涵盖结构化提示技术、思维链推理和提示评测方法。
  • RAG: Build a retrieval-augmented generation (RAG) pipeline end to end, covering embedding, chunking, vector search, and reranking, and diagnose failure modes under real data conditions. If either of these areas is unfamiliar, the following courses go deep on them:
  • Agentic frameworks: Build single agent and multi-agents with tool use, understand multi-step orchestration, and have debugged agent failures in code. If practice with any of these frameworks is limited, explore the relevant course below:
    • LangChain LLM：本课程涵盖使用 LangChain 构建基于大语言模型的应用和 Agent。
    • LangGraph：本课程涵盖面向生产级智能体系统的有状态、基于图的 Agent 架构。
    • Google Agent Development Kit：本课程涵盖使用 Google 的 ADK 构建和部署 AI Agent。
    • Agent-to-Agent 协议：本课程涵盖多智能体通信模式和 A2A 协议。
    • 高级模型上下文协议：本课程涵盖在智能体系统中使用 MCP 进行工具集成和上下文管理。
  • Building agentic systems: Architect, evaluate, and deploy multi-agent AI systems in production contexts, and understand how system-level design choices affect reliability and controllability. The following courses cover both the architecture and the patterns behind production agentic systems:
  • LLM evaluation: Measure model output quality with a repeatable approach, build a systematic eval suite, and understand where automated evals fall short. If systematic evaluation is an area to develop, this course covers it directly:
    • 大语言模型评测：本课程涵盖针对大语言模型输出的评测框架、基准设计和自动化测试方法。
  • LLMOps: Understand deployment, latency management, cost tracking, and basic observability for AI systems running in production. For a thorough grounding in operating LLM systems at scale, explore the following:
    • LLMOps：本课程涵盖大规模运行大语言模型应用的运维层面，包括监控、版本管理和成本管理。

在技术基础梳理清楚之后，下一个问题是：当这些技能进入真实的客户项目时，会发生什么变化。

环境如何改变工作

在内部或个人 AI 项目中工作拥有完全的掌控权：数据是熟悉的，访问是即时的，时间表由内部决定，成功与否由构建系统的人自己定义。而客户环境则在同样的技术工作之上叠加了另一层条件。为内部团队构建和为客户构建，变化的并不是技术层面，而是其上的判断层：如何界定范围、如何做简化、哪些问题要尽早指出，以及当环境比最初看起来更复杂时，如何让利益相关方保持信心。

时间维度值得特别关注。在客户项目中，时间表属于客户，而不是工程师。错过一次演示日期并不能把截止日期往后推，而是会损害信任。前沿部署工程师会培养出一种直觉：根据可用时间来界定范围，而不是根据理想方案来界定范围。第一个交付物很少是完整的愿景，而是一个能展示核心价值、并赢得继续构建权利的最小可用系统。

AI 工程基础是前提。本课程其余部分培养的是在客户环境中有效运用它的判断力——在那里，条件由他人设定，而结果属于依赖它的人。