FAQ 与常见误区

不会写代码能做 FDE 吗？

可以开始学习和参与 FDE 式的业务发现、流程设计、评测与采用工作，但要区分“学习这套方法”和“申请正式工程岗位”。

很多 FDE 从业务专家起步，先用无代码/低代码工具和 AI 代码助手做出原型。比如：

用 Airtable 做数据库
用 n8n 做自动化
用 v0 做前端
用 ChatGPT 写简单脚本

随着项目复杂，掌握代码、API、数据库、身份权限、测试和运维能力会大幅提升上限。Palantir、OpenAI、Scale AI 等公开 FDE/FDSE 招聘通常要求扎实的软件工程和生产编码能力；不写代码的人更适合先承担业务发现、部署策略、运营或产品协作职责，再决定是否补齐工程岗位要求。

详见行业定义与岗位对照。

FDE 和 Prompt 工程师有什么区别？

Prompt 工程师主要优化与 AI 的对话，让 AI 输出更好的结果。

FDE 更关注把 AI 能力落地成业务系统，涉及：

业务需求拆解
工具组合选择
工程交付
数据安全
持续迭代

Prompt 是 FDE 工具箱里的一项技能，但不是全部。

企业已经有 IT 部门，还需要 FDE 吗？

不一定。先看现有团队是否已经覆盖客户/业务嵌入、快速发现、工程交付和采用反馈。

FDE 更像“业务与技术之间的翻译者和快速验证者”：

IT 或产品工程团队的能力边界因企业而异，很多团队也擅长快速验证和业务共创
FDE 的典型差异是更直接嵌入客户或业务一线，并跨越发现、构建、生产与采用

如果现有团队缺少这类连接角色，可以新增 FDE 能力或调整协作方式，不必为了追逐头衔重复建团队。

FDE 项目失败了怎么办？

FDE 强调小步快跑。失败往往意味着：

需求不清晰
场景选错了
数据质量不行
没有内部 Owner

调整方向、换一个小场景继续验证即可。FDE 的核心是快速验证，失败一次不代表下次也会失败。

企业数据能直接给 AI 用吗？

不要在未完成授权、数据流、合同和风险评估时，把内部敏感数据上传到个人账号或未经批准的公开 AI 服务。是否可用某项企业 AI 服务取决于数据类型、处理目的、产品设置、合同、数据位置和适用规则。

建议：

核验企业服务的实际数据条款、保留设置和子处理者，而不是只看“企业版”名称
对敏感数据做脱敏或匿名化
优先使用支持私有化部署的方案
明确数据使用范围和保密条款

FDE 一个人能搞定所有事吗？

不能，也不需要。

FDE 本身可以是专业软件工程角色，并可能负责核心系统的生产交付；复杂项目通常仍需要平台、安全、数据、产品和领域团队共同承担。

FDE 的价值是：

用最小成本验证业务想法
构建并评测能解决问题的系统
按组织约定自己运行，或连同完整工程资产移交给长期团队

怎么判断一个场景适不适合用 AI 做？

用这几个问题判断：

这个任务高频、重复吗？
规则相对明确吗？
出错成本高吗？能不能接受人工复核？
有数据支持吗？
用传统方式做更简单、更便宜吗？

如果答案偏“是”，就适合用 AI 做；如果偏“否”，可能传统方式更合适。

FDE 需要一直追新工具吗？

不需要。

FDE 的核心是解决问题，不是追新。新工具出现时，可以评估：

它能不能让现有方案更简单？
它能不能解决原来解决不了的问题？
它的成本和风险是否可控？

如果只是“新”，没有实际价值，不用急着换。