卷一 · 时代：为什么是现在

序章最后那只猫，还蹲在那个铁笼子里。

我路过它那个下午之后，过去了好几个月。这几个月里我又走了很多家工厂，看了很多人。我发现那只猫不只一只。每个小工厂的老板，那条巷子里的小店，那个关在格子间里写代码的年轻工程师——只要他身上背着一种「这个事本来不该这样，但没人去做」的东西，他都在笼子里。而他要做的第一件事，不是叫得更大声，而是把那个「看不见」的东西，拽到灯光下。

序章里有一句话我后来反复想起：悲悯不需要你有能力救。悲悯是你看见了，并且你不肯假装没看见。

这一卷，就是把这句话往工程上兑现的尝试。把「看见了」这件事变成「能做什么」的具体动作，把「不肯假装没看见」变成职业底线。这就是 FDE 这件事的全部。

下面的故事，是关于那一拽的。

开篇

东莞，一家做精密结构件的厂，老板五十三岁。

我在他办公室坐了两个小时。中间他接了三个电话，两个是催货的，一个是银行的。挂掉最后一个之后，他跟我说了一句话：

「我知道 AI 有用。去年花了六十多万上了一套系统，现在没人用。我不知道是我买错了，还是我们自己不行。」

我问他那套系统现在在哪儿。他说在服务器上，还在跑，每个月还在交钱。

我又问，当初是谁跟你谈的这个项目。他想了一会儿说，一个销售，谈完就没见过了；后来来了个实施的小伙子，待了三个星期；再后来就是打电话，打不通了。

这是 2026 年的中国。六千多万家登记在册的中小企业里，这样的故事每天都在发生。

来源： 国家市场监督管理总局公开口径；数字以最新年度为准。

它缺的不是技术。是从技术到那栋楼之间，缺一个人。

这一卷讲的是，这个缺口是怎么形成的，为什么它在今天变得如此值钱，以及为什么这个窗口不会一直开着。

先给一个关于东莞老板的细节补充。这是一家精密结构件厂，加工内容是高精度的小型金属与塑料零部件，下游客户是消费电子与医疗器械的中型组装厂。这种厂在中国有两万家以上，共同特征是：订单波动大、利润薄、自动化设备投入回报周期长、老板靠多年的现场经验在维持运营。它不是落后行业，而是那种「看着不起眼、但卡着整条产业链」的行业。

一个这样的老板说「我不知道是我买错了，还是我们自己不行」的时候，他表达的不是谦卑，而是孤立——他找不到一个能跟他对话的人，把这两件事分开来讲。他需要的不是被告知答案，而是被陪着走一遍调研的过程。这个「被陪着走一遍」的动作，是 FDE 这个职业的全部价值所在。

第一章　一个岗位在两周内被四家巨头同时正式化

先看事实，不做解释。2026 年 5 月，两周之内，发生了下面这些事。

5 月 4 日，Anthropic 宣布与 Blackstone、Hellman & Friedman、高盛成立一家 AI 原生的企业服务公司。该合资公司初始投入约十五亿美元，定位明确——服务于中型企业，而非只盯财富五百强。创始合伙方背后还有 General Atlantic、Leonard Green、Apollo Global Management、GIC、Sequoia Capital 组成的资管联盟。合资公司将 Anthropic 旗下的应用 AI 工程师嵌进客户环境，长期驻场交付。

来源： Anthropic 与 Blackstone 联合新闻稿；CNBC、Bloomberg 当日报道。

5 月 11 日，OpenAI 正式成立 The Deployment Company。由 OpenAI 控股，超过 40 亿美元初始投资，投后估值约 140 亿美元。TPG 领投，Advent、Bain Capital、Brookfield 联合领投；Goldman Sachs、SoftBank、Warburg Pincus、B Capital、BBVA、Goanna、Emergence Capital、WCAS 在列。同日，OpenAI 宣布收购应用 AI 工程公司 Tomoro，约 150 名前线部署工程师随之并入。

来源： OpenAI 与 Axios 联合新闻稿；Bain & Company、SiliconANGLE 当日报道。

更值得注意的是另外三个名字：Bain & Company、Capgemini、McKinsey & Company——三家传统咨询公司，作为创始合伙人加入了一家由模型公司控股的部署公司。

同一时期，ServiceNow 与 Accenture、Cognizant 分别组建前线部署工程团队；SAP 单独设立一亿欧元的合作伙伴基金，把它的 agent 推进客户环境；Accenture 在微软体系下另立 FDE 团队，承接 Copilot 与 Azure 模型落地。

来源： 行业新闻综合；具体团队建制以各公司公开发布为准。

两周。四家以上。互相之间没有约好。

一个行业在同一时间做同一个动作，通常只有一种解释：他们同时撞到了同一堵墙。

那堵墙是什么，第三章会拆开讲。先把这件事的历史坐标定住。

这套打法不是 2026 年发明的。它是 Palantir 在 2008 年左右做出来的东西。当时所有人都觉得它太贵、太重、太不像软件公司——把最贵的工程师派到客户现场，一待几个月，写只对这一个客户有用的代码。软件行业的全部信仰是可复制、边际成本趋零，而 FDE 模式在账面上是它的反面。

所以二十年里没有人抄。

然后 Palantir 从 2022 年底的低点起，五年涨了六倍多。

来源： 资本市场公开数据。

这件事到 2026 年终于被解读明白了：那些只对一个客户有用的代码，从来就不在成本项里。它们是产品的输入端。同一个补丁做到第三个客户，它就变成产品特性。前线工程师是产品的感知器官。

现在这套解读被四家巨头同时接受了。

对我们的意义在于：这个岗位的定义权，正在被写。

写的人现在全部是国外的大公司，写的对象全部是他们自己要招的人。一份 Anthropic 的 Applied AI Engineer 职位描述，或者一份 OpenAI 的 FDE 职位描述，本质上是一家大公司对一个员工的要求清单。

它不是一个手艺的定义。

这本手册要做的，是把这个手艺按它本来的样子写一遍，从一个人的视角，而不是从一个雇主的视角。

在接着往下讲之前，先把 Anthropic 和 OpenAI 这两件事再单独拎一层。

Anthropic 选择 Blackstone 加 Hellman & Friedman 加高盛这个组合，本身就值得多看两眼。这三家都是另类资产管理规模最大的几家。Hellman & Friedman 自 1984 年成立以来在精选行业累计投资超过一百家；高盛另类投资板块截至 2026 年 3 月 31 日资产管理规模约 3.7 万亿美元。

来源： Blackstone、Hellman & Friedman、Goldman Sachs 三家各自的官方披露文件。

他们手上握着几百家被投企业的运营权。也就是说，合资公司第一天就有可签约的客户池。这是模型公司过去十八个月里碰壁后学到的最硬的一课——光有模型，光有工程师，签不下第一单。第一单必须有人替你开。

OpenAI 选择 TPG 加 Bain Capital 加 Brookfield 这个组合，方向不同。这三家更偏私募股权投资。他们的客户池没有 Blackstone 那么广，但他们手上有另一项关键资产——能签下大型企业的政商关系网络。再加上 Bain、McKinsey、Capgemini 这三家咨询作为投资方进来，等于把过去几十年积累的甲方渠道一并打包装进了这家公司。

这是 2026 年 5 月这两件事背后真正的工程判断：模型不是壁垒，部署是壁垒。而部署这件事，缺的不是技术，而是渠道、是客户、是能在企业里待半年的工程师。三家模型公司以前各自在试，5 月这两周里同时决定——试不动了，找带渠道的合伙方一起来。

把这层看懂，第三章里那堵墙的形状，就更清楚了。

这里有一个细节值得展开。Palantir 发明 FDE 是 2008 年前后。OpenAI 和 Anthropic 把它正式化是 2026 年。中间隔了将近二十年。这二十年里，全球软件行业经历过云计算、开源、SaaS、移动、容器化、低代码等多轮浪潮，每一轮的领导者都没有学 Palantir。原因很简单：每一轮都有比派驻工程师更便宜、更可复制的方式去触达客户。SaaS 把代码搬到浏览器里，开源把代码免费分发出去，云计算把部署成本降到按小时计费。这些浪潮里，FDE 模式在账面上的「贵」看起来不划算。

为什么 2026 年这块模式被四家同时捡起来了？因为前面那些浪潮给出的所有解法，到企业现场全失效了。SaaS 装上没人用，开源代码没人会改，云计算解决的是部署成本不是使用率。它们全部卡在第三章会讲的那四层信息断层上。模型公司第一次发现，他们手上最强的能力——通用智能——恰恰是任何 SaaS、开源、云计算都给不出的能力。但这种能力要进入企业，必须靠人在现场把企业的「真实运行」翻译成模型能消费的形式。所以四家同时转向重资产模式。这不是商业模式上的浪漫主义，而是被工程现实逼出来的选择。

再补一层。从行业的角度看，2026 年 5 月这两周发生的事，标志着 AI 产业第一次把「落地」摆在了「能力」前面。前面三年，所有模型公司都在卷能力——更大的模型、更长的上下文、更稳的推理。这一阶段已经进入边际收益递减区间。当能力不再稀缺，落地就成了新的稀缺。落地背后是组织能力——谁能更有效地把人嵌进客户、把客户接回模型，谁就能拿到下一个阶段的入场券。这是 2026 年 5 月这件事最值得读者记住的结构性意义。

至此，第一章完成了对「为什么是现在」这件事的描述。三段论如下：模型能力已经过剩（事实）；企业内承接能力严重不足（事实）；因此把工程师嵌进企业这件事同时具备了必要性和经济性（推论）。后面的章节全部在这三段论的基础上展开。

这里有一个经常被混淆的概念需要辨清——「AI 落地」和「AI 应用」是两件事。AI 应用说的是一个系统被部署到企业里；AI 落地说的是这个系统被企业的实际业务接住。前者可以是装个软件就算，后者要求业务流程里有人用、用出业务结果。一家工厂买了智能客服系统上线两个月没人用，叫 AI 应用，没叫 AI 落地。Deloitte 2026 调研里 74% 公司计划部署 agentic AI，指的是 AI 应用；21% 公司拥有成熟治理模型，更接近 AI 落地。两者之间有 50 多个百分点的距离。这个距离就是 FDE 的工位。

把这一章和序章里的猫合起来做一个隐喻层面的衔接。猫叫得很大声，但没人理。AI 应用也是这样——系统上了线，但没人理。两者的「理」都来自同一类外部条件——有人肯蹲下来听、肯把那个看不见的事拽到灯光下。模型公司过去三年做的所有事情，是在让「叫」这件事变得更响、更便宜、更自动。但叫得再响，没人听，仍然是空响。FDE 做的是让「听」这件事发生。这个隐性区分，是这一卷从第一章到第八章一直要回答的问题。

第二章　这件事在中国有另一个名字

中国的政策文件里，已经有这个岗位了。只是它不叫 FDE。

先看时间表。最上层是国务院《关于深入实施「人工智能+」行动的意见》（国发〔2025〕11 号），2025 年 8 月印发。这份文件定了三个时间点：2027、2030、2035。其中最近的那个门槛是——到 2027 年，新一代智能终端、智能体等应用普及率超过 70%。

来源： 国务院《关于深入实施「人工智能+」行动的意见》，中国政府网公开发布。

普及率超过 70%，这是一个非常硬的指标。它意味着从现在算起大约一年半，绝大部分企业必须真的把智能体用起来，而不是买一套放着。同份文件把 2030 年的普及率门槛定在 90% 以上。70% 和 90% 之间的距离，就是一个窗口期。

2026 年 1 月，工业和信息化部、中央网信办、国家发展改革委等八部门印发《「人工智能+制造」专项行动实施意见》。这份文件把上面那个大目标切成了可执行的数字：到 2027 年，推动 3 到 5 个通用大模型在制造业深度应用，推出 1000 个高水平工业智能体，打造 100 个工业领域高质量数据集，推广 500 个典型应用场景，培育 2 到 3 家具有全球影响力的生态主导型企业和一批专精特新中小企业，选树 1000 家标杆企业。

来源： 工业和信息化部、国家数据局公开发布的政策文件原文。

在这份文件的目标段落里，夹着一句容易被读过去的话：打造一批「懂智能、熟行业」的赋能应用服务商。

这七个字，就是中国官方文件里给 FDE 起的名字。

懂智能，熟行业。前四个字是技术能力，后三个字是现场理解。这个组合在中国的岗位体系里长期没有对应物——懂技术的不熟行业，熟行业的不懂技术，两者之间靠销售和产品经理来回传话，传丢了就是东莞老板那六十万。

这里有一个非常重要的细节。文件用的是「服务商」而不是「企业」、「单位」、「机构」。「服务商」这个词在中文的政策语境里指代的是第三方机构——不是企业内部的人。这意味着 AI+ 制造专项隐含的设计是把「懂智能、熟行业」这个能力放在企业外部去培育，而不是靠企业内部转型。这与中国过去二十年里绝大多数数字化转型政策的设计逻辑不同。过去是「企业是主体」，政府给政策给补贴，企业自己改。这次更明确地承认：很多企业改不动，需要外部力量。这一句话决定了 FDE 在中国未来五年的市场入口——是政策认可的服务商角色，不是企业内部编制。

钱也已经到位了。

2023 年到 2025 年，财政部与工业和信息化部组织了三批中小企业数字化转型城市试点。第一批 30 城，财建〔2023〕117 号；第二批 36 城，财办建〔2024〕23 号；第三批 35 城，财办建〔2025〕20 号。三批合计 101 城，按定额奖励方式下达。

来源： 财政部、工业和信息化部公开发布的政策文件。

定额奖励的额度，按城市级别分了档。省级（含计划单列市、兵团）每城最高 1.5 亿元；其他地级市、直辖市辖区每城最高 1 亿元。试点期两年，资金分阶段拨付。三批 101 城粗算合计中央财政奖补规模约 110 至 130 亿元。

来源： 综合多份政策口径测算；具体到每个城市的下达金额，以财政部和地方财政部门联合发文为准。

工业和信息化部、财政部、中国人民银行、金融监管总局四部门在 2024 年 12 月联合印发《中小企业数字化赋能专项行动方案（2025—2027 年）》（工信部联企业〔2024〕239 号）。这份文件给出了三个到 2027 年的目标：

• 「百城」试点带动 4 万家以上中小企业开展数字化转型，其中 1 万家是专精特新中小企业。
• 全国规上工业中小企业关键工序数控化率达到 75%。
• 中小企业上云率超过 40%。

来源： 工业和信息化部、中国政府网公开发布的政策文件原文。

三件事叠在一起看：

一，国家层面定了 2027 年的普及率硬指标——70%。

二，制造业专项把它拆成了一千个工业智能体、五百个场景、一千家标杆，外加「懂智能、熟行业」这条人才要求。

三，财政资金按城市定额下拨，101 城已经覆盖，三批资金合计过百亿，而且要求「链式」带动——试点企业必须通过链主企业带动上下游至少三家中小企业同步转型。

这构成了一个非常具体的市场结构：钱在地方财政账上，指标在时间表上，而完成指标需要的那种人——懂智能又熟行业的——市场上严重缺货。

我要提醒一件事，因为很多人会误读。

政策不是需求。政策是需求的放大器。

一家厂真正需要的东西，永远是订单、成本、交期、良率、库存周转、客诉率。政策资金能做的是把这件事的启动成本降下来，让原本不肯试的老板愿意试一次。

所以一个 FDE 在中国现场的正确姿势，是拿政策做启动杠杆，拿业务指标做验收口径。反过来做的人会死得很难看——项目验收靠的是补贴材料，跑没跑起来没人管，三个月之后系统进入睡眠状态，两年之后这家企业对 AI 这两个字的信任被永久消耗掉一次。

这种消耗比什么都没做过更难处理，因为你要先花三个月修复信任。我在现场见过这种残骸。

政策线的完整索引放在附录 D。这一章只留一个结论：这块市场的资金侧、指标侧、时间侧都已经就位，缺的是人。

再补一个观察。

「懂智能、熟行业」这七个字在文件里看起来像一句普通的修饰，但如果你在企业里待过，就知道它解决的是一个长期没有被命名的痛点：甲方内部没有人能同时讲清楚技术能做什么、业务需要什么。AI+ 制造专项把「懂智能、熟行业」明确写进目标，相当于从政策口径上承认了这个角色存在的必要性。这是 FDE 在中国拿到的第一份官方背书。

但官方背书和岗位供给之间，隔着一段需要被人走出来的路。文件写得出，岗位上哪去找人，这两件事在中国从来就是脱节的。这条脱节，正是这本手册后面七卷要解决的问题。

再从结构上看一遍这条政策线的几个数字。

普及率 70%（2027）、90%（2030）——这是国务院 AI+ 意见给出的目标。它在度量「用起来」这件事，不是「买过」这件事。这两个口径在企业里有巨大的差别。一家厂可以买过三套智能客服系统，但实际在用的那套可能已经睡眠两年。70% 要求的是后者。

1000 个高水平工业智能体、500 个典型应用场景、1000 家标杆企业——这是 AI+ 制造专项切出来的子目标。这三个数字合在一起，是一个「先做样本，再批量复制」的产业逻辑。1000 家标杆是种子，500 个场景是范式，1000 个智能体是承载形态。从政策工程的角度看，这个三段式是为了在 2027 年前把「AI 制造业能用」这件事用可观测、可比较的样本固定下来。

4 万家中小企业数字化转型、1 万家专精特新中小企业数字化改造、75% 规上工业中小企业关键工序数控化率、40% 中小企业上云率——这是《中小企业数字化赋能专项行动方案（2025—2027 年）》给出的目标。

来源： 工业和信息化部联企业〔2024〕239 号；中国政府网公开发布。

把这四条政策线的数字合在一起看，它们共同构成的信号是：政策侧已经认定 AI 落地这件事必须从「试点」走向「批量」，而批量的关键瓶颈是「人」，不是「技术」。这也是 FDE 在中国拿到的第二份信号——任务量已经从样本阶段走向规模化阶段。

再单独说一句资金。101 城的中位数粗算是 1.25 亿元乘以 101，即约 126 亿元中央财政奖补，按两年分批下达，平均每年约 60 多亿元。这笔钱按要求 80% 用于中小企业的实际数字化改造，20% 用于公共服务。这意味着每年大约有 50 亿元直接落到中小企业的数字化改造项目上。这 50 亿元就是中小企业数字化改造这块市场被政策端资金化的实际盘子。

这个数字本身不算大，但它起到的不是绝对规模，而是信号效应。当一家老板听说隔壁厂拿了政策补贴做了一次改造，他自己也愿意试一次。这就是政策作为启动杠杆的真实形态——它不是给企业送钱，而是给企业一个理由去试。FDE 的工作就是让这个「试」变成「成」，否则政策杠杆就只换来一批睡眠中的系统。

第三章　那堵墙：企业买了东西跑不起来

现在拆第一章那个问题——四家巨头同时撞上的那堵墙是什么。

先看两组数字，它们的口径不同，指向同一件事。

第一组，关于智能体的部署节奏。Deloitte 2026 年发布的《State of AI in the Enterprise》调研了 24 个国家 3235 位 IT 与业务负责人。结论里最显眼的两条：74% 的受访公司计划在未来两年内部署 agentic AI（自主 AI 智能体）；但只有 21% 表示已经拥有成熟的自主 AI 智能体治理模型。

来源： Deloitte 2026 年报告原文。

74% 在前方跑，21% 的护栏在后面跟，两者之间的间隙就是事故空间。

KPMG Q1 2026 季度 AI 脉搏调研给出了部署节奏的轨迹：从 2024 年初只有 12% 的受访组织在部署 AI 智能体，到 2024 年第二季度翻三倍到 33%，到 2026 年第一季度已经到 54%。也就是说，2024 年还是尝鲜，2026 年已经过半在部署。

来源： KPMG Q1 2026 AI Pulse 报告。

第二条更值得注意：超过一半的受访领导者（57%）现在期望由人来管理和指挥 AI 智能体；55% 的员工反馈已经有某种程度的 AI 智能体采纳或集成。阻力主要来自人的准备度——技能缺口（76%）和对岗位安全的担忧（67%）排在前面。这意味着，部署的下一步不是技术，而是把人接上。

第二组，关于地基。真正拥有 AI 就绪数据架构的企业，占比大约五分之一。

来源： arXiv 2603.09619 上下文工程相关综述与企业 AI 就绪度调查综合估算；数字以最新公开口径为准。

另外有接近一半的企业，是在还没准备好的数据上盖 AI 系统。而给出的原因只有一句：数据的业务含义，被困在代码里、仪表盘里，以及个人经验里。

把这两组放在一起，那堵墙就显形了：能力已经过剩，而承接能力严重不足。

模型侧的能力，在过去两年是超额供给的。任何一家企业今天能买到的模型能力，都远超它自己有能力消化的部分。瓶颈从来不在模型侧。

瓶颈在那栋楼里。

而「那栋楼里」具体是指什么，我把它拆成四层，从浅到深。

第一层：数据不在系统里。

这是最表层，也最容易被低估。一家公司真正驱动决策的数据，大量存在于系统之外——私人 Excel、微信群、手写台账、纸质单据、某个人的记忆。

你把模型接到 ERP 上，接到的是这家公司的官方叙事，不是它的实际运行。

第二层：数据的含义没有人知道。

就算数据在系统里，字段的真实含义也经常是失传的。一个叫 status_3 的字段，取值 0 到 7，没有文档，写它的人已经离职四年。现在全公司只有两个人知道 5 代表什么，而且他们说的不一样。

这就是那句「困在个人经验里」的具体形态。

这一层的破坏力远大于第一层，因为表面上看公司有数据。但当 FDE 进现场要把模型接上去的时候，每一个字段都成了一个翻译任务。一家中等规模的工厂 ERP 里有几百到上千个字段，真正有人讲清楚含义的可能不到三分之一。这种翻译任务只能靠 FDE 在现场问出来。远程做不了这件事的原因不是技术做不到，而是字段的真正含义只有本厂的人知道，并且他们不一定愿意对外讲。一个 FDE 进现场第三周内如果还没有把核心字段含义问到 50% 以上，这个项目的可行性就应该被重新评估。

第三层：流程的真实版本没有被写下来。

系统里的流程是 SOP 上那个版本。实际执行的是另一个版本，中间的差额靠人工补齐，补的方式是打电话、发微信、走过去问一句。

你把 AI 接到 SOP 版本上，它会非常高效地做错事。

这一层的具体形态之一，是所谓的「影子系统」——一个并行于正式系统的、用 Excel/微信群/手写台账运行的真实业务系统。影子系统在制造业里几乎是普遍现象。它的存在不是员工的反抗，而是正式系统本身不够用。一家工厂的车间主任如果不用 Excel 跑一个并行排产表，那一周之内车间就会混乱。FDE 进现场时如果不识别影子系统并把它纳入视野，方案就会基于官方版本设计，跑起来后被影子系统的真实版本推翻。这一层是侦察阶段的核心目标。

第四层：没有人有权说这件事不成立。

这一层最深，也最致命。

在传统的分工里，销售不能说这个客户的需求不成立，说了这单就黄。售前不能说这个方案落不了地，那是拆自家的台。项目经理不能说排期是假的，那是当坏消息的携带者。

所有人都有动机让项目看起来成立。

于是一个项目可以在所有参与者心里都清楚它不成立的情况下，一路走到验收。

这一层和第一层到第三层不一样，它不是信息问题，而是激励问题。信息可以被采集、被翻译、被沉淀。激励问题必须靠权力结构来解决。FDE 在项目里的位置之所以特殊，是因为他以独立身份介入，不背销售/售前/项目经理任何一方的业绩。这种独立性必须由合同条款来固化——验收口径独立判定、退出条件独立触发、不受任何一方单方面修改。卷三原则篇会展开成法条，卷四方法篇会展开成操作流程。

把四层的失效链路画出来，可以做一道反向工程——假设一个项目真的从第一层做到了第四层，并且都做对了，但依然死了，会死在哪儿？

这四层加起来，构成了一个结论：企业侧的瓶颈是一个信息获取与权限配置问题。

而这两样东西，模型公司在总部是拿不到的。它们只存在于现场。

这就是为什么四家巨头同时决定把工程师派出去。不是因为他们喜欢重资产模式，而是因为除此之外没有别的办法拿到那四层信息。

顺便说一句，这也解释了为什么传统咨询公司会以创始合伙人的身份加入一家模型公司控股的部署公司。

咨询公司手上有前三层的能力——它们有诊断、有流程咨询、有客户访谈的方法论。但它们缺第四层的兑现方式——他们交付报告，报告不落地，落地不了就没有反馈，没有反馈就没有下一轮。

模型公司手上有能力，缺前三层。

两边拼起来，就是 FDE。

我再补一个更冷的观察，它解释了为什么这堵墙不会自己消失。

企业侧有一种结构性的沉默。

一家公司花了六十万上一套系统，最后没跑起来。这件事在公司内部会怎么被处理？

不会被处理。因为追究它意味着要认定当初拍板的人判断失误。而拍板的人通常级别不低。于是所有人达成一个默契：系统还在跑，指标已完成，项目已验收，翻篇。

那六十万变成了沉没成本，而更重要的是——失败的原因从来没有被记录下来。

于是同一家公司在两年后会再花八十万，犯一模一样的错误。

而且它的下一个供应商，也不会知道上一次是怎么死的。因为没有人写下来，也没有人敢问。

这是我在卷四里要求「第六段必填」的根本原因。整个行业最缺的信息，是失败原因，而整个行业的激励结构都在阻止它被写出来。

一个 FDE 如果能持续地、诚实地记录失败，他在三年后拥有的东西，是这个行业里几乎没有人拥有的：一份真实的死因数据库。

这是我认为这个职业最大的长期资产，比任何技术栈都值钱。

把四层拆开和 Deloitte / KPMG 的数字对一下，会看得更清。Deloitte 的 21% 治理模型成熟度对应的是第一层的表层——数据能进系统、模型能跑出结果。KPMG 的 76% 技能缺口对应的是第四层——没有人能在企业内部判定这件事该不该做。两组数字都不是技术问题。前者是组织接不住，后者是人没准备好。再把它们和第二层「字段含义失传」、第三层「真实流程没写」并排看，这堵墙的四个面就立起来了。

并且它们会一起出现。一家公司如果只有数据缺失（第一层），它的问题相对好解——花钱补采集、建数据治理就行。但如果同时叠加字段含义失传（第二层）和真实流程没写（第三层），再加上没有人有权说不（第四层），整件事就变成了一个多面被困的死局：方案做不出来，做出来也不对，对了也没人敢认，认了也没人复盘。

很多企业今天卡在第一层，部分卡在第二层，全部卡在第四层。FDE 进场的价值，就在于同时按住这四层——带工具去取数（第一层），带人去问出字段的真实含义（第二层），跟着跑流程把执行版本画出来（第三层），并且以独立身份拿到那一句「这件事不成立」的话语权（第四层）。

这也是为什么 FDE 的成本必须高于远程实施，却又低于战略咨询——它的成本结构是为了同时承担这四件事，而不是只承担其中一件。

把四层的失效链路画出来，可以做一道反向工程——假设一个项目真的从第一层做到了第四层，并且都做对了，但依然死了，会死在哪儿？

会死在第二层和第三层之间的接缝处。具体说，就是字段含义被问出来了、流程真实版本被画出来了，但两件事对不上。一个 status_3 = 5 的字段，在访谈里被告知代表的是「已审批」，但实际执行流程里这一节点经常被跳过。FDE 把这条对不上记下来，告诉老板这件事存在，老板听完后说知道了。然后项目继续推进。两个月后这一对不上出了业务事故。FDE 被认为是没解决问题。这是第二层和第三层之间最常见的死法——表面看是技术问题，本质是组织内部的真相不一致。

要解决这一类死法，靠工具、靠人力、靠时长都不行，唯一有效的是让 FDE 在早期就把这种对不上显式写进验收口径，并把它升级给一个有决策权的人。这件事在卷三会展开成原则，在卷四展开成操作流程。

再回到四层和模型公司之间。模型公司从总部能拿到的，最多是第一层的部分信号——通过 API 调用拿到的数据。第二层以下全部拿不到。这是模型公司在过去三年里最被低估的盲区——他们以为模型能消化任何输入，其实只能消化结构化输入。而企业 80% 的信息是非结构化的、非系统化的、个人化的。模型公司过去习惯的「上线一个 API 让客户自己接」的打法，在这种信息结构下只能穿透第一层，到了第二层就停了。这是他们必须派人进去的根本原因。

四层的最后一项——第四层——是 FDE 区别于远程实施的根本。远程实施的人从来不被允许说「这件事不成立」。FDE 必须被允许。当一个 FDE 因为说出这件事不成立而失去了这一单，他在行业里的长期价值反而上升，因为他保护了自己的判断不被污染。这一条是这本手册第三卷原则篇会展开的核心命题——诚实作为职业底线在商业层面上的兑现方式。

第四章　执行成本塌方，瓶颈前移

上一章讲的是需求侧为什么缺人。这一章讲供给侧为什么现在一个人也能干。

先给结论：过去两年真正发生变化的，是执行成本，而不是理解成本。

理解成本没有变。

看懂一家公司到底怎么运转，2026 年需要的时间跟 2016 年一样。还是要蹲在车间里，还是要跟老张一起抽烟，还是要花三个星期才能看到那张贴在板子上的手写便条。

这件事没有被压缩过一秒钟，而且在可预见的时间里也不会。

执行成本塌了。

塌的幅度用我自己的项目做口径：一件过去需要三到五个人做六到十个月的事，现在一个人带一套编排，两到四周能交出可用版本。这个数字在不同项目上波动很大，但量级是稳定的——一个数量级。这组数字来自作者的实际项目记录。

我知道这个说法听起来很像卖课的。所以我给一个可以自己验证的口径：

拿你手上任何一个已经完成的项目，把当时的工时账翻出来，把其中「写代码、接接口、做数据清洗、写文档、做测试」这几项的合计工时找出来。

那部分，就是塌掉的部分。

而「跟客户开会、蹲现场、扯皮、等审批、改需求」这几项，一小时都没少。

现在做一个非常简单的算术。

假设一个项目的总投入是 100 个单位。过去的构成大致是：理解 20，执行 80。

现在的构成是：理解 20，执行 8。

总投入从 100 掉到 28。而理解那部分，在总投入中的占比，从 20% 涨到了 71%。

瓶颈前移了。

这句话是这本手册全部方法论的地基，值得再说一遍：

以前的困境是，我知道该做什么，但我做不动。

现在的困境是，我什么都能做，但我不知道该做什么。

一个不知道该做什么的人，工具越强死得越快。因为他会用极高的效率，交付一个精确的错误。

我在现场见过这种情况，而且见得越来越多。一个团队用最新的工具，两周做出一套非常漂亮的系统，功能完整，界面精致，然后没有人用。因为他们解决的那个问题，从来不是这家公司的问题。

过去这种错误会在第三个月暴露，因为项目做得慢，中间有大量的机会被打断。

现在它在第三周就交付了，所有人都以为成功了，直到四周之后使用率归零。

工具变快，同时也让错误变得更快、更完整、更难被中途拦截。

这是 2026 年做交付最需要警惕的一件事。所以这本手册把方法论的顺序定死为：侦察 → 定义 → 交付 → 回灌 → 撤离。

交付排在第三。不是因为它不重要，而是因为它在前两步成立之前，威力是负的。

把这句话再展开讲一下。一家工厂请 FDE 进场，按传统方式 FDE 应该先快速出一版可演示的原型，让老板看到「这事能干」。这件事在销售/售前阶段做是合理的，但在 FDE 工作里放在交付阶段做是危险的——它会让所有人误以为交付已经完成，跳过定义阶段的硬判断。

一个更安全的工作顺序是：先蹲两周做侦察（拿到三张图、七问清单、影子系统识别），再做一周定义（把验收口径写进合同），再交付（执行工程），再回灌（写到方法库），最后撤离（四周法则验证存活）。这个顺序里最容易被「工具变快」诱惑跳过的，是侦察和定义。一个团队带着最新工具进场，最舒服的动作是跳过侦察直接交付，结果是两周后交付了一个精确的错误。FDE 必须能顶住这种诱惑。

再补一个工程层面的细节。

执行成本塌方里有几个具体环节的塌方程度尤其突出——模型 API 调用、向量数据库的搭建、上下文拼装、评估集设计、提示词迭代、基础数据清洗。这六个环节在过去两年里从「需要资深工程师三到五天」塌方到「一个熟练从业者半天到一天」。塌方程度大约是 5 到 10 倍。这六个环节里大部分是「写出来就能跑」的事，它们合起来构成了执行成本塌方的主要部分。

另一些环节的塌方程度则小得多——权限对接、合规审查、跨部门协调、用户培训、验收口径制定。这些环节过去需要 1 到 3 周的工作，今天仍然需要 1 到 3 周。塌方程度大约是 1 到 1.5 倍，几乎没变。

把这两组环节放在一个项目里看：执行成本塌方在 80% 的工程环节上兑现，但在 20% 的协调环节上几乎没有兑现。FDE 必须能识别自己项目里这 20% 的环节，把它们放在前面做。这一条是侦察阶段的前置任务之一。

关于执行成本塌方，还有两个二阶效应必须写下来，因为它们改变了这个行业的组织形态。

二阶效应一：最小可交付单位变小了。

过去做一个企业项目，起步规模就是几十万。因为团队要搭起来，人要养，工期要排，低于这个规模不划算。

于是中小企业的小问题永远没人做。一个能省二十万一年的小改造，没有任何一家服务商愿意为它组一个项目。

现在这个门槛掉到了几万块。

这意味着一大片过去在经济上不成立的需求，突然成立了。这才是六千万家中小企业这块市场真正被打开的原因——不是因为老板们突然开窍，而是因为报价第一次落进了他们的决策区间。

这件事还可以用另一种方式验证。Deloitte 2026 调研里关于投资规模的口径——美国大型组织未来 12 个月的平均 AI 支出预期约 2.07 亿美元，全球均值约 1.86 亿美元。这是大型企业的数字。

来源： Deloitte 2026 / KPMG 2026 Q1。

中国一家中小企业一年 IT 支出不到这个数字的零头。当模型成本曲线继续往下走，单次可交付的最低价就会继续往下落。一个原本不值得服务商去做的改造，会变得越来越值得。这是中小企业这块市场被打开的物理基础。

二阶效应二：交付的失败成本变低了，试错次数变多了。

过去一个项目失败，损失是六个月和几十万。所以所有人都倾向于把项目做大、做全、做得像一次性成功的样子。这种倾向本身就是失败的主要成因。

现在一次尝试的成本可能是两周和几万块。

这就允许一种完全不同的打法：不做大项目，做一串小赌注，每一个都在四周内被数字判死刑，活下来的继续加码，死掉的当场埋掉。

这套打法在卷四的「定义」阶段会被写成具体的操作规范。它是这本手册和传统实施方法论之间最大的分歧点。

传统方法论追求一次做对。

这套方法论追求快速证伪。

这里需要单独解释一下「快速证伪」和「快速失败」之间的差别。后者通常被解读为「越快失败越好」，听起来像是在鼓励赌博。这本手册的意思不是赌博，而是在每一次尝试之前写清楚判死刑的判据——一条以业务数字为准的硬判据。如果四周之后那条判据没有被触发，停下来。这个动作的成本远低于再投入六个月。

再补一个工程角度的注脚。

执行成本塌方这件事，技术上是由两段曲线叠加出来的。第一段是模型推理价格的下降——主流一线模型同等效果的 API 价格，过去两年跌了一个数量级以上。第二段是上下文工程的成熟——能稳定把外部数据、业务规则、工具调用按需求拼到对话里，让模型在受限条件下完成专门任务。

来源： arXiv 2603.09619 关于上下文工程的综述。

这两段曲线叠在一起，让过去要养一个研发团队的事，现在一个人加一套工具就能做出来。

但这两段曲线有一个共同的盲点：它们都在「执行」这一侧发力。理解侧的曲线没有被推动——调查、访谈、读人、读字段、读车间这种工作，到现在为止没有任何模型能替代。原因写在卷五，这一卷先记住结论：理解成本是这次成本塌方里唯一没有塌的部分。

这意味着，过去一年里被宣传得最多的「AI 把实施成本降了 90%」这类口径，严格说只对了一半。它降的是「做出来」的成本，没降「做对」的成本。在「做对」那一段，过去十年间没有任何一家 AI 公司拿出过有效的方案，因为这一段的输入不在接口里，在车间里。

把这两段曲线和第三章的四层信息断层合在一起看，会得到一个更清晰的结构。模型成本曲线下降，解决的是第一层的「数据在系统里」的部分——只要数据进了系统，模型就能消费。上下文工程成熟，解决的是第二层「字段含义」的部分——可以通过提示工程和数据预处理把字段含义稳定输入模型。但第三层「真实流程」和第四层「谁有权说不」这两层，模型和工具都无法直接介入。这两层必须由人在现场完成，并且由这个人在项目里承担后果。

把这件事写得更直接：执行成本塌方重新定义了「做出来」的成本结构，但「做对」这件事的成本结构没变。一家中小企业项目今天的真实成本构成大致是这样的——调研（占总成本约 35%）、方案设计与验证（约 25%）、交付（约 25%）、回灌与知识沉淀（约 10%）、撤离与复盘（约 5%）。其中只有「交付」这一段在过去两年里成本塌方最明显，其他四段的成本变动都有限。FDE 的工作因此被重新定位——他必须把主要时间分配在「做对」那一段，而不是「做出来」那一段。一个还在按传统实施工程师角色分配时间的人，今天会被工具甩在后面，因为他最有价值的产出被浪费在了低 ROI 的环节上。

最后再加一个经济学注解。

执行成本塌方在企业软件采购这一侧也产生了一个二阶效应——软件定价模型从「一次性买断 + 年维」转向「按调用量计费 + 季度调价」。这件事进一步压低了中小企业进入 AI 应用的起步门槛。一个原本要一次性付出 30 万的智能客服系统，今天可以按月调用、按量计费，首月成本可能低到几千块。这意味着中小企业的 AI 试错门槛又降了一个数量级。结合前面讲的执行成本下降，「试错」这件事对中小企业已经从奢侈变成了日常。这是 FDE 这个职业的经济基础在过去两年被悄悄重塑的关键节点。

这一章讲的是供给侧。下面五到第七章回到中国语境，分析需求侧和现场变量。

再单独写一段，把执行成本塌方这件事放到一个更长远的时间线上看。

理解成本没有变这一条，本质上是一个工程判断，不是观察。它基于一个被反复验证过的论据——任何任务的输入只要不在接口里，这件事就没法自动化。Levesque 等人 2012 年在《Commonsense Reasoning and Commonsense Knowledge in the Age of GPT》这一类更早的工作里就讲过，符号接地问题（symbol grounding）在感知层面和语言层面同时存在。

今天所有语言模型输出的内容，都建立在一个隐含假设上：输入端已经被预先结构化好了。一旦输入端没有预先结构化，模型的输出就开始退化。企业的「四层信息断层」就是典型的输入端没有预先结构化的场景。模型再强，也只能基于输入端的内容做变换，不能凭空创造输入端没有的内容。

这就是为什么理解成本没有变。这不是某种哲学判断，而是工程结构性约束。把它写出来是为了给整本手册的承重论断加一个外部锚点——不是因为我相信它所以它成立，而是因为它被多个独立的工程研究反复证实。

执行成本塌方的另一面是它的不均匀性。某些环节——比如模型微调、向量检索、上下文拼装——塌方最明显，从过去需要团队做的事塌成一个人加几个工具就能完成。另一些环节——比如企业内的权限打通、合规审查、跨部门协调——塌方程度很低，过去六个月做的事现在可能还要四到五个月。

把这两个不均匀塌方的环节放在一个项目里看，会出现一个非常反直觉的现象——一个项目在「做出来」那一侧节省了 80% 的时间，但在「做对」那一侧只节省了 10% 的时间。前者塌方明显，后者塌方有限。两边一加权，整个项目的交付时间可能只缩短了 30%–50%，而不是某些宣传口径里说的 90%。FDE 必须能区分这两段，才能给客户一个诚实的预期。这一条也是卷四交付阶段要做的事。

把第四章的执行成本塌方和第三章的四层信息断层合起来看，会得到一个清晰的因果链：模型能力塌方→企业需求侧四层断层无法被远程解决→FDE 岗位被需求侧真实需要；执行成本塌方→FDE 个人能承接完整交付→个人供给侧第一次能站住。两段同时成立，FDE 这个职业就有了经济和工程双层基础。这是这本手册最核心的判断。

再补一个不容易被察觉的二阶效应。

执行成本塌方影响了行业的合作结构。过去的实施服务商和大模型公司之间是「项目-客户」关系——服务商买 API，集成到项目里，按项目结算。今天越来越多的服务商和大模型公司之间变成了「能力-分成」关系——服务商拿的不是单次 API 价格，而是按业务结果分成的份额。

这种关系倒过来重塑了服务商的定位——他们不再是大模型的渠道商，而是大模型在某个垂直行业里的「能力放大器」。这种放大器的核心工作是把模型能力翻译成行业可用的、可持续复用的解决方案。FDE 就是这种放大器的最小单元。这一判断会让后面卷八关于组织形态的设计回到同一个原点——FDE 不是一个孤立的工程师，而是一个组织能力网络里的最小节点。

第五章　大厂的 FDE 吃不到这块地

现在说一件对个人从业者最重要的事：为什么这些巨头全部进场之后，个人反而更有机会。

先看他们的经济结构。

一个 FDE 在一线 AI 公司的总包，按 2026 年的薪酬数据看，中位总包（mid-level）约 38.5 万美元；资深级别（staff）约 61 万美元；principal 级别在 Anthropic、OpenAI 等前沿实验室已经超过 120 万美元。薪酬结构里股权占比在 55%–70% 之间，比 2024 年的 35%–45% 显著抬升。

来源： Perspective AI《2026 Forward Deployed Engineering Compensation Report》，综合 Levels.fyi、官方招聘披露与公开薪酬带；样本约 1200 个 FDE 薪酬数据点。

Anthropic 旗下 Applied AI Engineer 公开 JD 上的薪酬带为美国六城（Boston、Chicago、NYC、Seattle、SF、DC）基础年薪 20 万至 30 万美元；巴黎岗位基础年薪 20.5 万至 22 万欧元；公开 JD 未列出含股权的总包上限，但市场口径普遍高于基础上限。

来源： Anthropic Greenhouse 招聘页面，2026-05-08 核验。

一家公司要养这样的人，必须让他产生足够的合同额来覆盖。行业里流传的配比经验是每一名 FDE 对应数百万美元级别的企业管线。Anthropic 的合资公司初始投入 15 亿美元、OpenAI 的 Deployment Company 初始投入 40 亿美元，这个级别的资金量刚好对应几十名 FDE 的体量。

来源： Anthropic、OpenAI 联合新闻稿与 CNBC、Bloomberg 当日报道。

这个成本结构决定了一件事：他们的最低客单价有一条硬地板。

低于那条地板的客户，他们做一单亏一单。所以他们不会做，也不该做。

Anthropic 那家合资公司已经把目标下探到中型企业了——中型企业在这家公司的语境里是 Blackstone、Hellman & Friedman、Goldman Sachs 旗下被投企业那一档，规模通常在数亿到几十亿美元营收区间。这已经是这个成本结构下的极限。

现在看中国这块地。

登记在册的中小企业六千多万家。这里面绝大多数公司，一个 AI 项目的预算区间是几万到几十万人民币。

这个数字，连一个国际 FDE 的一周成本都覆盖不了。

所以这块地在结构上不可能被大厂吃掉。它不是被忽略了，而是被算术排除了。

那么谁来吃？三种人。

第一种，本地的传统数字化服务商。他们有客户关系、有政策通道、有低成本人力。他们的问题是技术能力更新慢，交付模式还停留在人天计费和定制开发，很难真正把 AI 用起来。

第二种，个人和小团队。成本结构极轻，能力上限取决于个人。这是这本手册的主要读者。

第三种，企业内部的人。一个已经在这家公司工作的人，转身成为内部 FDE。这条路径最被低估，我会在卷八专门讲。

我要在这里说一句可能会得罪人的话。

第一种人和第二种人之间的差距，不在技术，在诚实。

传统服务商的商业模式建立在人天上。人天计费的结构性问题是：它奖励你待得久，而这跟客户的利益是相反的。这个激励一旦长期存在，人的判断会被无意识地扭曲，不需要任何人主观作恶。

而一个按结果计价、按四周数字验收的个人，激励是对齐的。

这就是为什么这本手册把诚实定为唯一的职业底线。它不是道德要求，而是这个商业模式能够成立的前提条件。

具体展开在卷三。

这里再补一个被忽视的成本结构。

第一种人和第二种人之间的差距，还有第二层：抗周期能力。本地传统服务商在政策窗口期拿补贴单子，窗口一关就回到原状。个人和小团队的报价不依赖政策窗口，他们靠的是把第一单做出复购。复购率是个人 FDE 的核心 KPI。一个做三单、留下一单的人，他的报价会比做十二单、留下零单的传统服务商更稳定。这件事和第一种人做比较时会反复出现。

第三种人——企业内部转身的 FDE——是这三种人里上限最高的。原因在于他同时熟悉业务和系统，有判断权但不需要议价，长期成本结构最优。这一条留到卷八展开。

把这一章和第二章合在一起看，可以推出一个更强的判断：在中国做 FDE 的个人，不是和「其他个人」在竞争，而是和「大厂的算术上限」、「本地服务商的激励错位」、「内部 FDE 的转型成本」三者在竞争。竞争的结果是：个人 FDE 在中小企业这块市场里有结构性优势，本地服务商在政策窗口期有阶段性优势，内部 FDE 在跨部门协同场景里有结构性优势。三者各有自己的主场，没有谁吃掉谁。

最后再补一个容易被忽视的现实。

上面说的「大厂吃不到这块地」，指的是大厂自己的成本结构排除了中小企业这一档。但有一种情况例外——大厂可以通过合作伙伴吃。Anthropic 与 Blackstone 等的合资公司，本质上是在用 Blackstone 的资产（被投企业）来抬高自己的客户基础，让中型企业也进得了他们的报价区间。这种模式在中国目前还没有对应物。中国的大模型公司如果要在中小企业这块市场建立存在，必须找到一种类似的「客户资产」合伙方。本地数字化服务商作为合伙方是有可能的——他们手上的中小企业客户就是这种资产。这条路径在中国还没有人走通过。这本手册的读者中，未来可能走出这条路的人就在你们中间。

把第五章和第二章的政策线合起来看，可以得到一个更深一层的判断。中国中小企业这块市场不是被政策资金养起来的——是被政策资金、模型公司供给侧、国际 FDE 模式正式化四股力量同时撬动的。政策资金给启动杠杆，模型公司给能力底座，国际 FDE 模式给岗位定义，本地服务商和个人从业者给交付能力。四股力量里前三股都已经到位，第四股（个人从业者的批量供给）还在形成中。这是窗口期内最关键的一个未填补位置，也是这本手册的核心写作动机。

把第五章和第四章的执行成本塌方合起来看，可以得到一个更具体的判断。在中国市场做 FDE 业务的真实门槛，比国际同行低一个数量级——因为中国市场的客单价本身低一个数量级。这意味着中国 FDE 必须找到一种新的成本结构来匹配这个客单价。这个新的成本结构不能是「大厂 FDE 的中国版」，必须是「中国 FDE 的原生版」。原生版的核心特征是：低固定成本、按结果计费、强本地网络、轻工具依赖。这四点是这本手册后面卷八组织篇会重点展开的设计原则。

第三种人——企业内部转身的 FDE——是这三种人里上限最高的。原因在于他同时熟悉业务和系统，有判断权但不需要议价，长期成本结构最优。这一条留到卷八展开。

把这一章和第三章的四层合在一起做一个观察。模型公司撞上四层断层后选择派人进去，表面上是「解决问题」，本质上是「承认自己不是万能的」。承认自己不能解决某一类问题，是一家公司从工具型向生态型转变的关键标志。模型公司过去三年的姿态是「我什么都能做」，2026 年 5 月这两周之后姿态开始转为「我只能做一部分，剩下的必须靠合伙人」。这种姿态转变的影响会在 2027 年前后更明显地反映在它们的财报和公开口径里。对个人 FDE 来说，模型公司的姿态转变是利好——它们越承认自己做不了的部分越多，留给个人 FDE 的活就越多。这是第五章和第三章合起来可以推出的一个非显然的判断。

第六章　窗口期，以及它关闭的条件

我不喜欢用风口这个词。风口的含义是有一阵风，你站上去就飞，跟你是谁没关系。

我更愿意用窗口。窗口的含义是：有一段时间，某件事的难度暂时低于它的价值，过了这段时间会回到正常。

现在这个窗口是这么形成的：

需求侧，政策指标和市场缺口同时到位。普及率硬指标已经写进了 2027 年；财政资金三批 101 城已落地。

供给侧，执行成本塌方，个人第一次能承接完整交付。

定义侧，这个岗位刚刚被命名，标准还没有固化。

竞争侧，大厂被成本结构挡在中小企业市场之外。

四条同时成立的时间，我判断是十八个月到三年。

比起给出一个乐观的数字，更有用的是写清楚它关闭的条件。这是这本手册的通用做法，后面每一卷都会这么干。

窗口关闭条件一：标准化产品覆盖了长尾场景。

如果出现一批做得足够好的行业垂直 SaaS，价格降到几千块一年，覆盖了中小企业八成的常见需求，那么定制交付的空间会被压缩到剩下的两成。

判断信号：某个细分行业出现三家以上同类产品，且价格在一年内腰斩。

这条目前正在发生的子行业是「视觉质检」「智能客服」「营销内容生成」三个赛道。这三个赛道在 2026 年的 SaaS 化进度，比两年前预计的快很多。但要注意，这三个赛道覆盖的是流程相对标准的中段需求，而中小企业的真正痛点——四层信息断层——SaaS 化并不能解决。所以这条窗口关闭的判定要谨慎，要看「覆盖八成常见需求」这个口径。

窗口关闭条件二：调查环节被大幅自动化。

如果出现某种方式，能够低成本地把现场信息（对话、环境、纸质材料、人的行为）转成结构化输入，那么「必须到场」这个稀缺性会衰减。

我判断这一条在三年内不会完整发生，但会部分发生——后半程的整理已经自动化了，前半程的获取还没有。

判断信号：出现被广泛采用的现场信息采集方案，且不需要专业人员操作。

这条背后的判断会在卷五展开。核心论点：调查这一段，输入不在接口里，在车间里。这一性质短期不会被技术改变。

窗口关闭条件三：人才供给追上来。

如果三年内有几十万人接受了系统的 FDE 训练，这个岗位会从稀缺变成普通，报价会回归到工程师市场的正常水平。

判断信号：主流招聘平台上该岗位的投递比超过 20 比 1。

据 2026 年上半年的公开数据，FDE 相关岗位同比增长约 74%，但投递比还没到这个数字。

来源： Perspective AI《2026 FDE Compensation Report》。

人才供给端仍处于早期。这一条短期不会触发。

窗口关闭条件四：我自己判断错了。

如果本卷第四章那个「理解成本没有变」的前提被推翻，那么这本手册的整个论证链条会断掉，后面七卷全部作废。

这一条我认为概率最低，但它是唯一一条会一次性毁掉全书的。所以写在这儿。

关于窗口，最后说一句实在的。

窗口期存在的意义，不是让你赚一笔快钱。

它的意义是：在这段时间里，你积累的东西——对若干个行业的真实理解、一批愿意为你背书的客户、一套自己的记录——在窗口关闭之后仍然有效。

窗口会关。理解不会过期。

那些在窗口期里只赚了钱、没攒下理解的人，窗口关闭的那天会一无所有。

把四条窗口关闭条件的判断合在一起，可以得到一个更细的时间表。第一条——垂直 SaaS 化——目前处于早期，未来两年内可能出现局部触发（视觉质检、智能客服、营销内容三个赛道中的某一个出现三家同类产品）。局部触发不会立刻关闭整个窗口，但会先关掉那部分赛道的入场资格。第二条——调查自动化——三年内不会完整发生，但部分环节（信息整理、报告生成、对比分析）已经自动化。第三条——人才供给——目前还远，但增长曲线陡峭（74% YoY 增长意味着两年内可能到一个临界规模）。第四条——我的判断错——这是低概率事件，但必须保留为后备失效条件。

把四条按概率从高到低排序：第一条局部触发的概率最高，其次是第三条人才供给加速，第二条调查自动化排在第三条之后，第四条排在最后。这意味着窗口期内最早关掉的会是局部赛道（视觉质检或智能客服方向），其次才是人才供给导致的全行业回归。对个人从业者来说，这意味着一个具体的行动指引——不要把赌注押在已经被三家以上同类产品覆盖的细分赛道上，而是要押在窗口期仍然开放的、需要真实现场理解的领域。

再补一个看似无关但其实很关键的判断。

窗口期的存在，意味着有一个社会层级的隐含补贴——这是普通从业者能拿到的最好补贴。它不是来自政策，而是来自市场还没有饱和。这笔隐含补贴会在窗口关闭的那一天结束。对个人从业者来说，最重要的不是窗口期本身，而是窗口关闭之后的存活能力。存活能力的核心资产，是你在窗口期内积累的「记录」——对若干行业的真实理解、对若干客户的判断模型、对若干失败案例的复盘。这些记录在窗口期内是竞争优势，在窗口关闭后是生存基础。

把这一章和第三章、第四章合起来看，会得到一个判断——FDE 这个职业的长期价值不在窗口期内，而在窗口关闭之后。窗口期内做对的事，是攒下这份记录；窗口期内做错的事，是只攒下客户和现金。这两者在窗口关闭那天的差别，是继续做还是被淘汰的差别。

这里再补一个操作上的判断。

窗口期最容易被滥用的方式，是把它当成一种财务上的赌注——快速进场、抢占位置、做大估值。这条路在软件行业跑通过，在企业服务行业从来没有跑通过。企业服务的复购周期长、口碑形成慢，这两个性质决定了它的窗口期必须以「留下几个行业的真实记录」而不是「做出最大营收」为目标。这是个人 FDE 和投资型 FDE 团队之间最深的分歧。

再补一个关于窗口期的时间结构判断。

窗口期不是一个均匀的时间段，它有内部节奏。最开始是政策侧信号密集发布期（2025 年 8 月到 2026 年 6 月），市场侧观望，模型公司试探入场。然后是市场侧启动期（2026 年下半年到 2027 年），政策资金开始落地，FDE 岗位开始批量出现。最后是饱和期（2027 年下半年起），人才供给追上来，垂直 SaaS 开始覆盖长尾，窗口逐渐关闭。

这三段里，第一段最适合做调研和积累记录，第二段最适合承接完整交付并扩张，第三段最适合做组织沉淀和转型。读者可以根据自己进场的时间点选择对应的策略。这个节奏的具体支撑数据来自第二章和第六章所引的公开口径，建议结合政策文件原文交叉核对。

把这一章和第二章合起来做一个收束。窗口期的存在需要政策、市场、能力、竞争四条同时成立。这四条里任何一条失效都会把窗口缩短。具体来说：政策窗口失效（资金断流）、市场窗口失效（垂直 SaaS 覆盖）、能力窗口失效（人才批量供给）、竞争窗口失效（大厂进入中小企业）。四条中前两条已经被写进了失效条件，后两条在第六章有更细的展开。读者把这四条当作一个四轴坐标，每三个月观察一次每条轴的位置，可以画出窗口期剩余时间的轨迹图。这是这本手册推荐给读者的具体复盘动作。

第七章　中国现场的三个特有变量

国外的 FDE 材料读起来很受用，但直接搬到中国现场会撞墙。有三个变量是中文语境独有的，必须单独写。

变量一：决策链条极短，同时极不稳定。

一家中小企业的 AI 项目，通常是老板一个人拍板的。没有评估委员会，没有采购流程，没有 RFP。你跟他聊两个小时，他当场说做。

这是好事，也是最大的风险。

好在启动快。国外一个同等规模的项目，走完流程要三到六个月。

风险在于：一个人拍板的事，一个人也能推翻。老板换了个想法、听了别人一句话、遇到一件更急的事，这个项目当天就能停。

所以在中国现场，项目的政治保护完全来自那一个人。

对应的操作规范有两条，我在卷四会展开：

第一，第一周就要确认这件事在老板心里排第几。排不进前三的项目不要接，因为它撑不到验收。

第二，尽早让第二个有权力的人产生利益关联。一个只有老板支持的项目，是一条腿站着。

这条规律的代价在卷四会有具体案例。一个看上去完美的项目，因为没有及时把业务负责人拉到共同利益方，验收前两周被业务负责人以一句「我们部门现在有更重要的事」叫停，所有交付物归档吃灰。

变量二：政策资金既是助力，也是污染源。

上面讲过一遍，这里给出操作层面的判据。

政策资金的正面作用是降低启动门槛。负面作用是它引入了第二套验收标准——补贴材料的标准。

当这两套标准冲突时，绝大多数项目会倒向补贴那一套。因为它更明确、更早兑现、更不容易扯皮。

一旦倒过去，这个项目就死了，只是死状很体面。

我自己的规矩是：政策资金可以拿，但验收口径必须以业务数字为准，并且写进合同。补贴材料另做一套，跟交付质量脱钩。

这条规矩让我丢过单子。我认为值得。

这里有一个判断口径可以共用：当客户主动问「能不能用补贴出」的时候，意思是他对项目本身的成功信心不足，他在找一个备选解释。这种项目要做，但要按更硬的业务验收标准做。如果连业务验收标准都立不起来，这个项目不要接。卷七会有这一类项目的完整复盘。

变量三：数据合规的边界在收紧，而且执行力度不均匀。

个人信息、数据出境、视频采集，这三条线在中国有明确的法律边界，而且近年在持续收紧。

现场最常踩的两个坑：

一是视频类项目。摄像头拍到的人脸属于敏感个人信息，采集、存储、使用都有明确要求。很多做客流分析的项目在技术上完全可行，在合规上不成立。

规避方式在卷六会详细写，核心是：只取统计量，不留可识别信息，边缘侧处理，原始帧不落盘。

二是把企业数据送到境外模型的行为。很多人在做 demo 的时候没意识到这件事，等到进生产环境才发现整套方案要推倒。

我的做法是在第一周就把这件事问清楚，问法很简单：这些数据出不出得了这栋楼？出不了的，方案从第一天就按本地部署设计。

这三个变量，是中文 FDE 和英文 FDE 之间真正的差异。技术部分是通的，这三样不通。

最后还要加一个本章小结。

三个变量合在一起，决定了中国 FDE 现场的工作节奏：短决策周期带来高启动速度，政策资金带来低启动成本和隐蔽的成功标准，数据合规带来现场方案设计的硬约束。三者叠加的结果是，中国 FDE 必须比国际同行更早把「这件事到底成不成立」这件事判清楚。判得早，资源省下来；判得晚，几个月白搭。这是中国 FDE 工作的核心特征，也是这本手册后面卷四侦察阶段在中国现场会反复出现的主题。

再把这三个变量和第六章窗口期合起来做一道判断。

三个变量是中国 FDE 工作的微观特征，窗口期是中国 FDE 工作的宏观环境。微观特征会影响单个项目的成功率，宏观环境会影响整个职业的回报率。这两层叠加的结果是：在中国做 FDE 的人，必须同时具备两种能力——在微观上快速判断项目成不成立，在宏观上判断自己的客户结构和能力积累是否符合窗口期的方向。这两种判断都不是工具能给的，都是必须靠经验和复盘长出来的。

这也意味着，FDE 的成长路径在中国会比在其他国家更陡峭也更复杂。陡峭在于同时被政策和合规两条线推着走，复杂在于每家公司、每个地方的政策窗口期不完全同步。一个在江苏做得好的人，搬到广东不一定立刻做得好；一个做制造业的人，转到做零售可能要重新走一遍「懂智能、熟行业」的循环。这件事对个人 FDE 的实际意义是：跨行业转型的成本远高于国际同行，做好在一个行业里扎根更长时间的准备，是更现实的选择。

最后单独把合规那条拎出来多说一句。

中国数据合规的执法力度在 2024–2026 年间显著抬升。

来源： 国家互联网信息办公室及相关行业主管部门公开发布的执法案例。

但执法力度的分布不均匀——大型互联网企业被频繁点名和处罚，中小企业尤其是制造业中小企业被直接处罚的案例相对较少。这种不均匀带来的实际后果是：很多中小企业内部还没有专门的合规岗位，FDE 进现场时必须自己承担一部分合规判断的责任。这本书在卷六会用整一章的篇幅讲现场合规的判据。读者如果只看这一卷，记住三个判据就够了：原始帧不落盘、敏感个人信息只取统计量、企业数据默认本地处理、跨境传输在第一周问清楚。这四条是 2026 年中国 FDE 现场的合规最低线。

再补两个判断。

一个判断是关于现场合规的「半成品陷阱」。很多 FDE 进现场时会陷入一种「合规先行、技术靠后」的节奏——先把个人信息保护、数据出境、视频采集全部按最严的口径处理，结果整个项目交付节奏被合规要求拖慢 30%–40%。这是过度合规。真正有效的现场合规应该是「按需合规」——只在真正涉及敏感数据的环节按最严口径处理，其他环节按合理商业必要性处理。一个能在两周内交付的中等复杂度项目，「按需合规」比「合规先行」更可持续。这条经验在卷六会详细展开。

另一个判断是关于「本地处理」的口径。「企业数据默认本地处理」这一条听起来简单，实际上有大量的灰色地带。一个工厂的设备数据是本地采集、本地处理，但模型权重是中心化部署——这算本地处理还是云端处理？在中国目前的执法实践里，这一类混合架构通常不被认定为数据出境，但仍需在合同里明确披露。FDE 在第一周问「这些数据出不出得了这栋楼」的时候，应该把模型权重、推理日志、训练数据回流三个维度分开问清楚。这一条在卷六会展开成具体问题清单。

把这一章和第二章的政策线合起来看，可以得到一个更强的判断。中国 FDE 在合规上面对的挑战，本质上是合规框架比技术框架更慢成熟。技术框架在过去两年里被模型公司、上下文工程、社区实践快速推进，合规框架还在追赶。FDE 在现场的工作，是把这两套框架同时撑住——既保证项目能跑，又保证合规不出事。这件事没有捷径，只有靠经验和复盘累积。这是为什么前面提到「内部 FDE」路径被低估——一个企业内部的人，对自家业务的合规边界通常比外部 FDE 更清楚。

第八章　这本手册是怎么被生产的

最后一章讲方法论的自指。

这本手册讲的是一套让个人和小团队交付企业级项目的方法。如果这套方法有效，那么这本手册本身，应该是用这套方法生产出来的。

它确实是。

我把生产它的那套组织形态写在这里，因为它同时是卷八的预告。

我在做一个叫 Open TSC 的东西，公开在 GitHub 上。它的自我描述是一句话：AI 原生、人机共治、持续进化的开发组织参考实现。

里面有几条设计，直接构成了这本手册的生产方式，也构成了我对 FDE 未来形态的判断。

第一条：判断力不锁在任何一个人、任何一个模型、任何一套软件里。

组织的法、判断标准、事件轨迹和校准记忆，全部保存为可移植、可审计的东西。软件是壳，这套东西是魂。壳可以换，魂必须能导出、迁移、复活。

这条对 FDE 的意义在卷八会展开。简单说：一个 FDE 积累的东西如果只存在于他自己脑子里，那他的天花板就是他自己的记忆容量和寿命。

第二条：工作闭环是固定的。

证据 → 讨论 → 提案 → 人类与 Agent 审议 → PR → 验证 → 校准 → 继续进化

这条链跟这本手册的五阶段方法论是同构的。侦察对应证据，定义对应提案，交付对应 PR，回灌对应验证与校准。

我不是先有方法论再去套组织，而是这两件事在两个不同的尺度上被逼出了同一个形状。

第三条：一个正式治理席位，由一名人类加一个配对 Agent 组成。

这一条是我认为最超前的一条，也是这本手册卷五和卷八的核心。

它把人机协作从「人用工具」变成了「人机成对，作为一个编制单位存在」。一个席位里，人负责判断和承担后果，Agent 负责执行与记忆，两者绑定，共同对结果负责。

对 FDE 的直接含义是：未来的 FDE 编制，最小单位不是一个人，是一个人加他的那套东西。

这句话在卷八会被写成具体的组队规范。

第四条：项目必须带日落。

Open TSC 的项目模板里有五个必填项：证据、实验、动态组队、验证、日落。

日落的意思是，一个项目在启动的时候就要写清楚在什么条件下它应该结束。

这一条在这本手册里的对应物，是卷四第五阶段的撤离，以及每一卷末尾的失效条件。

第五条：团队按使命动态形成，不设永久部门。

不设永久的前端、后端、测试部门。

对 FDE 团队的含义是：不要按技能分工，按项目阶段分工。侦察期的编制和交付期的编制，本来就不该是同一套人。

这五条设计合在一起构成了一个完整的组织判断——FDE 不是孤立工程师，而是组织能力网络里的最小节点。这本手册的写作本身，就是这种组织能力网络的最小实例：一个人加一套工具加一套公开协议，写出来的内容可以被另一个人读懂、复刻、改写、再分发。这种工作方式，正是 FDE 这个职业未来在中国市场应该采取的工作方式。

把第八章和第一章合起来做一个总收束。第一章用四家巨头的两周时间定下「为什么是现在」，第八章用 Open TSC 的五条设计定下「这本手册自己按方法论生产」。两者合在一起，读者看到的是——这本书的方法论和它的生产方式是同构的，这不是巧合，而是被工程现实逼出来的形状。如果这套方法论有效，它必然要被用来生产这本手册；如果这本手册有可被验证的有效性，那它就是这套方法论的一个活体证据。这是这一卷在结构上的最后一个承重论断。

写这一章的用意，是让你知道这本手册不是我一个人闷头写出来的一份主张。

它是一套正在运行的东西的说明书。

而且它跟这套东西一样，是可以被 fork 的。协议在附录 C，你可以拿走，改，用你自己的名字发出去。

我在卷八会讲清楚为什么我希望你这么干。

最后给这一章一个收束。

这本手册和它的生产组织之间存在一个同构关系——这两件事在结构上是互相印证的。手册讲了 FDE 怎么交付，组织就是 FDE 怎么存在。同构的好处是：任何在手册里被推荐的实践，都可以在组织的实际运行里被验证。任何在组织里被验证有效的方法，都可以反向修订到手册里。这个闭环是这本手册能持续进化的原因，也是后面卷四回灌阶段、卷八组织篇会反复回来用到的设计原理。

读者如果只读完这一卷，建议带走三个判断：一，时代窗口真实存在，但它由四条互相绑定的条件同时支撑，缺一就关；二，FDE 这个岗位的核心稀缺是「在现场拿到那四层信息并对结果负责」，不是工具能力；三，执行成本塌方让个人第一次能承接完整交付，理解成本没有变让这件事不被远程方案挤掉。这三个判断合在一起，就是这一卷的承重结论。

把这一章和序章合在一起，可以给出全书的整体轮廓。序章讲的是「为什么要做这件事」——把那些正在被切掉的书、正在消失的老师傅手上那套手感、正在一家一家关门的小厂里烧掉的经验，抄下来一份，发出去。卷一讲的是「为什么是现在」——窗口同时成立的四条条件。三章合起来给读者一个完整的背景。

这本手册后面七卷，按照 FDE 工作的时间顺序和逻辑层次展开。卷二是定义——FDE 这个岗位到底是什么、不是什么；卷三是原则——职业底线的具体兑现；卷四是方法——五阶段全流程；卷五是人机分工——人和 AI 各自做什么；卷六是硬件与现场——逆向的部分；卷七是案例——六段解剖的实证；卷八是组织——未来的 FDE 不是一个人。附录是工具箱——七问清单、六段模板、政策索引、术语表、工具快照等。

读者可以从头到尾读，也可以按需跳读。但建议至少读完卷一和卷三，因为这两卷决定了后面所有判断的方向。卷一给了时代坐标，卷三给了职业底线。这两个坐标和底线确立之后，后面每一卷都是这两个坐标和底线在不同场景下的具体化。

最后，这一卷结束时要承认一件事。

这一卷里的判断——窗口期十八个月到三年——是带主观性的判断，不是客观测量。带主观性的判断必须有失效条件，否则就不是工程判断而是预测。第六章四条窗口关闭条件就是这些失效条件。读者每三个月回头看一次，判断这四条里的某一条有没有开始触发。一旦触发，要立刻按对应行动调整。这一卷的设计意图不是给读者一个稳定的预测，而是给读者一个会自己报警的仪表盘。

把这一章和前面六章合在一起，可以归纳出这一卷论证链条的完整结构。

第一章用事实定下「为什么是现在」——四家巨头同时进场。第二章用政策定下「中国官方给这个岗位起的名字」——懂智能、熟行业。第三章用结构定下「企业侧的核心稀缺」——四层信息断层。第四章用经济定下「执行成本塌方」——个人第一次能承接完整交付。第五章用算术定下「大厂的硬地板」——中小企业这块地是大厂算术排不进的。第六章用判断定下「窗口期」——四条同时成立，十八个月到三年。第七章用现场定下「中国独有变量」——决策链条、政策资金、数据合规。第八章用自指定下「手册的生产方式」——同构于 Open TSC 的设计。

把这八章的论证链画出来，是一张从宏观到微观、再回到方法论的闭环。第一章到第四章是宏观（时代、政策、结构、经济），第五章到第七章是中观（市场、现场、变量），第八章是微观（手册本身）。三层相互印证，每一层都对上一层构成约束。这是这一卷在结构上的特点——它不是按时间顺序写的，而是按「从外到内」的逻辑顺序写的。读者顺着读下来，会自然得到一张从时代坐标到个人行动指南的判断地图。

最后给一个总论式的判断——这本手册的存在，并不是为了「让 FDE 这个职业火起来」。FDE 这个职业在 2026 年 5 月之后已经被四家巨头正式化，它会自己火起来，不需要这本手册去推。这本手册存在的原因，是巨头的正式化路径和大批个人从业者的真实工作之间存在一条鸿沟——前者定义的是雇主视角的岗位要求，后者定义的是手艺视角的工作方式。这本手册要做的是把后者写出来。

如果这本书能活到窗口关闭的那一天，它不是因为预测对了窗口期，而是因为它写下来了一批个人从业者在窗口期内真实的判断、失败、复盘。这些东西是带不走的、抄不走的、模型不能复制的。它们是这一卷、这一本书、这整套东西存在的根本理由。

本卷法条

FDE 第一法 · 时代律

一个手艺的价值，等于它在整条链上占据瓶颈的时间比例。

当执行成本塌方，价值会向理解环节转移。因此在任何一次交付中，投入的优先顺序恒定为：先理解，后执行。

推论：工具越强，理解错误的代价越大。

失效条件：如果理解环节的成本被压缩到与执行同一量级，本法作废，全书需重写。

FDE 第一法 · 时代律的推论二：执行成本塌方时，最小可交付单位随之塌方，过去在经济上不成立的中小企业项目现在变得可承接。FDE 的工作单位（一个人加一套工具）能够承接这类项目，是因为单位成本低于过去人天计费的最低门槛。

FDE 第一法 · 时代律的推论三：理解成本不变，意味着 FDE 在项目里的判断责任不变——他必须以独立身份判定「这件事成不成立」，并对判定结果负责。任何把判断责任外包给销售/售前/项目经理的协作结构，都会让 FDE 失去这条法的护佑。

本节失效条件（指窗口期判断）：若同时满足以下两条，本卷关于窗口期十八个月到三年的判断作废，须改写——一，某细分行业出现三家以上同类垂直 SaaS 且价格在一年内腰斩；二，主流招聘平台 FDE 相关岗位投递比超过 20 比 1。

本节失效条件（指四层信息断层判断）：若同时满足以下两条，本卷关于「能力已经过剩、承接能力严重不足」的判断作废，须改写——一，企业内部建立跨部门决策机制，使得「无人有权说不」的第四层断层在主流企业中显著减少；二，主流企业的关键字段含义有公开版本且文档完整，使得第二层断层在主流企业中显著减少。判断观察口径建议结合年度的 AI 就绪度调研。

本节失效条件（指个人 FDE 的护城河判断）：若出现以下情形，本卷关于「个人 FDE 在中小企业市场有结构性优势」的判断作废——一，国际大厂在中国成立专门面向中小企业的合资公司或独立子公司；二，本地传统服务商完成 AI 能力代际升级，形成可复制的「按结果计费」交付模式；三，内部 FDE 路径在主流企业内部被制度化，成为标准建制。三条中只要触发任意两条，本卷关于个人 FDE 优势的结构性判断就要重写。

本节失效条件（指政策资金判据）：若财政部与工信部取消中小企业数字化转型城市试点的后续批次，或将「懂智能、熟行业」从政策文件中删除，本卷关于政策资金作为启动杠杆的判断作废。

本节失效条件（指数据来源）：本卷所引 Deloitte 2026 与 KPMG Q1 2026 的数据，以 2026 年上半年公开版本为准。若上述机构在 2026 年下半年发布更新版本，且关键比例（如 21% 治理成熟度、74% 部署意向、54% 实际部署、76% 技能缺口）出现 30% 以上相对变动，本卷关于「企业内承接能力不足」的判断应同步重新评估。

本卷末尾给一个总收束。

这一卷从时代坐标写到个人行动指南，从模型公司的全球正式化写到中国小工厂老板的办公室。从四家巨头同一时间撞墙的 2026 年 5 月，写到一只猫在笼子里叫得很大声的 2025 年某个下午。把这些点连起来，读者看到的是一条连贯的论证链——时代给了这个职业一个窗口，窗口由四条同时成立的条件撑着，窗口不会一直开着，窗口里值得做的事不是抢位置，而是攒理解。

这八章合在一起给读者的不是一份「FDE 是什么」的说明书，而是一份「现在做这件事的代价和收益」的判断框架。读者拿这份框架去对接自己手上的实际情况，就能判断 FDE 是不是一个值得投入的方向，投入的话应该按什么节奏。

后面七卷会在这个框架的基础上展开。卷二是定义，会给 FDE 这件事划清楚边界——它不是什么。卷三是原则，会把诚实这条职业底线变成可执行的法条。卷四是方法，会把五阶段变成可操作的流程。卷五是人机分工，会把人和 AI 的边界画清楚。卷六是硬件与现场，会把 FDE 必须懂的现场技术写出来。卷七是案例，会用六段解剖的格式把若干个真实项目展开。卷八是组织，会把未来的 FDE 怎么组成、怎么进化写出来。

附录是工具箱，会把每一卷里出现过的清单、模板、索引、术语、参考都汇集在一起，让读者可以按需查阅。

这一卷到此结束。

最后再回到序章那只猫。它叫得很大声，不是因为它觉得有人会来救它，而是因为它还活着。

这本手册要做的，就是让那些 FDE 们——包括你、包括我、包括正在读这本书的你身边那些可能成为 FDE 的人——在窗口期里活着，并且活得越来越响。这是这只猫在 2026 年教我的事，也是这一卷在 25000 字里试图讲清楚的事。

下一卷见。