Subscribe
Share
Share
Embed
课代表立正的官方Podcast
深度访谈，有用干货，亲身验证的「真本事」
Superlinear Academy创始人，Maven Top AI Instructor
前Statsig布道师（OpenAI收购），腾讯副总监，Meta，Amazon；康奈尔经济学博士
社区：Superlinear.Academy
课程：ai-builders.com
个人：lizheng.ai
Jove 欢迎来到课代表立正
可以跟大家做一下自我介绍不
大家好我是 Jove
我人在温哥华
最近这半年多呢
是在一家 AI 公司 Cresta 做 FDE
这也是今天要聊的话题
在这之前
我有自己创业有四五年做数据库
然后再往前是像 Splunk 啊
EMC 这些所谓的大厂
做过管理做过 IC
当然现在还是更 enjoy
作为一个 AI Agent FDE
我很高兴能跟大家聊一聊
在 AI 时代 FDE 到底意味着什么
我其实特别惊讶啊
就是我是从 Palantir 涨的那一波
开始比较了解 FDE 的
现在很多 VC 和 AI 的这里边的人
都说 FDE 可能是 AI 最需要的岗位
和最有前途的岗位之一
包括 OpenAI 、 Anthropic 也招很多 FDE
但是办活动的时候
每次提到 FDE
很多人都不知道
尤其是来自于 Meta 、 Google
这样的大厂的人呢
就会问什么是 FDE
我还挺惊讶的
就是大家看来是有一个认知差的
所以说我们请了你
你现在手下有多少个 FDE 啊
30个人估计今年可以到100个哈哈
对吧这就是一个需求巨大的
就是现在是不是特别缺
对因为这七八个月在 Cresta
我们有切身感受到是 FDE
真的是现在能够让 AI 落地
让大家掏钱
真的是让世界有所改变的
一个很有效的一个方式对
后面这句话我们再深度展开一点
我们先请你稍稍介绍一下 FDE 是什么
给一些没有听说过这个词的同学们
从这个词的缩写
从 Forward Deployed Engineer 开始说起
它的一个特点就是它还是一个 engineer
它是 forward deploy 到一些项目里面去
然后我个人是觉得必须把 FDE 放在
一个 AI Agent 这样一个框架里面
否则如果这是一个比较传统的数据
比如要做数据的 ETL 啊
数据的转换
或者是做网络搭建之类的话
我觉得其实你要说 FDE 跟
传统的驻场工程师啊
或者是外包
或者是咨询
其实很难界定
我觉得 FDE 必须是绑定在一个语境下面
就是说 AI Agent 现在很多人都想要然后呢
你是可以拿到比较新的 model access
你可以用 ElevenLabs 啊 Deepgram 这些新的语音模型
但是你不见得真的有能力做出一个
符合你想要的业务场景的这样一个 AI Agent
所以 FDE 起的作用就是说
它可以去结合你的业务逻辑
结合你 AI Agent 这个平台上面所有的功能
然后做出一份能够满足你切身功能的
这样一个 AI 的一套系统
伴随着各种 guardrail 啊
test eval 啊
因为这块东西是很难
很短的时间让客户自己去 build
因为往往客户自己
可能会有他的工程团队
他们是知道怎么去 build 一个
传统的网站或者是手机 App
但是我们 build 一个 AI Agent
其实就是 build 一个新的界面
是给他的最终用户去用的
然后 build 这样一个 AI Agent
就会出现各种处理幻觉呀
怎么去让你的这个 RAG 或 KB
能够做得比较低延时
比较准确
中间其实有很多比较难的事情
而这些事情并不是很显而易见
的能够让每一个航空公司或
每一个银行自己去做的
像我们这些 AI 公司之所以
采用 FDE 这样一个模型
就是能够让
一些 AI 的专家能够去非常
清楚的知道这个平台有什么
以及客户想要什么
然后把这个东西做出来
然后做各种精细的打磨
而不是逼着客户自己去学
因为就算他能学会
可能也要花半年一年的时间
这样的话你可能
竞争对手已经是抢跑了
所以 FDE 能够让这个
AI 落地会变得更可靠更快
让大家就 focus 在各自的
一些专业领域就好了
所以就是你说的 AI Agent FDE
和之前的 FDE 是两个东西
而之前的 FDE 其实和外包驻场工程师
没有特别大的区别
但是 AI Agent FDE 是一个新物种
那这个新物种
这个 FDE 和其他的工程师的优势就在于
他们特别 AI native
他们真的懂做 AI 产品里边的
遇到的各种各样的坑
就是那些 model access 啊
这些 feature 啊什么的
大家都有
但问题是真的想把它做好的话
其实差距是很大的
然后你们这些人就是
懂得怎么把东西真的做好
对 而且我们愿意
且有能力跟客户贴身服务
我们有句话说
就说你可以 Talk About API Over IPA(一类啤酒)
你可以跟客户很快地
去打好这样一个关系
然后你可以赢得他们的信任
不管是 CEO 啊 CTO 啊
或者他的 API lead
大家都是做 engineer 的
大家都是能够有共同语言
然后你很快能够理解
他的想要的一些功能
然后你的 limitation
然后你能够帮他做出
一个非常高可靠的
有效的一个 AI Agent
听起来对能力要求特别高
因为这个人要特别懂 AI
本身已经特别稀缺了
我觉得很多公司是缺这样的人才的
然后似乎还要有一定的 communication skills
或者说是人际交往的 skills
能得到用户的信任
然后呢你还要去理解用户的业务
对吧
对 所以我们就像是招了
一群创业公司的 CTO
或者是说你招了一些
比较全面的一些人
那这些人能够把这个事情了解清楚
哪里应该发力
哪里就需要 say no
然后利用他的 AI 的技能把这个事情落地
当然我们会遇到一些
比较 Tech Savvy 的一些客户
他可能会问得很细
那你很多时候你可能是要教他会用
但是也有很多
比如说偏 Healthcare 的啊
或者是偏这些 hotel 或者是 Cruise
他们其实对你怎么实现并不重要
但他对整个品牌的形象
你该怎么说话
你该怎么去调用它的 knowledge base, SOP
这边其实它有非常
甚至是 picky 的一些方案
那这些事情
你贸贸然地让一个 engineer 去做的话
你没有大量时间培养 trust
跟他细掰这些 SOP 的话
你是很难做出一个让他信服的一个方案
所以 FDE 确实是一个比较 mixed 的一个 role
既有他的 technical 的一方面
AI Agent 的一方面
而且他整个人是不是 charming
能够很容易去跟人打交道
能够解决 conflict
multitasking
甚至还要加班出差
所以加在一块是一个很 challenging
但是也是让这个 AI Agent
落地一个很有效一个方案
那这种人怎么招啊
感觉就很难找到
我知道像 OpenAI 这样的
他们会去招那种
就是创业失败的 founder 们
反而很合适
尤其是这种
AI 创业失败的 founder 们
对啊对啊
我可能也是属于这种 category
因为我自己在大厂做的无聊
比方说我在 Splunk 多的时候
我可能管50个人
我可能在加拿大在美国印度都有团队
然后有 senior manager Report 给我
但是我自己闲不住
自己去创业了
而且是比较 hardcore 的这些
real-time 的 data pipeline
或者是 streaming database 这个方向
那做了四五年
当然技术来讲很有趣但是
相比 AI Agent 来讲是一个
长不大的一个方向
所以我也可以认为是一个半失败的
或者是有点失败的一个创业者
但是经历这些创业之后
你就会知道没有事情是容易的
你需要 earn 这个 credit
你要 earn 这个 trust
然后你要 make 一些 fast decision
那这些加在一块的话
能够让这些 FDE 包括我自己会知道
要怎么足够的努力才能够把这个事情
做成 对
而且我们会少了很多这种
比如说 GTM 的一些 efforts
就是 assume 这个单子是有希望做成的
我们更多就是把它做成对
也省了很难的那一步
但是又适合那种不是只想做技术
而是有一个综合能力的
或者是综合发挥的人
而且是双向的
就是我们自己招的时候
如果你做过创业
不管是 co-founder 还是 founding engineer
对我来说其实是个加分项
因为我知道你不会
comfortable 是别人 assign 一个 task 给你
很多时候你有这个 agency 对吧
你就可以继续 figure out 出来你该做什么
甚至是有的时候有一些脏活累活你都是可以去干
那另一方面的话
其实我有一些 team member
也就是说啊我 eventually 就我是要创业的
那他 enjoy 作为一个 FDE
能够让他去历练很多事情
不光是最好的架构
而且是能够去知道
客户的 business 需求是什么
你这个 process 中间有哪些
很容易出错的一些点
你怎么去 convince 客户
怎么去 win the trust
对他来说也是一个相当于 CTO
或者这个创业的一个培养营
确实之前有的程序员
创业去转 PM
我一直觉得这个不太 make sense
但是如果做 FDE 的话就很适合
PM 现在可能是一个比较 tricky 的角色(口误)
因为大家很多时候觉得
你的很多想法其实 engineer 也会有
那 PM 就会有大量的去跟客户沟通
但是如果能够少掉一层的话
FDE 直接跟客户沟通
其实更容易知道客户 care 什么东西对
所以你们的 FDE 其实承担了 PM 的很多职责
in theory 是这样的
但是 again 每个人的 bandwidth 是有限的
所以我觉得 partially 也是 inspired by Palantir
就是你可能知道他们其实是有两个队
他有一些人是偏 engineer 的 forward deploy
另外一些是偏 process 或
strategist 的一些 forward deploy
所以在 Cresta 我们做法也是一样
就是说我带这个 FDE 的 team
但是有另外一个(team)是
forward deployed product manager（ FDPM）的 team
然后他们就不需要那么 technical
但他就像一个公司会有 CEO 、 CTO 一样
就是大家其实都是很能够
convince 客户做对的事情
但是他们会更多去 care 那些 business logic
你的 exit criteria(验收标准)
你的 risk
你的 schedule
甚至有的时候我们跟一些客户开会
他们自己内部都没有很好的 align 想要什么
他的 SOP
每个人脑中是不一样
这些事情如果你
每一个会都让 FDE 参加的话
不见得是 FDE
最好利用我们的时间的方式
所以 PM 就会在里面会做一些
非 technical 一些工作
然后把东西理顺
那 PM 转 FDP
engineer 转 FDE
除了 engineer 可以转 FDE 以外
你还看到会有其他的吗
还是基本上都是 engineers
对我觉得 engineer 是个大的前提
包括我这边面试也会
哪怕有些人吐槽
但是我依然会有一个环节去让你
不用任何 AI 去写一些简单的 Python 程序
证明你还是有这个 engineering 的 sense
对吧你的变量起名啊
你这个流程
好简单
对 那个就不是 LeetCode
就是完全是一个非常简单的
证明你是会写一些程序的
然后我们另外一轮面试是
看你这个 engineering practice
比如说你大概知道这些 unit test
你知道这个 end to end
你有这些分层呐
一些概念在里面
因为有时候会发现
如果一个完全没有技术背景的人
去做 AI Agent FDE
看起来可以 work
但他中间可能会闹些笑话
因为他自己不会 aware 到
哪些东西是有问题
我不是指向某个人
但是比如说你假设做一个登录界面
你可能做出来好像是可以登录的
但你可能如果东西都塞在前端
用户是很容易比如说把一个 DOM tree
删掉或者是篡改
就能够看到你很多东西
那你如果没有一个工程素养的话
很多东西看起来 work
其实是缺乏一些 best practice
所以我们还是想招 engineer
这是一个 baseline
然后在这之上
如果有些人做过一些 consulting
比如说 Accenture 、 McKinsey
那是挺好的
但他们可能会有另外一个倾向性
就是说我要非常注意他们
不要太以过去的方式去判断
这个 deal size 有多大然后呢
我是不是甚至是按照时间来计件
因为我们本身还是一个
偏 SaaS 的一个公司
所以 FDE 我们的一大职责是
要把这个 AI Agent 做出来
但是我们本身是所谓的
forward deployed product engineer
我们是从属这个 product engineer 一部分
所以我们的一个很大的职责
是通过做这些 agent 来证明
我们这个产品 PMF 是没问题的
然后呢中间可能会有一些 bug 有些 gap
有些东西做的是不对的
然后我们要去改这些部分
所以我们经常 FDE 会需要
去改这个 platform 的 REST API
microservice 啊改 UI
改 CLI 改 doc
因为我们本身抱有这样一个职责是
不光把 deployment 每个都做成功
而且是让我们的产品变得更成熟
就是你们不光是驻场帮客户解决问题
你们还要回来改你们自己的产品
对我们就是 part of the product engineering 这个 org
嗯
所以我的 peer 都是
比如说你是做这个 microservice
你是做这个 Kubernetes Infra
跟我来说都是 peer
我们都是 report 给 VP engineering
VP engineering report 给 CEO
就这么简单
我知道在有些公司里面会把 FDE 放到一个
customer success
或者是 professional service
有些甚至是售前
我们之所以没有这样做
是因为我们毕竟要做一个 platform 公司
到最后我们是希望能够有
AI Agent 这样一个平台
能够去 enable 很多不同的 use case
那只是说让用户自己去学
这样一个平台怎么去开发
怎么去避免 hallucination 其实是
蛮长的一条道路
那很多人在谈
time to value
你需要一个月两个月
出来一套新的 AI Agent 的方案
能够让客户少等待
或者是让他能够少一些 transfer
能够解决问题
你让客户去学是一个 big ask
那他们想要的是这个 outcome
所以使用 FDE 是能够很快去落地
但是我们也不想把自己
培养成一个 consulting firm
养了很多 FDE 做这些事情
所以最终是希望 FDE 做的事情是越来越难
就把这些简单事情能够自动化
能够让平台改进之后
FDE 会变成某个领域的专家
比如说是 payment 的专家
或者是网络的专家
或者是 RAG 的专家
这样的话
一些比较简单的 use case
都会让我们这个平台
不管是通过一些 template 或是 asset
就能够很容易做到
明白了明白了
这个正好聊到了
就是为什么 FDE 在 AI 时代这么重要
的这个话题
我之所以也非常看好 FDE
就是因为现在 AI 它的能力太强了
但是落地呢
大多数人其实是没有落地的能力的
很多传统行业很需要使用 AI
但是他们完全没有这样的人才
让 AI 在他们的行业里边有效落地
那这个时候用人去把一个
不确定性变成一个确定性
这个不确定性是面对
对面的 business owner 来说的啊
说的例子好像是餐馆对吧
就是鸭哥写了这个文章
很多餐馆的例子
就我是餐馆老板
然后我想用 AI
然后我发现我要去学了半天
我其实不知道到底能不能做好
很有可能很多人做砸了
这时候一个 FDE 说没关系
用我们的平台
我来帮你把这些东西全都搞定
那其实就让落地整件事
变得简单了很多对吧
就是你是不是真的搞定了
然后你搞定的这件事
对我来说值多少钱
然后我就可以去使用了
而且红杉或者说是很多
这个公司的 analysis 就说啊
其实软件的市场并不是那么大
但是整个 labor 的市场是极大的
那 AI 取代的
就是这个 labor 的市场
那 AI 想要取代 labor 的市场
其实需要有一些这种 FDE
就既懂 AI 又懂 business 的人
去把它真的做好
对我觉得完全正确
就是你让一个餐馆
不管是餐馆的老板
或者是餐馆找的 IT 团队去
理解很多 AI Agent 的细节
比方说有个词叫 VAD
就是 voice activity detection
基本上就是说我在说话的时候
你这边可以附和一下
但是我不应该
停下来对吧
因为中间有很多细节地方
或者是说你在报一个
号码或者是 Email 的时候
你可能中间会有停顿
但停顿并不意味着对方就要 chime in 进来
包括你有一些杂音啊
或者之类的
其实这边有很多的细节
就是光 VAD 本身就不同做法
比如说你基于 silence-based
还是基于 LLM-based
基于语义的
你让这些东西都让
一个餐馆的 IT 人员去学
too much 对吧
其实你只关注是说
你这个品牌是希望
更加偏向20岁年轻人
还是偏向比较成熟稳重的
然后你这个菜品怎么去介绍
你怎么去 secure 一些位置给 VIP
这之间有很多 business 一些特殊的地方
你不应该过分关注于这些技术的细节
而这些细节你可能可以通过
开源的一些软件近似地达到
但是你每一个都去试
其实是很费功夫的
所以 FDE 就是比较快地
能够去 apply 一些 best practice
挑最好的东西
能够让它可以 work
而且往往我们是可以
做好几个类似的 case
所以我今天是给你做
一家饺子馆做一个餐馆
我明天给你一个西餐厅做个餐馆
但是我们可能会有行业的一些 knowhow
就知道比如说翻台率啊
或者是怎么能够比较礼貌地去拒绝客户
所以到最后有可能我们比餐馆还要懂餐馆
所以你请了这样一个专家的话
对落地来讲会更快
更有效率一些
那讲一讲这些传统行业是怎么用 AI 的吧
不光是 FDE 啊
就是你们整个公司到底是
在做一个什么样的东西
和你看到的 gap 到底是什么
你觉得这里边的机会有多大
啊对
就我们做一下小广告
就是 Cresta 是2017年成立的
所以差不多也有9年的时间
我们一直是在做 customer experience
所以一大块就是 call center 的一块
就比方说之前有人工的客服
当然现在还有了
但是人工客服就会
涉及到很多新员工培训
你要去教他说什么话
打电话进来的时候
你要做一些适当的披露
比如说啊
这个话是被录音的
或者是这个电话被 transfer 过来的话
你可能会想拿到过去的一些历史(对话)
中间有大量的事情是可以 AI 来辅助
让这个 human agent 变得更高效了
然后我们现在做的事情更多
是在这基础上把 AI 能够用好
所以并不是所有的 case
都需要真人来回复对吧
就是你可以省下一些人工
而且你可以少去很多招聘
或者是解聘的一些培训的一些 effort
就比方说像
美国或者是加拿大的这些黑五啊
这些可能是高峰期
你可能要临时招很多人
然后呢等这高峰期过了之后
你还要让他们能够去走
没有很多人真的是 enjoy
做这样一个 human agent
这样一个职责的
所以这个行业的这个
离职率其实也是很高的
但是你真的某一天掉了一张信用卡
你想打电话让人补寄一张
这个事情完全是可以让 AI 来做完
所以我们做的事情就是能够挑
哪些环节是可以让
AI 来完成这样一个 use case
然后哪些环节我们继续使用 human
所以我们 position 是一个 unified 的
一个 human 跟 AI 的这样一个平台
而且我们已经有很大的客户像
Marriott、United 用了我们产品很多年
而且一直是针对他的 call center
针对他的 human agent
那现在让他们能够多用一个产品
更多像一个 upsell
可能也更容易一些
所以他们可以挑一些
low-hanging fruit 的一些 use case
然后让 AI Agent 来做
我的这个团队
当然现在有30个人
后面可能变50人
变成100人
就是在 worldwide
当然现在以北美为主
但是我们现在在欧洲
在 APAC 也在招
把这样一个模式能够复制
能够让更多的电话
更多的 chat
能够让 AI
让这个体验变得更快
因为到最后
没有人想打一个电话
然后等个半小时听一个 music
这些体验其实都挺差的
或者是说会出现
你要打一个电话
你有两个 purpose
结果第二个 purpose
你还要继续被 transfer 过去
再等个半小时
这些事情其实都是有希望让 AI
能够让这个等待变得很短
甚至是没有等待
call center 然后去 replace 人类这件事
我觉得 of course
就是它是一个非常明显的机会
我想问一下
就是在这里边
你觉得需要 FDE 的和不需要 FDE 的比例
就是有的人啊
他对这个业务里边缺乏理解的
可能就觉得啊
我是不是做好一个产品
直接给到这个酒店老板
他直接就可以拿去用了
但是现实肯定有各种各样的问题
导致他没有办法使用
这个东西你觉得他是
一个未来迟早会发生的是
AI 聪明到一定程度呢
老板就可以直接使用了呢
还是注定的
他永远会存在一些问题
永远需要有人去解决
我觉得我们这些
technology provider 永远是可以
找到那个点是现在是有 gap
比方说现在大家很多人
就抱怨 AI 很容易有幻觉
或者是你自己做一个 rag
或者 KB 很容易延迟很高
或者是答非所问
或者是非常啰嗦
其实很多事情并不是有现成方案的
那我们可以做出一个
更接近 ready 的方案
但是最终你这个餐馆是
怎样一个菜单的结构
你希望吸引怎样的一些客人
你怎样的语气还是需要做些定制
eventually 我们并不是觉得会有那么一天
什么东西都完全自动化的
我们总归是有一部分
是需要人来做判断
涉及到你的品牌
你的一些特殊的地方
所以 FDE
现在这个点更多是让它能够 AI 落地
那有可能再过3年5年
我们有所谓的 A2A agent-to-agent
那你这个语音的 experience
已经不那么重要了
那我们那个时候可能
更多是去处理 A2A 的事情
嗯
所以我觉得这个世界发展是很快
但是目前这个点
voice AI 是被证明
甚至是 top three 的最好的赛道
然后能够利用 AI
否则你要去用这些代码生成
或者是用影视创作可能不是太 ready
但是大家都觉得 voice AI 或者是 AI Agent
是一个很明显的 business 一个需求在那边
所以我们有很好的一些 customer base
跟 technology 能够 getting almost ready
然后我们 FDE 在里面扮演
这样一个 last mile 的一个角色
但是等这个技术再继续变迁
我们可能 work on 一些别的
像 A2A 啊
或者是一些具身智能
可能都有可能需要人工来让这个 AI
补全最后一个 mile
明白 last mile 虽然听起来好像短
但是其实是必要的一环
你刚刚提到了三个 top three
在你的视角里边
你觉得应用的另外的 top two 是哪两个
一块就是 coding
所以这块不管是 Cursor、Claude Code、Codex
这些其实做了很多工作
那另外一块可能就是 multimedia
像音乐啊图片或者是视频的生成
这些当然有很大的公司花了 effort
烧很多钱在做
当然 coding 可能是一个证明
是大家很好的市场
我们 FDE 也是属于
几乎不限量的可以用 coding 的工具
你几千块钱都可以随便用
但是这个领域实在是非常的卷
你很少可以做一个玩家进去
然后呢你这些 image 生成
你的 video 生成也是
看起来 work
但其实需要大量的投入
相对来说
enterprise AI 是属于
估计你要去问100个 business owner
你可能50%以上都想要这个
why not 你如果能够让 AI 能够省人工
能够让客户等的时间更短
能够让它自动化
显然是件很好的事情
而且这个技术快要 ready
没有完全 ready
所以你可能只需要找一些合适的人
找个 vendor
然后就可以实现出来的
有 call center 的需要
但是我很难想象一个
就是我旁边的一个餐馆
它会需要这个东西吗
啊有
就是 call center 是一个
既陈旧又成熟的一个领域
那 Cresta 当然这点做得很好
但现在其实我们越来越多的遇到一些
不管是 partner 还是直接的客户
没有 call center
但它需要有个 AI 来
作为一个所谓的 AI receptionist
当你的客户或者潜在的客户
打这个电话的时候
你不需要每次都有人工来接
这个 AI 就能够像一个前台一样
说你要干嘛
我可不可以帮你约个时间
你是不是要找谁聊
你想要问什么问题
我是不是可以发一个短信
或发个 summary 给我的 owner
这个作为第一层
AI 来做个 receptionist 是一个很自然的事情
不管是牙医啊咖啡馆啊花店啊
甚至是你个人
可能很多人都想找你课代表聊事情
但是你可能先让 AI filter 一下
多少钱我想买
哈哈哈我如果要买的话多少钱
会有一个 FDE 来服务我吗
这是个真的问题
就是如果我要买的话多少钱
其实我们现在都很容易说按 outcome based
能够帮你省多少时间
然后谈下多少单子
然后收个比例就好了
嗯是可以谈的
那这确实是一个很重要的应用
然后我相信其实更多人需要
刚才我们先聊了 FDE 是什么
然后又聊了就是
FDE 存在的根本是什么
就是这个 AI
它到底对这些行业
带来了一些什么价值
我们有一些很具体的案例
然后我们也发现
就是在社区里边
也有很多同学意识到了
他知道要做 AI
他不应该去做一个
就像 coding agent 这样的技术创业对吧
就应该去做一个垂类行业
比如说有做法律的
比如说帮餐馆做的
还有帮做房地产等等等等
然后他们就会发现
我确实有技术
但是对方确实也不买账
因为对方不懂技术
所以说 FDE 在这里边听起来
就是一个比较好的解决方案
你觉得这个逻辑成立嘛
就是懂技术的同学把技术做好
然后通过自己成为一个 FDE
或者说是 hire FDE
或者说跟 FDE 合作
去把这个技术真的在
那些传统领域落地
还是说对面的那些传统行业啊
其实你这些 AI 都是一些伪需求
就是我其实用不上
这个其实是一个比较棘手
而且跟每个人的立场也相关
因为我自己之前做过创业
我知道你要进到一些
大公司的 vendor list 有多难
你可能要花一两年的时间
然后你要证明
比如说我之前做的东西是偏 streaming 的
我可能比开源的项目可能会
机器资源少一半
或者是快个四五倍 so what
但是因为你是创业公司
你的 funding 是有限的
你的成长历史是有限的
甚至你的 GitHub (star) 是有限的
你是很难 win the trust
所以如果你依然是想作为一个单干
只是说你从原先一个比较会写代码
写一个 library
写个 component
写一个 vibe coding system
想变成啊我从一个 FDE 角度
但是依然还是一个 OPC
其实还是很难的
因为这个 trust 就是很难去 earn 的
我们之所以能够去
搞定很大的一些 hotel 啊
一些银行
就是因为我们在那边时间足够久
有很好的 reputation
然后你有做大量工作去保证
你的数据是合规的在那边
然后在这基础上面再去推一个 AI Agent
然后以一个比较温和的方式
互补的方式去做的话
就比较容易成功
但你如果是一个贸贸然的一个
成立不到几个礼拜的一个公司
然后你说你有很棒的技术
然后人家是不愿意以他的
一个职业来赌在你上面
因为我们其实已经发生好几次
就是某个 CEO 、 CTO 以他的
职业作为背书来推 Cresta
就是 Cresta 甚至是他们的 AI
Transformation 的一个很重要的一部分
那如果 Cresta 到最后掉链子了
那最后变成他的这个
整个 initiative 就会走样
所以这层 trust 其实很难建立起来
所以我同意 FDE 是一个很好的
把把自己的技术背景结合
真实的业务的需求做出来
但是我自己也很 lucky
就是我只要关心把 AI Agent 做好
我不用太关心这个 fundraising
不用去关心这个 marketing awareness
那这是公司里别人做的事情
但是你最终要做成
每个方面都是需要的
嗯嗯嗯就是其实大家看到呢
可能是技术的落地
但是技术落地背后的
信任问题是更难解决的
和更需要长期的积累的
关于 FDE 的内容问的差不多了
你觉得对 FDE 这个 role 本身
或者说这个 AI 落地的机会本身
还有没有什么要补充的
我举一个相对比较感性的
不知道准不准确的一个方式
就是说 FDE 就像一个咖啡师对吧
就是你可以拿所谓意大利的辣妈
这种很贵的几千块钱的咖啡机
但是你买来之后
就算调试完了
你不见得能够做出很好的咖啡
即使你去买很好的豆子
你也不见得有这个技术
那最终不管是客户也好
其实他要的是一个 outcome
他要一个比较好的 AI Agent 这样一个体验
有些人会觉得唉
我大不了自己去买咖啡机
自己买豆子
自己买磨豆机
自己去锻炼我的拉花的技术
或者怎么样打牛奶技术
那这个事情可能可以成
但是会很花时间
而且很有 risk
如果你这个点就是想
跟你的比如闺蜜啊
或者是好基友
有一个很好的 conversation
在一个很舒服的咖啡馆
喝一杯很舒服的咖啡
你可能就是去
不知道现在 Blue Bottle 啊
或者是哪里的一个店
那 FDE 就起到这样一个作用
就是说用比较好的原材料
很好的豆子
然后用一个比较复杂的机器
然后有很好的技能
而且你甚至会跟他聊天
看他的一些心情状态是
今天比较 down 还是比较嗨
给他特调出一个咖啡出来
那他的感受就很好
那类似的话就像比如说大家所谓的
Omakase(おまかせ)这样一个日式的一个餐馆
就是你都不用问今天有什么菜
你只要相信我们
我们肯定会拿最好的技术
最好的食材
给你一个很棒的一个体验
因为到最后
这些食材就是所谓的咖啡豆啊鱼啊
对应到我们 AI 领域就是这些 model
你这些 model 其实
不是很难拿得到
就是你有的时候你可能会有些比较 tricky
比如说 Anthropic 可能一些最好的模型
号称只能少量的人才用
因为实在太棒了
那那个不知道真的假的
但是大部分情况下你是可以
只要肯花钱
是可以 access 到一些最好的模型的
但是 so what 你不见得能够
知道这个模型应该怎么用
再举个简单例子
比如说你要去有个比较复杂的一个 Mapping 关系
你到底是写成一个 Markdown 一个 table 呢
还是把它写成一大堆的 bullet points
哪个更高效
当然你可能省 TOKEN 是一方面
但是哪个执行的会更容易犯错
其实对我们来说
我们会发现
ChatGPT 的比如说5.1、5.2、5.3、5.4
每个版本都不一样
所以这里边其实有很多的细节
那 FDE 是有这样一个
足够多的时间去了解这些
AI 的一些 best practice
同时的话你又很容易察言观色啊
你跟客户有很好的关系
有些私交
然后你愿意大家一起来
试着去推一些新的方式
而且中间就算有犯错
大家也会有这个空间去做一些调整
因为 AI 本身就是一大堆概率的问题
你是很难保证这个东西永远不错
当你错的时候
你怎么能够去及时去修复
而且不要 hurt 这个 relationship
FDE 在里面其实有很强的人格魅力啊
或者是关系在里面
当然你的技术要非常过硬
这个 identity 很重要
就是 the trust 具象化其实
都是落到人身上的
而不是落到一个抽象的东西上去
所以说人在这里边的关系非常重要
然后我非常 resonate with 你这个做好
就比如说 routing resolve 这两个简单的词
你要想把它做好
这个 skill 什么时候告诉这个模型
然后怎么样子让它在
恰当时候去用正确的 context
这种东西特别特别难
这就是为什么我去写那个文章嘛
名词和动词的区别
就是动词其实是无穷精深的
就是你做下去的话
你会发现这里边东西太多了
然后名词是非常非常有限的
你基本上10分钟都可以学会一个名词
可是真正想要做好的都在动词里
但问题就是动词大家是
你不学你不知道
然后你不做你不知道
然后也很难想象
你听说一个名词
新模型然后你就说哦
我有或者没有
你脑子里很难想象
但是你说这个人的 routing 做得好
那个人的 routing 做得不好
你完全没有办法想象
这里边的功夫差的有多深
对没有错
我们真的是遇到很多千奇百怪的事情
有些能讲
有些不能讲
但是真的是
如果你本身比较 open minded 的
是愿意了解这个世界是怎么 work 的
因为其实作为个人
你很难说一年
换三次工作
去不同的餐馆或者是
旅游公司去做事情
但是 FDE 因为我们往往
一年可能做好多项目
然后每个项目都很有趣
比如说我们假设做这个牙医的项目
你可能会发现有些人
可能牙齿都已经掉了
他有些发音就会很奇怪
怎么能够去 tune 你的模型
能够让它识别出来一些词
这种事情你不是很难
但是你不知道就是不知道 right
但是我们做过几次之后就知道啊
我们有一些 flag 专门是
为这种场景来设置的对
有意思
到时候如果说可以聊的话
我可以邀请你来 Superlinear 里面来开个直播
然后跟大家讲讲这些故事
很多餐馆有一堆奇怪故事
酒店有一堆奇怪故事
牙医有一堆奇怪故事
对而且另外一个很好的事情在于
因为我之前很多年做 IBM 做 EMC
做企业软件
大家就会发现诶
这个东西只要不坏就不要改
这是一个很常见事情
尤其是做 on premise
然后呢我们现在做 AI Agent
其实我觉得这是
对我们来说是个好事情
就相当于如果你不改
你这个模型可能就不能用了
或者是说你这个 API 就不 work
所以这个世界是变得很快
就是他要不停地去 engage FDE
比方说你假设你原先用4.1
那你现在不能用4.1了
你必须要用5.x
不管你是作为20%的一个 PS Fee (服务费）
还是作为一个 new use case
新的 sow
你需要不停地去 engage
去用最好的模型
或者是用对的模型
然后去把这个事情越做越好
这不是一个一枪头的买卖
这点很重要
之前没有那么想过
yeah 就之前的所有的东西都是放在那
然后大家习惯了
这个东西就定死了
然后你哪怕有再多的 bug
其实很多时候大家都不会去推动的
就是在这里每个人都很痛苦
但是它永远是一个旧的
然后 legacy 的屎山的
然后充满问题的东西
但是不会改
但是现在因为模型它变得这么快对吧
然后成本啊
什么东西都会变得特别快
所以说它一直在不停地 refresh
这很有意思
对这就 push 大家用这个所谓 ARR 的一个
subscription 一个 model
这可能对 VC 来讲
对公司来讲都是很喜闻乐见的
那客户因为他用了模型
我们甚至是不提供任何 on premise 部署
只能用 SaaS
加上你这个 SaaS 也会用
比如最好的 voice engine 啊
最好的 whatever 一些 model
所以这就变成一个很自然的一个 ARR
就不会客户整天问说啊
什么时候能够在我这边装好
然后我就可以甩掉你不会的
就他甩不开我们
接下来想问的就是
什么样的同学适合 FDE
然后 FDE 的 day to day 是什么样子
你在招聘的人是一个
什么样的人才画像
自我推荐下就是我在比如说 LinkedIn
或者是我自己也有一个 Podcast 在
采访一些 FDE 的一些从业人员
如果我没有足够多的
对外采访的一些机会
我就可能就采访我内部
比如说我现在有30个人
一个一个采访也足够很多期了
大家可以有这样一个意识
就是说 FDE 本身是一个对这种
主动性 agency 要求很高的一些人
所以我现在这个点是
并不放心招 junior 的
所以 FDE 是需要工作3年以上
然后本身就是一个很好的 engineer
那如果他做过自己公司
founder, co-founder
founding engineer
很好
如果你做过 consulting
做过一些 customer facing
你在这个 customer communication negotiation 这方面
win trust 方面其实没问题
那另外一方面就是他需要做过 AI Agent
因为这个其实也是
属于我比较着急的地方
就是说我这边能够很容易招到
看到大量的简历
大家上面写的我是一个 AI engineer
我很会用 Claude Code
我很会用 Codex
这不废话嘛
就你现在这个点
任何一个 engineer
如果你不会用 Claude Code
就像不会打字一样
就没有意思
就是你必须要会做 AI Agent 才有意义对
那个在简历上和精通 Excel 是一样的
对啊所以我们需要你会
比如说做过一些 AI Agent
不管是开源的像 LangChain 啊
一些 CrewAI 啊
或者是你做过一些 RAG
当然如果你做过一些 voice 相关的更 ready
这样的话
快的话你可能进来第二周第三周
就已经 forward deploy 到某个地方去了
所以我们对这些招聘的话
更多看重他的一些 singularity 呀
有一个问题就是我那个
knowledge bank 写了 AI 产品的6个层次
我都不算你用 AI 做了一个跟 AI 没有关系的产品
我是说就是你用 AI
然后这里边有 AI 的产品的6个层次
有没有看那个文章
啊你可以 refresh 我一下
就第一个是 prompt wrapper
然后第二个呢
是 grounded AI
就是带知识的 AI 应用
第三个呢
是 tool-using AI
能调工具的 AI 应用
第四个呢
是 LLM workflow
固定流程里的 AI
第五个呢
是 agentic core
就是有一个智能体核心
然后 AI 可以 plan-act-observe
update state-continue stop
自己决定下一步并循环执行
第六个是 AI native product/system whatever 吧
就是 AI 它可以有低摩擦交互
上下文智能、记忆、权限
主动触发、评估、guardrail、runtime
是这样分的
我们现在项目或者是我这边看的 candidate
大概到 level four 差不多就可以了
因为这个涉及到我们做
比如说以 voice AI 的话
尤其是做客服这样一个背景
其实你不见得需要
这个 AI 去做很多 research
做很多 proposal
啊我这边有3个方案
你觉得哪个方案比较合适
很多时候就是你该退票退票
该 refund refund
不能去问客户说我这样做对吗
我给你应该50%refund 30%refund
所以我们更多其实是要很清楚知道
你怎么去拿这些 knowledge base、SOP
然后有个低延迟
然后你要做一些 tool call
所以可能在 level four 对我们来说更切合一些
当然我们有些别的产品
在Cresta 是一些做深度 research
让主管能够通过一个简单问题
能够拉出一个100页的一个 PDF
带很多图表
然后让他知道现在有哪些改进的空间
但是对 voice AI 来讲
我们更多是看到第四层就可以了
要把 AI 用好
然后有经验有 agency 很重要
还没有其他的就是画像
你的沟通能力
你跟客户的这些 engagement
你是如何 win trust
你怎么去 solve 一些 conflict
你怎么去 drive 一些事情
当然很少有人会去面 CTO 了
但我可以想象
就这些其实是一些比较全面的一些点
能够证明你不光是一个好的 coder 也好
programmer 也好
这个其实已经不重要了
更多是说你很清楚你要怎么去 make things happen
以一个技术人的方式
所以这边我们会有很多人的面试
有些是偏技术的
有些是偏 behavior 的
包括跟我们的 FDPM 的一些
配合度都会有一些考量
包括我们中间可能会有一个环节
就是让你放开
你随便用
就是你用 Claude Code
用 Cursor 都可以
能够在90分钟内
基于我们给的一些 API
给的一些 knowledge base
能够做出一个 agent
而且证明这个东西是高质量的
如何去设计你的 test eval
甚至是 handle 一些 edge case
那你就能够相对比较具体地
看到你在这块的一些熟悉程度
而不是说道听途说的
或者做一些 toy project
追问的一个问题啊
就是 win trust 这件事特别重要
但是很多人会就会
不会就不会
你觉得有什么样的人
技术其实是合格的
但是他就很难 win trust
你觉得这些能 win trust 的人
他到底有什么特质
这个可能是一个比较主观的话题
那如果有人经历过很多失败的经验
对我来说其实是一个很好的事情
他如果能够把他过去的一些 lessons learned
讲出来他在哪个场合
是不是所谓言多必失啊
或者是太早的 jump to conclusion
能够失去一些 trust
还是说他能够去从客户的角度
揣测出他的很多 motivation
一些明显的
一些不明显的
然后去把你这个 proposal
以一个比较好的角度去切入
能够站在他的角度
甚至是让对方来 present 这样一个方案
而不是说你强行 say no
或者是强行去推
中间其实有很多细节地方
所以这也是为什么如果
大家做过一些 co-founder
founding engineer 的话
这边的锻炼会更多一些
当然像这些 consulting 背景的人
其实也是做过非常好的
一些系统型的训练
这也是我这边
喜闻乐见看到这样一些背景
但是还是有很多人
确实天赋异禀
他本来就是能够
很聪明地去学很多东西
在沟通过程中能够去
把握住对方哪些是假信号
哪些是真实的需求
哪些是不好意思说的
那能够找一个比较好的角度
把自己的这个 idea 能够 plant 进去
然后让他说出来
这会是一个蛮有趣的一个点对
没有一个很客观的方式哈哈
那我刚听下来
或者说我自己之前就有一个 idea
就是真正能得到对方 trust 的人
第一个是他愿意 listen
并且能站在对方的角度去思考
第二个呢
就是他自己在这里边的 EGO 不要大
就是他会就会
不会就不会
他是为了把这个事情做好
如果说对方 sense 你
就是你特别在乎自己的 EGO
或者说自己对不对
但不在乎这件事本身的话
对方就会比较不 trust 当然了
就是你自己 technically solid 也很重要
就是你不能啥都不懂
或者说有很大的知识盲区
这个也不行
很有道理
有些很明显的事情
就比方说如果有个面试
我问一个问题
对方给了我一个6分钟10分钟的回答
我觉得基本上就是一个 red flag
你没有一个很好的一个沟通
你不知道这个信息力度在怎么样子
你怎么能够去激发对方的一些 echo
你有的时候你列出10个点
你还不如讲两三点
就是很多东西其实 common sense
但是如果大家太痴迷于
把我想的东西一股脑倒出来的话
这个本身不是一个很好的 FDE 的一个 signal
嗯嗯嗯
就这些技能吧
不管大家要不要做 FDE
其实都是非常重要的
只不过在大公司的这种分工的情况下
有的时候你不需要去
deal with 那些 complexity
然后你就反而没有这些技能
似乎也能活得很好
但是我觉得时代
越来越不是这个时代了
不管要不要做 FDE
这些东西都挺重要的
尤其大家可能现在有一些 concern
是说我作为一个纯前端纯后端
哪怕是个 full stack
你有几个月还是几年的时间能够被 AI 取代
那我觉得 FDE 是属于是个港湾
一个避风港
哈哈因为这边是有很多人的成分 对
很难被 AI 取代
对 非常好的 transition
就是一方面他要跟人打交道
另一方面就是我在视频里边
其实也反复强调的
就是过去我们是为 skill
有了一个 skill
然后你就可以生存
现在是不行了
现在这个 skill 其实是
大规模的被取代了
但是你可以为结果去负责
只要你能去越来越近的接触结果
其实你就越难被取代
因为这个结果最后
AI 是没有办法去为这个结果担责任的
因为换个 prompt 它就说了另外一句话
还是需要人去为这个结果去担责任
对 没错到最后我们就需要有这些
能够 make 很好 decision 的人
能够很 smooth 地跟客户
一起把这个事情做成
到最后到底是你的方案
还是他的方案无所谓
其实只要做成就可以了
你不要有很强的 EGO 对
嗯 你觉得我还有没有什么
就是没有问到的东西
你想跟大家分享的东西
对我觉得可能还有一个话题
可以稍微讲一下
就是因为我们也还有一些
不管是朋友还是观众是在国内
那国内不管是像金蝶啊
很多公司对这块其实是有很多的顾虑
FDE 这样一个模型
当然国内也很愿意去
比如说有个方式说你抄了这个东西
肯定能够像 Palantir 那么成功
当然都会抄
但是国内本来就可能人工不是那么贵
而且 ToB 的市场也可能会比较 tricky 一些
我自己也在国内的一些群里面
大家对这块其实是持很大的观望
不管是唱衰啊
还是觉得诶我们
应该要到 FDE 这一天
但现在还太早啊之类
我的观点也是说
你这个橘子种哪里是很相关的
在北美的话
因为人工本来就很贵
大家对结果买单的
这个需求是比较强的
你这个 SaaS 也比较成熟
所以这些东西加在一块的话
就会让 FDE 模型
尤其在 AI Agent 这块
就比较容易落地
至于这个如果是一个数据库实施
还是做一个数据清理
还是做一个政务相关
FDE 就不适合那么复杂的形式
那个 way more than can cover
我也很心疼国内的从业人员几秒钟
只能说 FDE 在北美是一个相对来说
比较成熟或者是有效的方案
但是在国内还很难讲对
国内 SaaS 好多好多问题
其中最重要的问题
就是没有 enterprise 市场
哈哈没有客户
国内其实没有什么特别大的大企业
或者说很多的大企业
好好好非常感谢
yeah～感谢各位代表
祝大家在 AI 世界里面乘风破浪
不管是做 FDE 还是做别的
谢谢谢谢
感谢拜拜