我们从 AI 生产飞轮理解 FDE：客户现场、业务上下文、模型能力、工具链和交付反馈不断循环。FDE 不是单纯写前端，也不是临时帮客户调模型，而是把需求、上下文、Agent、部署、评估和复盘连成可重复运转的系统。
本页以 FDE FAN 的第一视角讲解知识：先讲概念，再讲方法、图表、训练任务。底部保留参考来源，方便继续阅读。
| 知识层级 | 我们要掌握什么 | 训练产物 |
|---|---|---|
| 核心论点 | AI 交付正在从单次项目进入可循环的生产飞轮，FDE 是把客户现场反馈送回产品和模型系统的人。 | 把 FDE 训练成飞轮运营者，而不是一次性 Demo 执行者。 |
| 角色变化 | AI 可以自动化部分配置、代码生成和文档生成，但现场语境、优先级判断、上线责任仍需要 FDE 承担。 | 训练学员判断哪些事情交给模型，哪些事情必须人工确认。 |
| 组织意义 | 企业真正需要的是能把经验、评估、模板和交付机制沉淀下来的团队能力。 | 每次项目必须输出复用资产。 |
| 风险提醒 | 如果只追求模型能力或 Demo 速度，飞轮会断在上线、监控和复盘环节。 | 评分标准要覆盖日志、测试、回滚和复盘。 |
FDE 的价值来自反馈速度：越靠近真实业务，越能发现模型和产品之间的缺口。
AI 让部分部署工作自动化，但不会消除现场语境、边界判断和上线责任。
我们训练“飞轮意识”：每次交付都要沉淀 Prompt、测试集、日志、模板和复盘。
| 层级 | 含义 | FDE 产物 |
|---|---|---|
| 输入 | 客户现场、数据、约束、成功标准 | 访谈表、资料清单、验收口径 |
| 编排 | Prompt、工具、Agent 状态、人工确认点 | 工作流图、测试路径、失败回退 |
| 反馈 | 日志、用户反应、错误样本、上线复盘 | 改版任务、评估集、交付文档 |
“FDE-optional”容易被误读成企业不再需要 FDE。我们更准确地理解为，AI 让许多原来由 FDE 手工完成的部署动作变成可自动化组件：生成代码、整理文档、配置工作流、解释日志、批量改版。但当系统进入真实业务环境，仍然需要有人判断上下文是否完整、边界是否清楚、客户是否真的接受、结果是否能被业务验收。FDE 的工作对象从“亲手做每一个部署动作”，升级为“设计一个能不断吸收反馈的交付系统”。
我们要把每个项目拆成六个回流点：需求澄清回流到模板，Prompt 失败样本回流到提示词库，用户操作问题回流到前端交互，Agent 失败路径回流到工具编排，部署事故回流到运维清单，客户复盘回流到下一版项目任务。只有这些回流点存在，AI 才不是一次性加速器，而是能持续提高交付质量的飞轮。
我们要明确地区分 FDE 与普通 AI 工具课。普通课程教“如何使用工具”；FDE 训练必须教“如何把工具放进真实生产流程”。因此首页和课程页应强调部署链接、测试集、README、演示脚本、验收清单和复盘报告，而不仅是炫酷界面或 Prompt 技巧。
诊断 Agent 不能只生成一份报告，还要把访谈、画像、报告、后续任务和复盘连接起来。用户每说一句话，都应该进入画像和机会地图；每次报告生成，都应该留下可追踪字段；每次建议，都应该能转成项目任务和验收条件。这样诊断工具本身就是一个 FDE 飞轮案例。
本课训练目标
我们要把每个项目都训练成一个小飞轮：需求澄清、Demo、部署、观测、复盘、再交付，而不是一次性页面作业。
把一个已完成的项目拆成六个回流点，并写出每个回流点的可复用资产。
为企业诊断 Agent 增加一张“飞轮日志表”：记录输入、模型判断、人工确认、输出和复盘。
用 README 写清楚下一个 FDE 接手时应如何继续迭代。
HFS Research. The FDE-optional AI flywheel starts to spin. https://www.hfsresearch.com/research/fde-optional-ai-flywheel-spin/. Accessed 2026-06-28.