SYSTEM ROADMAP
系统化 FDE 学习路线图
这里不是课程目录，而是 FDE 能力地图：解释为什么要学 AI 工具、交付闭环、企业判断、行业场景和模板资产。具体上课入口在 Learn。
四层能力架构
01 基础层
理解前端、Git、API、数据文件和部署的基本概念，重点是会用 Codex、Claude Code、Antigravity、Cursor 读项目、改页面、跑命令、查错误。
02 交付层
把需求澄清、Prompt to Product、Agent 工作流、Demo、README、测试清单和演示脚本连成一条可交付链路。
03 企业层
学习企业现场常见概念：数据来源、权限、安全、日志、评估和回滚。目标不是成为云架构师，而是能指挥 AI 工具完成可验收交付。
04 行业层
把跨境电商、文旅、教育和企业 AI 转型诊断做成可复用行业实验室，每个行业都有案例、数据、Prompt、Demo 和评分标准。
COURSE ENTRY
如果你已经理解能力全景，下一步进入 Learn，按阶段完成课程和项目。
进入学习路径 Diagnostic Mindset：FDE 的三问
01 事实来源在哪里？
如果核心数据只在某个人的 Excel、微信群截图或本地 ERP 导出里，项目风险已经出现。FDE 要先确认数据来源、责任人、更新时间和可信度。
02 不做这件事的代价是什么？
如果没有明确代价，项目很容易变成好看的 Demo。FDE 要问清楚它影响收入、成本、时间、错误率、体验还是合规。
03 第 2 天谁来维护？
上线之后谁看日志、谁改 Prompt、谁补数据、谁处理投诉？没有内部 owner 的 AI 项目，通常会在 FDE 离开后失效。
Forward Deployment Discovery Checklist
组织与政治
- 项目 Champion 是谁？谁真的愿意推动试点？
- 潜在 Blocker 是哪个部门？IT、法务、财务还是业务主管？
- 成功指标是什么：更快响应、更高转化、更低错误率还是更少人工？
数据与安全
- 数据分级是什么？是否包含个人信息、客户资料、合同、财务或敏感业务数据？
- 数据如何进入系统：本地 Excel/CSV、ERP 导出、数据库只读账号、飞书表格还是 API？
- 是否需要脱敏、最小权限、访问日志和人工复核？
基础设施
- 先让 AI 工具基于样本文件做数据审计，还是已经有安全的企业数据接口？
- 最小可行架构是静态站 + API，还是阿里云/本地服务 + 数据库？
- 能否让 Codex、Claude Code、Antigravity 或 Cursor 帮你检查构建、环境变量、日志和回滚步骤？
AI 与评估
- 有没有 Golden Dataset 或历史样本用于评估？
- 工具调用路径是否可追踪？失败时能否回放？
- 上线前谁验收？上线后如何发现模型退化、幻觉或数据漂移？
Case Study 参考
Palantir: Dev vs. Delta 理解 FDE 角色的起源故事：FDE 的价值在于连接产品能力和客户现场 Delta。OpenAI: Customer Stories 观察 GPT 如何进入企业知识、法律、金融、研发等复杂工作流。Google Cloud: Architecture Center 学习企业架构分类：AI/ML、数据分析、数据库、网络、安全、监控和混合云。Anthropic: Evaluating AI Agents 把 Agent 从“感觉可用”推进到可测、可解释、可上线验收。
Artifact Templates
TEMPLATE LIBRARY
完整模板集中放在 Artifact Templates 页面，避免同一批模板在 Roadmap、Resources 和 Templates 多处重复维护。
Open Artifact Templates