Q1：作为FDE，你应用AI的具体场景是什么？在这个场景下遇到的具体问题长什么样？
我做的这个案例，客户是一家美国前三大的电信运营商。我们面对的是他们非常日常的一类工作：分析网络数据，回答网络到底发生了什么。
比如，一个很典型的问题就是：现在到底哪个基站坏了？为什么会坏？它的影响有多大？
客户手里有大量网络数据，包括基站、网络等基础数据。过去，这些数据主要还是由数据分析师、数据科学家人工处理。他们可能需要自己写SQL，甚至进一步建立机器学习模型，从数据里寻找问题，再把分析结果整理出来，给经理或者管理层看。
这件事情真正麻烦的地方，在于分析这件事本身太依赖人工，而且问题永远在变化。
一方面，它非常耗时间。一个新的分析需求出来之后，可能需要一两个人，甚至两三个人一起讨论、写SQL、分析数据，最后才能得到结果。
另一方面，它也存在人为错误。SQL一旦写到上百行甚至几百行，中间就可能出现问题。我们在后来的项目中，就发现过一些看起来正确、实际上取错了数据的情况。
还有一个很重要的问题，是传统仪表盘很难真正满足这种需求。
因为领导或者分析师拿到一组数据之后，很自然会继续问：“那如果我把这批人筛出来呢？”“如果换一个条件呢？”“这组数据到底意味着什么？”
仪表盘更适合回答预先定义好的问题，但现实中的数据分析往往是不断追问的。客户真正需要的，其实是一种可以围绕数据持续追问的交互式分析方式，一个静态报表远远不够。
所以从FDE的角度来看，我看到的问题在于：客户已经有数据、有分析师，也有很多AI工具，但这些东西还没有真正组合成一个可靠的业务流程。
这也是为什么我会认为，Agent好不好做不是关键。真正难的是，你能不能把它做成一个业务真正敢用、愿意持续用的东西。
Q2：在你参与之前，这个问题过去是怎么解决的？
平心而论，过去这套人工分析的办法是走得通的，也不能简单说传统方法“不好”。
最核心的方式就是人工分析。分析师拿到数据以后，自己写SQL、跑模型、出报告。对于相对固定的问题，这种方式其实很有效，而且分析师能够结合自己的业务经验判断结果。
后来客户也尝试过一些自动化方式。比如，他们尝试通过仪表盘自动生成报告，希望减少人工工作；也尝试过直接用一些Agent框架去解决问题。甚至在我们介入之前，他们自己已经搭过一个Agent。
但问题很快就暴露出来了。“能跑起来”和“可以生产使用”，是完全两回事。
客户自己做的Agent，可能就是给模型一个提示词：“你现在是一个数据分析师，我给你这些数据，请帮我分析。”
看起来非常合理，但真正跑起来以后，结果往往并不令人满意。即使底层用的是很好的模型，也不能保证最终输出符合业务要求。
更麻烦的是，有些方案把问题归结成“大模型本来就是不确定性的，所以答案不一样很正常”。
我并不认同这种说法。如果我是一个企业老板，我问一个Agent两遍“我们公司哪个班的成绩最好”，我希望它在数据没有变化的情况下告诉我同一个人。模型本身具有随机性，不代表我们做出来的业务系统就必须是不稳定的。
所以我们真正需要解决的，是怎么设计一个系统，让模型能够在业务流程里被可靠地使用。
Q3：后来你使用AI解决这个问题的整体思路和关键步骤是什么？
我做这个项目时，先做的第一件事是搞清楚三个问题：客户到底要什么输入？最后需要什么输出？中间到底发生了什么？
因为如果这三个东西没有搞清楚，Agent写得再漂亮也没有意义。
第一步，重新梳理原来的分析流程。
我们把原来的数据分析过程拆成比较细的不同组件，再重新考虑每一个环节应该使用什么方法、什么结构，最后再把这些组件重新组合起来，让整个Agent的输出尽可能达到客户要求的结构和质量。
第二步，把Agent定位成一个可以反复运行的业务系统。
我们没有把它做成一个“会聊天的分析师”，而是把它当作一套业务系统来设计。
比如说，客户问一个网络问题，系统需要能够理解问题，然后处理对应的网络数据，再进行分析，最后给出结构化结果。
这中间每一步都需要考虑：数据是不是对的？分析过程是不是可靠？输出格式是不是符合要求？如果同一个问题重复执行，结果是不是稳定？
所以我们最终交付的，从客户角度看可以理解成“一个Agent”；但从我们的角度，它实际上是一个可以被反复使用的Agent系统。
第三步，考虑如何让它可扩展。
客户往往有几十甚至上百个分析师。如果每个人都单独装一个Agent、单独维护一套东西，这个方案很快就会失控。
所以我们还需要考虑如何把Agent放到云端，让它能够被统一控制、监督和使用，同时让不同用户共同产生的数据和经验能够反过来提升系统，包括记忆、语义层等能力。
第四步，尽量不改变客户原来的工作习惯。
我并不认为AI落地一定意味着员工必须重新学习一套复杂的系统。
如果架构做得好，它完全可以嵌入原来的使用方式。客户原来怎么使用，就继续怎么使用。可以通过网页应用，也可以通过Teams、Slack，或者其他已有的框架去调用。
在这个案例里，我们最后让客户继续以聊天的方式使用它。这其实是我理解的FDE很重要的一点：想办法让AI进入客户已经存在的工作流。
Q4：相比传统方式，使用AI后的实际效果如何？
变化首先体现在时间尺度上。
以前一个新的数据分析问题出来以后，可能需要一个人甚至两三个人一起工作，而且是按天计算。
现在很多分析可以在分钟到小时级别内跑完，先得到一份比较完整的数据分析结果，再由人工做最后的质量确认。
我觉得这里不能简单理解成“AI替代了几个分析师”。
真正的价值在于，原来大量时间被消耗在重复的数据处理和分析过程中，现在这些工作可以先由Agent完成。分析师不需要从零开始，可以站在AI已经完成的结果上继续判断。
同时，AI系统还可以减少人工分析中一些容易出现的错误。
当然，我们并没有把人工审核彻底拿掉。因为企业真正需要的，是把人的时间从大量重复劳动中释放出来，集中到更需要判断的地方。
另外一个效果，是交互方式发生了变化。
过去仪表盘更像是“我提前把问题定义好，然后给你看答案”；现在则可以围绕数据继续追问。这对于电信网络这种数据量大、问题变化快的业务来说，其实比单纯生成一张报表更有价值。
而且从架构角度，我们交付的是一个可以长期运转的Agent系统，所以它的价值在于逐渐进入客户日常的数据分析工作。
Q5：在部署AI过程中，是否遇到了新问题或挑战？你是怎么解决的？
这个项目里最大的挑战，恰恰是很多AI演示不会暴露出来的东西：稳定性、准确性、成本，以及规模化。
很多人做Agent，第一阶段很容易成功。你给它一个问题，它能回答；换一个问题，它也能回答。于是大家会觉得这个东西已经做好了。
但一旦进入生产环境，问题就来了。比如，同一个问题反复问，答案是不是一致？数据分析过程有没有出现错误？SQL有没有写错？如果用户数量从一个人变成几十上百个人，成本还能不能接受？
这些问题，才是真正决定一个Agent能不能落地的地方。
第一个挑战，是稳定性与准确性。
稳定性尤其明显。前面说过，很多人把模型随机性当成“结果不稳定很正常”的借口。
但我们的做法，是通过系统设计，把这种随机性放进一个相对可控的业务流程里。就像汽油本身不稳定，但汽车工程的意义，就是让汽油可以安全、稳定地驱动车辆。
第二个挑战，是成本。
成本是一个很现实的问题，包含多个层面，“调用模型多少钱”只是其中之一。
如果一个团队不知道怎么做Agent，可能为了调试一个东西花几千美元；但一个真正有经验的人，可能用十几、二十美元级别的成本就能完成同样的调试。
而进入实际使用以后，还有长期运行成本。如果架构设计得不好，就像一辆漏油的车，你根本不用谈省油，因为油一直在往下掉。
第三个挑战，是对客户业务的理解。
如果没有真正理解客户的业务问题，你可能一开始方向就错了。再加上如果对整个AI生态、数据能力、云能力以及软件工程缺乏理解，就很容易出现“手里只有一把锤子，所以什么问题都拿锤子解决”的情况。
所以我一直认为，真正能够做好这类工作的FDE，不应该只是懂某一个模型或者某一个工具的人。
Q6：根据你的经验，我们怎么才能更好地把AI部署到实际业务中？
关于怎么把AI部署到实际业务中，结合这次项目，我想强调几点。
第一，理解客户。
客户到底在解决什么问题？真正的痛点是什么？哪些东西值得自动化？哪些东西不应该自动化？如果这些问题没有搞清楚，后面的技术选择都没有意义。
第二，不能只懂一个AI工具。
我经常会说，如果你只知道自行车，那么你看到一个很远的地方，就只能想办法骑自行车过去。但如果你同时了解汽车、飞机以及其他交通工具，你才能真正判断什么场景应该用什么工具。
对于企业AI也是一样。你需要同时理解AI、数据、云，以及基本的软件工程能力。尤其是当你面对的是一个具体业务问题时，你不能因为“我最熟悉这个工具”，就强行把问题往这个工具上套。
第三，不要把“能跑”当成“能落地”。
现在做一个Agent并不难，难的是把它做成生产就绪。
它要稳定，要可重复，要控制成本，还要能够进入客户原来的工作流。如果客户有几十、上百个用户，还要考虑怎么统一管理、监督和迭代。
所以FDE的价值，在“把工具部署进去”之外。
如果是比较严格意义上的FDE，它既需要有扎实的技术能力，也需要对客户那些没有被明确表达出来的需求保持敏感。技术能力和软能力，两方面缺一不可。
最后，不要迷信FDE这个名词。
现在国内把FDE这个概念讲得很宽，从AI咨询到方案设计，再到真正的部署，都有人称自己为FDE。但无论叫什么，最终还是要回到一件事情：你有没有真正用过这些工具，有没有在自己的场景里解决过问题。
以前Excel也有类似的“客户成功”或者技术支持角色，有人教你怎么用VBA、怎么把复杂功能用起来。今天换成了Claude Code、Codex、Agent等新工具，本质上并没有发生特别神秘的变化。
真正的区别，只是工具越来越复杂，而一个普通用户往往只会使用它最表层的功能。
一个真正懂这些工具的人，价值就在于把那些普通用户不知道的“下一层、再下一层”能力带进实际工作里。
所以，用一句话来概括这次经验，我会说：FDE的使命，是把AI真正变成企业正在使用的工作方式。