AI FDE 工具栈：模型、评测、数据与生产交付

按部署层构建 AI FDE 工具栈

不存在一个单独的“AI FDE 工具”。Forward Deployed Engineer 会根据客户工作流、数据边界、风险等级和生产环境选择组合。先理解类别，再选择品牌，这样模型和供应商变化时，交付判断仍然可以迁移。

模型与推理层

理解模型 API、SDK、结构化输出、流式返回、工具调用、多模态输入、限流、延迟、成本和模型版本变化。不要只看排行榜，要用代表真实任务的评测集比较供应商。对模型不能猜测的规则保留确定性控制。

检索、数据与工具

生产 AI 经常依赖客户知识与操作系统。学习文档摄取、搜索、向量、权限感知检索、SQL 与 API 工具、队列、对象存储和数据血缘。工具权限应当最小、可审计、可回退。

智能体与工作流编排

只有任务真的需要规划、工具选择、记忆或长时间执行时才使用智能体循环。明确预算、超时、停止条件、人工审批和会话边界。越简单的工作流通常越容易评测和运营。

全栈产品交付

AI FDE 仍需扎实的软件工程工具：TypeScript 或 Python、前端框架、API、认证、数据库、测试、CI、云部署和可观测性。Codex、Claude Code 等编码 Agent 可以提速，但范围控制、代码审查、测试和生产证据不能省略。

评测与可观测性

选择支持版本化数据集、可重复评分、人工复核、调用链追踪、延迟和成本分析、失败聚类与生产反馈的工具。把技术质量与工作流影响和采用连接起来；没有评测，每次提示词修改都只是意见。

安全与治理

使用秘密管理、最小权限身份、数据分级、审计日志、内容控制、故障响应和保留策略。重点审查提示词注入、数据泄露、不安全工具执行、过度授权智能体和供应商合规要求。

上线与协作

最后一层包括产品分析、支持渠道、文档、培训、功能开关、实验和反馈收集。这些工具帮助客户团队在 FDE 离开后继续采用并拥有工作流。

下一步可以浏览 AI FDE 工具目录、按 学习路径 训练，并在 AI FDE 在线考试 检验选择。