深蒸馏 · 企业 AI 原生转型

打造 AI 原生组织的思路(FDE 在干什么)· 深蒸馏(09)

抖音短视频 | 2026-05-24 | 6.1 分钟 | 已深蒸馏 9 / 30 | 2 组 · 2 表
来源:原视频 | VA7(抖音)| 2026-05-24 | 6.1 分钟 / 约 2.1 千字转写
直链(在飞书/企微预览里点击可能被拦截,复制到浏览器打开):https://www.douyin.com/video/7643312319997907625
阅读路径:用自家 FDE 的案例讲清这个岗位到底干什么。第一组是 AI 内容工厂的三步拆解(涨爆款/拆爆款/复刻爆款);第二组是最有价值的部分——客户以为是模型问题,进场后发现不是。
一句话结论:FDE 的价值不在写 prompt 或调模型,而在把一个模糊的业务目标拆成可执行的工程流程,并把数据与 skill 对齐;demo 谁都能搭,业务成果要靠这一步。

第一组 · AI 内容工厂:把一个玄学目标拆成三个动作

1.1 目标

帮一家出海公司做内容增长:批量产出爆率高的内容。

1.2 拆解

拆到底层只有三件事:涨爆款(找到已爆的)、拆爆款(拆出结构)、复刻爆款(按结构批量产出)。

1.3 为什么简单却又难

搭 demo 把流程跑通非常容易,vibe coding 就够,不需要 FDE。但放到真实业务里要出成果,是另一件事。

原文在说什么

他把「做内容」这件被认为是创意活的事,拆成了可工程化的三步。拆解本身不新鲜,新鲜的是他明确区分了「跑通」与「出成果」。

关键概念
对你的实际应用

你的报告也可以这样拆:找信号(哪只标的异常)、拆信号(为什么异常)、复刻判断(写成规则)。现在的浮卡做了前两步,「复刻」还靠人——规则写死之后就无法学习。

第二组 · 客户以为的问题 vs 真实的问题

2.1 客户的假设

效果不好,是不是模型不够强?是不是提示词没优化?

2.2 FDE 进场后发现

拆完数据发现,问题在他们做的各种 skill 与 prompt engineering 上——不是模型。具体是哪一层(数据口径、skill 边界、评估标准)原文没有逐条展开,但给出了方向。

2.3 这解释了 FDE 的定价

因为工作量大头在拆数据、理流程、对齐 skill,而不是写提示词,所以按「一个 agent 多少钱」报价必然失真(见 07)。

原文在说什么

这一组的洞察是:当效果不好时,人第一反应总是怪模型;但绝大多数落地失败发生在模型之外——数据、流程、skill 边界。这也是整个系列反复出现的判断。

关键概念
对你的实际应用

你的报告出错时也有同样倾向:先怀疑数据源,实际上多数是口径与结构问题(比如净值只拿 20 期就参与计算)。定一条排查顺序:先看数据完整性,再看口径,最后才怀疑源。


与在用工作的关联

这条里的什么对应你手上的什么具体怎么用
三步拆解报告=找信号/拆信号/复刻判断前两步已有,补「复刻」=规则化
跑通≠成果报告能生成≠有人用用采用次数衡量,不用生成成功衡量
怪模型出错先怪数据源排查顺序:完整性→口径→源
skill 边界脚本职责混在一起一个脚本只做一件事

原文:VA7《打造AI原生组织的思路》,2026-05-24,6.1 分钟。

本篇依据:全程转写约 2.1 千字。AI 内容工厂三步、demo 与业务的区别、客户归因于模型而实际在 skill/prompt 层均为原文表述。

更正与边界:原文对「具体是哪一层出问题」只给了方向,没有逐条列出,本篇没有替它补细节。

定位:中文深蒸馏,不是逐字摘要。标「对你的实际应用」的部分是我的分析。