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。
帮一家出海公司做内容增长:批量产出爆率高的内容。
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)。
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。
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」。
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。
效果不好,是不是模型不够强?是不是提示词没优化?
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。
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)。
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。
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。
| 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。