【FDE知识库】（2）：AI 这么强，软件工程师的出路在哪，架构师+AI是≈ FDE 的技术底座，还需要了解更多业务需求

【FDE知识库专栏】https://blog.csdn.net/freewebsys/category_13221845.htmlAI 这么强软件工程师的出路在哪一句话结论代码正在变成廉价品稀缺的是定义问题、“算清成本和敢背责任”。出路不是跟 AI 比写代码而是把 AI 变成自己的产能站到它够不着的地方——存量系统、真实场景、验收标准、最后一公里。一、先把认知摆正AI 让写代码的边际成本趋近于零但软件的边际成本没有趋近于零需求澄清、数据治理、上线、运维、背锅一样都没变便宜。历史上编译器、框架、云服务每一次降门槛结果都是软件变多而不是工程师变少。这次大概率也一样但分层会重新洗牌。被压缩的是照着文档实现这一层被抬高的是知道该做什么需求知道做成什么样算对验收知道用多少钱做出来成本出了问题谁负责责任所以别问我会不会被替代问我手上有没有 AI 拿不走的东西。我的答案老系统的业务细节 客户现场 数据 交付信誉。二、五条能走的路按我自己能落地的顺序存量系统 AI 化——把已有的系统当成资产去改造而不是重新造。低成本 AI 部署——会算成本、能把成本压下来的人在这个阶段非常值钱。提供需求——从接需求变成出需求这是最难也最抗替代的一层。端到端交付——AI 能力 现有系统 客户场景打包成可验收的解决方案外包/集成。内容与影响力——公众号/视频/教学本质是低成本获客渠道不是主业但要养着。注意这五条不是并列选项是一条链懂场景 → 能出需求 → 能做 AI 化 → 能低成本部署 → 能端到端交付 → 有内容带客。三、现有系统怎么AI 化3.1 先分类不是什么都要 AI 化类型特征处理方式信息搬运 判断看文档、写摘要、分类、抽取、解释、生成优先 AI 化强一致 / 强事务记账、对账、撮合、权限、计费不要 AI 化最多让 AI 做建议硬规则风控阈值、合规校验规则引擎为主AI 只做异常解释手工重复劳动报表、导出、整理、巡检先脚本化再 AI 化判断标准就一句出错代价低 频率高 有标准答案 → 上 AI反之先别碰。3.2 三层落地路径从轻到重读Read检索增强。把系统里的文档、工单、历史记录接进模型先只做问答/摘要/解释不改任何数据。写Write工具调用。让 AI 通过受控接口执行动作查库、生成报表、建单所有写操作必须走白名单接口 可回滚。闭环LoopAgent 评测。多步任务自动跑但要有人工抽检、失败兜底、成本上限。3.3 上线必须带的三件套可观测每次调用记录 输入/输出/模型/耗时/成本/是否被采纳。可回滚AI 的结果要能一键关掉退回人工流程feature flag。评测集自己业务场景的 20~50 条标准题改 prompt/换模型前后都跑一遍看掉点。3.4 先跑影子模式AI 在后台跑结果只记录不生效和人工结果对比一两周。数据攒够了、准确率可接受了再逐步放权先只建议 → 再一键采纳 → 最后自动。没有影子期的 AI 化基本都会被业务方一句话打死。3.5 落到我自己的项目上举例股票系统适合 AI 化的点财报/研报/公告摘要、指标含义解释、自然语言选股NL → 查询条件、异动原因解释、每日复盘日报生成、数据异常排查助手。不适合 AI 化的点下单、资金账目、回测撮合、风控硬阈值——这些只能做规则 人工复核。先做的第一个每日复盘日报生成输入结构化指标 → 输出人话总结好验收、出错代价低、每天都用。四、软件越来越便宜到底意味着什么便宜的是生成代码不便宜的是保证它对。所以价值从实现移到验证。单价会被 AI 拉低这是事实。利润只能来自 AI 拉不低的部分数据别人没有的历史数据、清洗过的脏数据渠道客户信你不信任一个陌生人 AI责任出事有人接电话最后一公里部署、联调、权限、合规、培训竞争逻辑变了从能不能做变成边际成本谁更低、交付周期谁更短。反常识一点token 单价在降但账单不一定降。上下文变长、Agent 多轮、重试、评测、日志都会把成本吃回去。所以必须自己算账。五、低成本 AI 部署要研究的东西5.1 成本梯度从便宜到贵按需选择本地小模型7B~14B 量化Q4/AWQ/GPTQ单卡甚至 CPU 可跑适合分类/抽取/摘要/格式化。本地推理框架vLLM / SGLang吞吐、并发、前缀缓存好llama.cpp / Ollama轻量、易部署、CPU/Mac 友好。云 GPU 按需 / 竞价实例波峰用波谷关别常驻。API 大模型只留给真正难的请求复杂推理、长文档、代码。5.2 降本的六个动作都很实在混合路由小模型先答置信度低/格式不合格再升级到大模型。省钱的大头在这。缓存精确缓存 语义缓存 prompt 前缀缓存重复问题不重复花钱。蒸馏/微调替代长 prompt固定任务用 LoRA 微调小模型把提示词里的知识搬到权重里长期更便宜也更稳。量化 并发调优KV cache 管理、批大小、上下文裁剪、结构化输出约束少让模型自由发挥。评测驱动的降级每次降级换小模型/降精度/砍上下文都必须跑评测集掉点超过阈值就不降。成本归因每请求成本、每功能成本、每租户成本做成一张表天天看。看不见的成本一定失控。5.3 一个必须做的实验拿同一批任务20~50 条真实业务请求分别在本机小模型和API 大模型上跑记录准确率 / 平均耗时 / 单次成本 / 部署维护成本出一张对比表。这张表是我以后报价、选型、说服客户的底气。六、怎么提供需求——这是 AI 时代最贵的能力需求不是等来的是在现场捡来的。来源通常是同事/客户反复抱怨的那句话“这个报表我每周手动做两小时”手工重复劳动复制粘贴、格式转换、跨系统搬运审批流里的判断“这个单子该不该批”看不懂的数据“这个指标为什么涨”把模糊诉求转成四段式需求卡这是核心方法1. 输入给什么数据来源、格式、触发时机 2. 输出要什么格式、示例、可接受的范围 3. 验收怎么算对准确率下限、必须包含的字段、人工抽检规则 4. 失败错了怎么办兜底方案、回滚方式、谁来决定价值判断四个维度频率 × 痛度 × 可验证性 × 出错代价。四项都过得去的才值得做。一句话会写什么样的输出算对就是 AI 时代最贵的一句话。练习方式每周至少产出一张这样的需求卡哪怕是自己系统里的一个小功能。七、我自己的 TODO盘一遍存量系统列 3 个 AI 化候选点每个写一张四段式需求卡本机跑通 vLLM / Ollama 一个小模型完成本机 vs API成本对比表给股票系统建 20 条评测集日报生成、指标解释、NL 选股各几条先做每日复盘日报生成用影子模式跑两周记录采纳率加成本监控每请求成本、每功能成本写进日志表写一篇公众号《把一个老系统 AI 化的 5 个坑》当获客素材主动找 1 个真实需求内部或外包完整走一遍需求卡 → 交付 → 验收整理一份低成本部署选型清单能直接给客户看八、底线和风险钱、账、合规、权限AI 只做建议不做决定且必须可回滚。数据边界要提前讲清楚哪些能出内网、哪些必须本地模型。别把会调 API当核心竞争力——那层很快会被工具吃掉护城河是场景 数据 交付 信誉。警惕为了 AI 而 AI如果一个脚本能解决就别上模型。九、补充架构师 AI 是不是就等于 FDE先明确 FDE 是什么Forward Deployed Engineer前沿部署工程师 / 驻场工程师。典型来源是 Palantir 那套模式现在 Anthropic / OpenAI 等也在大量招。一句话定义带着平台能力扎进客户现场把客户的模糊问题变成可验收、能跑起来的东西并对结果负责的人。特征是离客户近、离钱近、范围模糊、交付压力大、要一个人顶一个小组AI 正好补这块。它不是售前也不是架构师更不是调包工程师它是工程师 产品 项目经理的混合体。9.1 结论架构师 AI ≈ FDE 的技术底座但不是 FDE维度架构师FDE面对的对象系统和代码客户、人、脏数据、组织政治时间尺度半年到三年长期演进两到八周必须出结果成功标准结构合理、可演进客户签收、业务指标动了主要动作设计、取舍、评审访谈、原型、联调、演示、催决策输出去哪文档、架构图、代码规范能演示的 demo、上线的东西、验收单AI 的作用提效写代码、查资料放大产能一个人做一个小团队的量所以架构师的能力回答这东西怎么搭得对FDE 还要回答这东西该不该做、做了谁付钱、出问题谁兜。中间差的不是技术是商业、沟通、交付节奏三块。9.2 还需要补的技能按缺口从大到小① 需求与业务侧最大缺口行业 know-how至少能听懂客户在说什么知道他们的 KPI 是什么访谈与提问从我想要个 AI问到你每天哪一步最烦、错了会怎样需求卡能力前面第六节那个四段式输入 / 输出 / 验收 / 失败范围控制把能不能再加个…“变成这属于二期”ROI 测算这个项目省了几个人工小时、值多少钱、多久回本② 交付与工程侧架构师底子在但要提速极速原型一天出能演示的 demoAI 生成 现成框架别从零搭脏活能力脏数据清洗、schema 对齐、历史数据迁移——FDE 80% 的时间在这集成API、OAuth/SSO、网关、内网代理、私有化部署、离线环境可观测与可回滚影子模式、灰度、一键关掉 AI 的开关问题定位客户环境里没有日志权限也要能查出来③ AI 侧要能算账不只是能调RAG / 工具调用 / Agent 编排且知道什么时候不该用 Agent评测集 验收指标把感觉还行变成准确率 92%抽检 50 条模型选型与成本本地小模型 vs API vs 混合路由每请求成本能报出数幻觉兜底不知道就说不知道、必须给引用、必须有人复核合规数据脱敏、能不能出内网、日志留存④ 人与沟通侧最容易被工程师忽略期望管理敢说这个做不到“这要加钱加时间”——FDE 最容易死在过度承诺跨部门推动IT、安全、法务、业务方四方都要过演示与讲故事demo 要打在客户的痛点上不是打在技术上文档与培训交付即交接客户能自己用才算完写作方案书、周报、复盘——AI 时代这项能力的杠杆反而更大⑤ 商业侧架构师完全没有的部分报价与工作量估算AI 提效后怎么报才不亏合同边界数据责任、模型效果不达标的处理方式验收与回款节奏验收标准写进合同别靠口头续约与二期一次交付 一次获客机会⑥ 个人特质软但决定性在信息不全的情况下自己定义任务不等人给需求抗压 快速学陌生行业两周能跟客户聊得上话不吹牛AI 的能力边界敢讲清楚长期才有人找你9.3 自检表架构师 → FDE 的缺口能独立完成一次客户访谈并产出需求卡一天内能出可演示的 demo不是 PPT能对同一个任务给出本机小模型 / API / 混合的成本与准确率对比能在客户内网无外网、有代理、有权限管控把服务跑起来能写出一份带验收标准的方案书能对客户说不并把不变成二期报价交付过至少一个端到端项目拿到过签收打勾 5 个以上基本可以自称 FDE只勾 1、3 的是很强的架构师。9.4 路径给自己排一下0–1 个月把手上的存量系统 AI 化跑通一个日报生成练需求卡 评测 成本表三件套。1–3 个月接一个真实小项目内部或外包都行强制自己走完访谈 → demo → 上线 → 验收。3–6 个月把这个项目写成案例公众号/方案书用它去谈第二个客户。并行补齐商业侧——报价、范围、验收条款这三样决定你是帮忙的还是能挣钱的。一句话架构师 AI 让你有资格做 FDE能不能做成 FDE取决于你敢不敢站到客户面前对结果负责。留一句给自己的话不怕 AI 会写代码就怕自己只会写代码。