Cresta拟将FDE团队扩至百人 靠AI Agent锁定北美SaaS高黏性订阅流

Cresta拟将FDE团队扩至百人 靠AI Agent锁定北美SaaS高黏性订阅流 AI时代由于模型迭代极快，传统不坏不改的本地部署已被打破，客户必须频繁借助FDE升级以接入新模型，从而将技术交付转化为天然、健康的长期ARR流。 视频深入探讨了AI Agent FDE的核心定义、价值以及它与传统驻场工程师的区别。嘉宾Jove结合自己在Cresta带领FDE团队的实战经验，分享了语音AI在牙医、餐馆等一线的奇妙落地故事，并剖析了技术落地背后更难的“信任具象化”问题。同时，他详细描绘了不招Junior、看重主动性与咨询背景的FDE人才画像，给出了面试通关秘籍，并对比了该模式在成熟的北美SaaS生态与国内市场落地时面临的不同环境差异。 Jove 带领的 Cresta FDE（前线部署工程师）团队预计年内从 30 人扩招至 100 人；尽管该岗位在 AI 落地一线需求巨大，但传统互联网大厂工程师普遍对其存在明显认知差。 (0:00) AI 商业落地的壁垒不在于获取顶尖模型，而在于打磨提示词映射与路由等微观细节；面对模型的概率性失误，推行解决方案的信任高度具象在 FDE 个人身上而非抽象产品。 (27:35) 与传统软件交付后“不坏不改”不同，AI Agent 模型的极速迭代促使客户必须频繁与 FDE 协作升级，从而支撑起健康且具备天然高黏性的 SaaS ARR（年度经常性收入）闭环。 (29:44) Cresta 的 FDE 团队不招收初级工程师，硬性要求 3 年以上实战经验并青睐具备极强 Agency（主动性）的创业背景人才，面试更看重复杂 Agent 的动手能力而非单纯调用辅助编码工具。 (32:01) 北美高昂的人工成本、对业务“结果”的高付费意愿及成熟的 SaaS 生态构成了 FDE 模式成功落地的三大基石，而该模式在缺乏成熟企业软件付费土壤的市场极易出现水土不服。 (39:30)

Cresta 的 FDE 团队主管 Jove 结合其实践指出，在 AI Agent 时代，前线部署工程师（FDE）通过在客户现场精细调优并建立人际信任，成为技术落地与变现的关键；尽管传统互联网大厂工程师对其认知依然有限，但该岗位正凭借对最终业务结果的担责，构建起高黏性的 ARR 商业闭环与抗替代的职业避风港。 认知差与技术落地的“信任具象化” (27:35) 虽然 OpenAI、Anthropic 和 Cresta 等前沿 AI 企业正大力招募 FDE，且 Jove 预计其团队今年将由 30 人扩充至 100 人，但许多来自 Google、Meta 等传统大厂的工程师对该岗位仍缺乏了解。Jove 强调，FDE 必须置于 AI Agent 框架下审视，脱离该语境就易退化为传统的数据清洗、驻场运维或外包咨询。在尖端模型对所有开发者公开透明的当下，真正的技术壁垒在于微观落地细节——例如 Routing 时的技能暴露时机与上下文调取策略、映射关系在表格与列表间的形式抉择等动词层面的功夫。 由于 AI 依赖概率运行且难免出错，系统修复与方案推行高度依赖 FDE 与客户建立的私人信任。Jove 认为，信任的具象化始终锚定在工程师个人的人格魅力与技术说服力上，唯有兼具技术最佳实践与察言观色能力的工程师，才能在技术出现偏差时维持合作稳定。 高频迭代与高黏性 ARR 闭环 (29:44) 传统企业本地部署软件（如 IBM、EMC 方案）普遍遵循“只要不坏就不要改”的逻辑，易随时间演化为难以维护的遗留系统。然而在 AI Agent 领域，基础模型与 API 变动极快，客户若不及时刷新技术甚至无法维持正常调用，这促使企业必须持续与 FDE 协作，通过支付服务费或签订新 SOW 接入新模型并开拓新用例。 这种持续交付机制构成了支撑 SaaS 年度经常性收入（ARR）的健康闭环。例如在牙医语音 AI 落地中，FDE 需要针对缺牙患者的特殊发音设置专门 Flag 调优；Cresta 通过完全基于 SaaS 绑定前沿语音引擎与模型，结合处理复杂垂直场景的能力，让客户形成深度依赖并带来持续订阅收入。 人才画像：看重自主性与真实业务落地 (32:01) 在团队选拔标准上，Jove 明确拒绝招收初级（Junior）工程师，硬性要求三年以上扎实工程经验，并青睐具备创业、早期创始团队或咨询背景的人才，以保障其具备强大的主动性（Agency）与客户谈判能力。Jove 幽默地指出，简历中罗列 Claude Code 或 Cursor 等工具已如同写精通 Excel 一样成为基础打字技能，团队更看重候选人是否真正搭建过基于 LangChain、CrewAI 或 RAG 的实战 Agent。 针对客服语音 AI 场景，候选人工程经验达到能调用知识库与 SOP 精准执行 Tool call 的 LLM 工作流（Level 4）即可胜任，无需过度设计多方案提议。Cresta 面试设置了 90 分钟开放使用 AI 工具的现场实操环节，要求候选人基于给定 API 构建 Agent 并设计 Edge case 测试用例，借此淘汰纸上谈兵者。 业务担责构筑 AI 时代工程师避风港 (35:08) 随着基础代码编写能力面临被 AI 替代的风险，FDE 岗位被视为工程师转型的重要避风港。Jove 与立正一致认为，过去工程师赖以生存的纯开发技能正在贬值，而 AI 无法为其决策和言论承担实际责任；因此，能够走向前线并为最终业务结果担责的角色最难被技术淘汰。 胜任该岗位的关键在于克制沟通冲动并化解阻力：候选人需要具备倾听能力、较小的 Ego 以及深厚的技术功底，站在客户的显隐性动机角度包装方案，而非在面试或沟通中发表缺乏分寸感的长篇大论。 中美 ToB 土壤与商业模式差异 (39:30) 针对国内企服领域对 FDE 模式的关注与观望，Jove 指出商业机制的落地与地域生态深度绑定。北美能够跑通 FDE 模式得益于三大基石：极高的人工成本、企业为业务效率和“结果”买单的强烈意愿，以及高度成熟的 SaaS 生态。立正也补充指出，国内企服市场缺乏足够愿为纯软件服务付费的成熟企业客户，若将该模式套用至政企实施或低单价数据治理场景，FDE 同样难以维持健康运转。 FDE 模式的爆发反映出 AI 落地重心从基础模型开发向一线工程交付的转移，但其高度依赖北美成熟的 SaaS 付费习惯；在缺乏企业付费土壤或人工成本低廉的市场中，该机制能否顺利复制仍待检验。

[27:35] Jove: The trust（信任）的具象化，其实都是落到人身上的，而不是落到一个抽象的东西上去。 [32:01] Jove: 在简历上写这些，和写精通 Excel 是一样的，这属于现代工程师的基本打字技能，毫无含金量。我们需要候选人真的动手做过 AI Agent [39:30] Jove: 你这个橘子种哪里是很相关的。

[0:59] Jove 欢迎来到课代表立正 [1:00] 可以跟大家做一下自我介绍不 [1:02] 大家好我是 Jove [1:03] 我人在温哥华 [1:04] 最近这半年多呢 [1:05] 是在一家 AI 公司 Cresta 做 FDE [1:09] 这也是今天要聊的话题 [1:10] 在这之前 [1:10] 我有自己创业有四五年做数据库 [1:13] 然后再往前是像 Splunk 啊 [1:15] EMC 这些所谓的大厂 [1:17] 做过管理做过 IC [1:18] 当然现在还是更 enjoy [1:20] 作为一个 AI Agent FDE [1:21] 我很高兴能跟大家聊一聊 [1:23] 在 AI 时代 FDE 到底意味着什么 [1:24] 我其实特别惊讶啊 [1:26] 就是我是从 Palantir 涨的那一波 [1:29] 开始比较了解 FDE 的 [1:31] 现在很多 VC 和 AI 的这里边的人 [1:35] 都说 FDE 可能是 AI 最需要的岗位 [1:38] 和最有前途的岗位之一 [1:40] 包括 OpenAI 、 Anthropic 也招很多 FDE [1:43] 但是办活动的时候 [1:44] 每次提到 FDE [1:45] 很多人都不知道 [1:46] 尤其是来自于 Meta 、 Google [1:48] 这样的大厂的人呢 [1:50] 就会问什么是 FDE [1:51] 我还挺惊讶的 [1:52] 就是大家看来是有一个认知差的 [1:54] 所以说我们请了你 [1:55] 你现在手下有多少个 FDE 啊 [1:57] 30个人估计今年可以到100个哈哈 [2:00] 对吧这就是一个需求巨大的 [2:02] 就是现在是不是特别缺 [2:03] 对因为这七八个月在 Cresta [2:06] 我们有切身感受到是 FDE [2:08] 真的是现在能够让 AI 落地 [2:11] 让大家掏钱 [2:12] 真的是让世界有所改变的 [2:13] 一个很有效的一个方式对 [2:15] 后面这句话我们再深度展开一点 [2:18] 我们先请你稍稍介绍一下 FDE 是什么 [2:20] 给一些没有听说过这个词的同学们 [2:23] 从这个词的缩写 [2:24] 从 Forward Deployed Engineer 开始说起 [2:26] 它的一个特点就是它还是一个 engineer [2:28] 它是 forward deploy 到一些项目里面去 [2:32] 然后我个人是觉得必须把 FDE 放在 [2:35] 一个 AI Agent 这样一个框架里面 [2:37] 否则如果这是一个比较传统的数据 [2:39] 比如要做数据的 ETL 啊 [2:41] 数据的转换 [2:42] 或者是做网络搭建之类的话 [2:44] 我觉得其实你要说 FDE 跟 [2:46] 传统的驻场工程师啊 [2:48] 或者是外包 [2:50] 或者是咨询 [2:51] 其实很难界定 [2:53] 我觉得 FDE 必须是绑定在一个语境下面 [2:56] 就是说 AI Agent 现在很多人都想要然后呢 [2:59] 你是可以拿到比较新的 model access [3:02] 你可以用 ElevenLabs 啊 Deepgram 这些新的语音模型 [3:05] 但是你不见得真的有能力做出一个 [3:08] 符合你想要的业务场景的这样一个 AI Agent [3:12] 所以 FDE 起的作用就是说 [3:14] 它可以去结合你的业务逻辑 [3:16] 结合你 AI Agent 这个平台上面所有的功能 [3:19] 然后做出一份能够满足你切身功能的 [3:22] 这样一个 AI 的一套系统 [3:24] 伴随着各种 guardrail 啊 [3:26] test eval 啊 [3:27] 因为这块东西是很难 [3:29] 很短的时间让客户自己去 build [3:31] 因为往往客户自己 [3:32] 可能会有他的工程团队 [3:34] 他们是知道怎么去 build 一个 [3:36] 传统的网站或者是手机 App [3:38] 但是我们 build 一个 AI Agent [3:40] 其实就是 build 一个新的界面 [3:42] 是给他的最终用户去用的 [3:43] 然后 build 这样一个 AI Agent [3:45] 就会出现各种处理幻觉呀 [3:47] 怎么去让你的这个 RAG 或 KB [3:49] 能够做得比较低延时 [3:51] 比较准确 [3:52] 中间其实有很多比较难的事情 [3:53] 而这些事情并不是很显而易见 [3:55] 的能够让每一个航空公司或 [3:58] 每一个银行自己去做的 [3:59] 像我们这些 AI 公司之所以 [4:01] 采用 FDE 这样一个模型 [4:02] 就是能够让 [4:03] 一些 AI 的专家能够去非常 [4:06] 清楚的知道这个平台有什么 [4:08] 以及客户想要什么 [4:09] 然后把这个东西做出来 [4:10] 然后做各种精细的打磨 [4:12] 而不是逼着客户自己去学 [4:14] 因为就算他能学会 [4:15] 可能也要花半年一年的时间 [4:17] 这样的话你可能 [4:17] 竞争对手已经是抢跑了 [4:19] 所以 FDE 能够让这个 [4:20] AI 落地会变得更可靠更快 [4:22] 让大家就 focus 在各自的 [4:24] 一些专业领域就好了 [4:25] 所以就是你说的 AI Agent FDE [4:28] 和之前的 FDE 是两个东西 [4:31] 而之前的 FDE 其实和外包驻场工程师 [4:33] 没有特别大的区别 [4:34] 但是 AI Agent FDE 是一个新物种 [4:37] 那这个新物种 [4:38] 这个 FDE 和其他的工程师的优势就在于 [4:41] 他们特别 AI native [4:42] 他们真的懂做 AI 产品里边的 [4:44] 遇到的各种各样的坑 [4:45] 就是那些 model access 啊 [4:47] 这些 feature 啊什么的 [4:48] 大家都有 [4:48] 但问题是真的想把它做好的话 [4:50] 其实差距是很大的 [4:51] 然后你们这些人就是 [4:52] 懂得怎么把东西真的做好 [4:54] 对 而且我们愿意 [4:55] 且有能力跟客户贴身服务 [4:59] 我们有句话说 [4:59] 就说你可以 Talk About API Over IPA(一类啤酒) [5:02] 你可以跟客户很快地 [5:04] 去打好这样一个关系 [5:05] 然后你可以赢得他们的信任 [5:07] 不管是 CEO 啊 CTO 啊 [5:09] 或者他的 API lead [5:10] 大家都是做 engineer 的 [5:11] 大家都是能够有共同语言 [5:13] 然后你很快能够理解 [5:14] 他的想要的一些功能 [5:16] 然后你的 limitation [5:17] 然后你能够帮他做出 [5:19] 一个非常高可靠的 [5:21] 有效的一个 AI Agent [5:22] 听起来对能力要求特别高 [5:25] 因为这个人要特别懂 AI [5:27] 本身已经特别稀缺了 [5:28] 我觉得很多公司是缺这样的人才的 [5:30] 然后似乎还要有一定的 communication skills [5:33] 或者说是人际交往的 skills [5:36] 能得到用户的信任 [5:37] 然后呢你还要去理解用户的业务 [5:39] 对吧 [5:40] 对 所以我们就像是招了 [5:41] 一群创业公司的 CTO [5:44] 或者是说你招了一些 [5:46] 比较全面的一些人 [5:47] 那这些人能够把这个事情了解清楚 [5:50] 哪里应该发力 [5:51] 哪里就需要 say no [5:53] 然后利用他的 AI 的技能把这个事情落地 [5:56] 当然我们会遇到一些 [5:57] 比较 Tech Savvy 的一些客户 [5:59] 他可能会问得很细 [6:00] 那你很多时候你可能是要教他会用 [6:02] 但是也有很多 [6:03] 比如说偏 Healthcare 的啊 [6:05] 或者是偏这些 hotel 或者是 Cruise [6:08] 他们其实对你怎么实现并不重要 [6:10] 但他对整个品牌的形象 [6:13] 你该怎么说话 [6:14] 你该怎么去调用它的 knowledge base, SOP [6:16] 这边其实它有非常 [6:18] 甚至是 picky 的一些方案 [6:19] 那这些事情 [6:20] 你贸贸然地让一个 engineer 去做的话 [6:23] 你没有大量时间培养 trust [6:25] 跟他细掰这些 SOP 的话 [6:27] 你是很难做出一个让他信服的一个方案 [6:30] 所以 FDE 确实是一个比较 mixed 的一个 role [6:33] 既有他的 technical 的一方面 [6:34] AI Agent 的一方面 [6:35] 而且他整个人是不是 charming [6:37] 能够很容易去跟人打交道 [6:39] 能够解决 conflict [6:40] multitasking [6:41] 甚至还要加班出差 [6:42] 所以加在一块是一个很 challenging [6:44] 但是也是让这个 AI Agent [6:46] 落地一个很有效一个方案 [6:47] 那这种人怎么招啊 [6:48] 感觉就很难找到 [6:50] 我知道像 OpenAI 这样的 [6:52] 他们会去招那种 [6:53] 就是创业失败的 founder 们 [6:56] 反而很合适 [6:57] 尤其是这种 [6:57] AI 创业失败的 founder 们 [6:59] 对啊对啊 [6:59] 我可能也是属于这种 category [7:00] 因为我自己在大厂做的无聊 [7:02] 比方说我在 Splunk 多的时候 [7:04] 我可能管50个人 [7:05] 我可能在加拿大在美国印度都有团队 [7:08] 然后有 senior manager Report 给我 [7:10] 但是我自己闲不住 [7:11] 自己去创业了 [7:12] 而且是比较 hardcore 的这些 [7:13] real-time 的 data pipeline [7:15] 或者是 streaming database 这个方向 [7:17] 那做了四五年 [7:18] 当然技术来讲很有趣但是 [7:20] 相比 AI Agent 来讲是一个 [7:21] 长不大的一个方向 [7:23] 所以我也可以认为是一个半失败的 [7:25] 或者是有点失败的一个创业者 [7:27] 但是经历这些创业之后 [7:28] 你就会知道没有事情是容易的 [7:30] 你需要 earn 这个 credit [7:32] 你要 earn 这个 trust [7:33] 然后你要 make 一些 fast decision [7:34] 那这些加在一块的话 [7:36] 能够让这些 FDE 包括我自己会知道 [7:39] 要怎么足够的努力才能够把这个事情 [7:42] 做成 对 [7:43] 而且我们会少了很多这种 [7:45] 比如说 GTM 的一些 efforts [7:47] 就是 assume 这个单子是有希望做成的 [7:49] 我们更多就是把它做成对 [7:51] 也省了很难的那一步 [7:53] 但是又适合那种不是只想做技术 [7:55] 而是有一个综合能力的 [7:57] 或者是综合发挥的人 [7:58] 而且是双向的 [7:59] 就是我们自己招的时候 [8:00] 如果你做过创业 [8:02] 不管是 co-founder 还是 founding engineer [8:04] 对我来说其实是个加分项 [8:05] 因为我知道你不会 [8:07] comfortable 是别人 assign 一个 task 给你 [8:09] 很多时候你有这个 agency 对吧 [8:10] 你就可以继续 figure out 出来你该做什么 [8:12] 甚至是有的时候有一些脏活累活你都是可以去干 [8:15] 那另一方面的话 [8:16] 其实我有一些 team member [8:17] 也就是说啊我 eventually 就我是要创业的 [8:20] 那他 enjoy 作为一个 FDE [8:21] 能够让他去历练很多事情 [8:23] 不光是最好的架构 [8:24] 而且是能够去知道 [8:25] 客户的 business 需求是什么 [8:28] 你这个 process 中间有哪些 [8:30] 很容易出错的一些点 [8:31] 你怎么去 convince 客户 [8:32] 怎么去 win the trust [8:33] 对他来说也是一个相当于 CTO [8:35] 或者这个创业的一个培养营 [8:36] 确实之前有的程序员 [8:39] 创业去转 PM [8:40] 我一直觉得这个不太 make sense [8:42] 但是如果做 FDE 的话就很适合 [8:44] PM 现在可能是一个比较 tricky 的角色(口误) [8:46] 因为大家很多时候觉得 [8:47] 你的很多想法其实 engineer 也会有 [8:49] 那 PM 就会有大量的去跟客户沟通 [8:51] 但是如果能够少掉一层的话 [8:53] FDE 直接跟客户沟通 [8:54] 其实更容易知道客户 care 什么东西对 [8:57] 所以你们的 FDE 其实承担了 PM 的很多职责 [9:00] in theory 是这样的 [9:01] 但是 again 每个人的 bandwidth 是有限的 [9:04] 所以我觉得 partially 也是 inspired by Palantir [9:07] 就是你可能知道他们其实是有两个队 [9:09] 他有一些人是偏 engineer 的 forward deploy [9:12] 另外一些是偏 process 或 [9:14] strategist 的一些 forward deploy [9:15] 所以在 Cresta 我们做法也是一样 [9:17] 就是说我带这个 FDE 的 team [9:19] 但是有另外一个(team)是 [9:20] forward deployed product manager（ FDPM）的 team [9:22] 然后他们就不需要那么 technical [9:24] 但他就像一个公司会有 CEO 、 CTO 一样 [9:27] 就是大家其实都是很能够 [9:28] convince 客户做对的事情 [9:29] 但是他们会更多去 care 那些 business logic [9:32] 你的 exit criteria(验收标准) [9:34] 你的 risk [9:35] 你的 schedule [9:36] 甚至有的时候我们跟一些客户开会 [9:38] 他们自己内部都没有很好的 align 想要什么 [9:40] 他的 SOP [9:41] 每个人脑中是不一样 [9:42] 这些事情如果你 [9:43] 每一个会都让 FDE 参加的话 [9:45] 不见得是 FDE [9:46] 最好利用我们的时间的方式 [9:47] 所以 PM 就会在里面会做一些 [9:50] 非 technical 一些工作 [9:51] 然后把东西理顺 [9:52] 那 PM 转 FDP [9:54] engineer 转 FDE [9:55] 除了 engineer 可以转 FDE 以外 [9:56] 你还看到会有其他的吗 [9:58] 还是基本上都是 engineers [9:59] 对我觉得 engineer 是个大的前提 [10:01] 包括我这边面试也会 [10:03] 哪怕有些人吐槽 [10:04] 但是我依然会有一个环节去让你 [10:06] 不用任何 AI 去写一些简单的 Python 程序 [10:09] 证明你还是有这个 engineering 的 sense [10:11] 对吧你的变量起名啊 [10:13] 你这个流程 [10:14] 好简单 [10:14] 对 那个就不是 LeetCode [10:16] 就是完全是一个非常简单的 [10:17] 证明你是会写一些程序的 [10:19] 然后我们另外一轮面试是 [10:21] 看你这个 engineering practice [10:23] 比如说你大概知道这些 unit test [10:25] 你知道这个 end to end [10:26] 你有这些分层呐 [10:28] 一些概念在里面 [10:29] 因为有时候会发现 [10:30] 如果一个完全没有技术背景的人 [10:32] 去做 AI Agent FDE [10:34] 看起来可以 work [10:35] 但他中间可能会闹些笑话 [10:36] 因为他自己不会 aware 到 [10:37] 哪些东西是有问题 [10:38] 我不是指向某个人 [10:39] 但是比如说你假设做一个登录界面 [10:42] 你可能做出来好像是可以登录的 [10:44] 但你可能如果东西都塞在前端 [10:45] 用户是很容易比如说把一个 DOM tree [10:47] 删掉或者是篡改 [10:49] 就能够看到你很多东西 [10:50] 那你如果没有一个工程素养的话 [10:53] 很多东西看起来 work [10:54] 其实是缺乏一些 best practice [10:56] 所以我们还是想招 engineer [10:57] 这是一个 baseline [10:58] 然后在这之上 [10:59] 如果有些人做过一些 consulting [11:01] 比如说 Accenture 、 McKinsey [11:03] 那是挺好的 [11:04] 但他们可能会有另外一个倾向性 [11:06] 就是说我要非常注意他们 [11:08] 不要太以过去的方式去判断 [11:10] 这个 deal size 有多大然后呢 [11:12] 我是不是甚至是按照时间来计件 [11:15] 因为我们本身还是一个 [11:16] 偏 SaaS 的一个公司 [11:17] 所以 FDE 我们的一大职责是 [11:20] 要把这个 AI Agent 做出来 [11:21] 但是我们本身是所谓的 [11:23] forward deployed product engineer [11:25] 我们是从属这个 product engineer 一部分 [11:27] 所以我们的一个很大的职责 [11:28] 是通过做这些 agent 来证明 [11:30] 我们这个产品 PMF 是没问题的 [11:32] 然后呢中间可能会有一些 bug 有些 gap [11:34] 有些东西做的是不对的 [11:36] 然后我们要去改这些部分 [11:37] 所以我们经常 FDE 会需要 [11:39] 去改这个 platform 的 REST API [11:42] microservice 啊改 UI [11:43] 改 CLI 改 doc [11:44] 因为我们本身抱有这样一个职责是 [11:47] 不光把 deployment 每个都做成功 [11:49] 而且是让我们的产品变得更成熟 [11:51] 就是你们不光是驻场帮客户解决问题 [11:54] 你们还要回来改你们自己的产品 [11:56] 对我们就是 part of the product engineering 这个 org [11:59] 嗯 [12:00] 所以我的 peer 都是 [12:01] 比如说你是做这个 microservice [12:02] 你是做这个 Kubernetes Infra [12:04] 跟我来说都是 peer [12:05] 我们都是 report 给 VP engineering [12:07] VP engineering report 给 CEO [12:08] 就这么简单 [12:08] 我知道在有些公司里面会把 FDE 放到一个 [12:13] customer success [12:14] 或者是 professional service [12:15] 有些甚至是售前 [12:16] 我们之所以没有这样做 [12:17] 是因为我们毕竟要做一个 platform 公司 [12:20] 到最后我们是希望能够有 [12:22] AI Agent 这样一个平台 [12:23] 能够去 enable 很多不同的 use case [12:25] 那只是说让用户自己去学 [12:27] 这样一个平台怎么去开发 [12:29] 怎么去避免 hallucination 其实是 [12:32] 蛮长的一条道路 [12:33] 那很多人在谈 [12:34] time to value [12:34] 你需要一个月两个月 [12:36] 出来一套新的 AI Agent 的方案 [12:38] 能够让客户少等待 [12:39] 或者是让他能够少一些 transfer [12:41] 能够解决问题 [12:42] 你让客户去学是一个 big ask [12:45] 那他们想要的是这个 outcome [12:46] 所以使用 FDE 是能够很快去落地 [12:49] 但是我们也不想把自己 [12:50] 培养成一个 consulting firm [12:52] 养了很多 FDE 做这些事情 [12:53] 所以最终是希望 FDE 做的事情是越来越难 [12:56] 就把这些简单事情能够自动化 [12:58] 能够让平台改进之后 [12:59] FDE 会变成某个领域的专家 [13:01] 比如说是 payment 的专家 [13:03] 或者是网络的专家 [13:04] 或者是 RAG 的专家 [13:05] 这样的话 [13:05] 一些比较简单的 use case [13:07] 都会让我们这个平台 [13:08] 不管是通过一些 template 或是 asset [13:10] 就能够很容易做到 [13:11] 明白了明白了 [13:12] 这个正好聊到了 [13:14] 就是为什么 FDE 在 AI 时代这么重要 [13:16] 的这个话题 [13:17] 我之所以也非常看好 FDE [13:19] 就是因为现在 AI 它的能力太强了 [13:21] 但是落地呢 [13:23] 大多数人其实是没有落地的能力的 [13:25] 很多传统行业很需要使用 AI [13:27] 但是他们完全没有这样的人才 [13:30] 让 AI 在他们的行业里边有效落地 [13:32] 那这个时候用人去把一个 [13:35] 不确定性变成一个确定性 [13:37] 这个不确定性是面对 [13:38] 对面的 business owner 来说的啊 [13:40] 说的例子好像是餐馆对吧 [13:41] 就是鸭哥写了这个文章 [13:42] 很多餐馆的例子 [13:43] 就我是餐馆老板 [13:45] 然后我想用 AI [13:46] 然后我发现我要去学了半天 [13:48] 我其实不知道到底能不能做好 [13:50] 很有可能很多人做砸了 [13:51] 这时候一个 FDE 说没关系 [13:52] 用我们的平台 [13:54] 我来帮你把这些东西全都搞定 [13:55] 那其实就让落地整件事 [13:56] 变得简单了很多对吧 [13:58] 就是你是不是真的搞定了 [13:59] 然后你搞定的这件事 [14:00] 对我来说值多少钱 [14:01] 然后我就可以去使用了 [14:03] 而且红杉或者说是很多 [14:05] 这个公司的 analysis 就说啊 [14:07] 其实软件的市场并不是那么大 [14:09] 但是整个 labor 的市场是极大的 [14:12] 那 AI 取代的 [14:13] 就是这个 labor 的市场 [14:15] 那 AI 想要取代 labor 的市场 [14:16] 其实需要有一些这种 FDE [14:19] 就既懂 AI 又懂 business 的人 [14:21] 去把它真的做好 [14:22] 对我觉得完全正确 [14:23] 就是你让一个餐馆 [14:25] 不管是餐馆的老板 [14:27] 或者是餐馆找的 IT 团队去 [14:30] 理解很多 AI Agent 的细节 [14:32] 比方说有个词叫 VAD [14:33] 就是 voice activity detection [14:35] 基本上就是说我在说话的时候 [14:37] 你这边可以附和一下 [14:39] 但是我不应该 [14:40] 停下来对吧 [14:41] 因为中间有很多细节地方 [14:43] 或者是说你在报一个 [14:44] 号码或者是 Email 的时候 [14:45] 你可能中间会有停顿 [14:47] 但停顿并不意味着对方就要 chime in 进来 [14:49] 包括你有一些杂音啊 [14:51] 或者之类的 [14:51] 其实这边有很多的细节 [14:52] 就是光 VAD 本身就不同做法 [14:54] 比如说你基于 silence-based [14:56] 还是基于 LLM-based [14:57] 基于语义的 [14:58] 你让这些东西都让 [14:59] 一个餐馆的 IT 人员去学 [15:02] too much 对吧 [15:02] 其实你只关注是说 [15:04] 你这个品牌是希望 [15:05] 更加偏向20岁年轻人 [15:07] 还是偏向比较成熟稳重的 [15:09] 然后你这个菜品怎么去介绍 [15:11] 你怎么去 secure 一些位置给 VIP [15:13] 这之间有很多 business 一些特殊的地方 [15:16] 你不应该过分关注于这些技术的细节 [15:18] 而这些细节你可能可以通过 [15:20] 开源的一些软件近似地达到 [15:22] 但是你每一个都去试 [15:23] 其实是很费功夫的 [15:24] 所以 FDE 就是比较快地 [15:26] 能够去 apply 一些 best practice [15:27] 挑最好的东西 [15:28] 能够让它可以 work [15:29] 而且往往我们是可以 [15:31] 做好几个类似的 case [15:33] 所以我今天是给你做 [15:34] 一家饺子馆做一个餐馆 [15:36] 我明天给你一个西餐厅做个餐馆 [15:37] 但是我们可能会有行业的一些 knowhow [15:39] 就知道比如说翻台率啊 [15:41] 或者是怎么能够比较礼貌地去拒绝客户 [15:43] 所以到最后有可能我们比餐馆还要懂餐馆 [15:45] 所以你请了这样一个专家的话 [15:47] 对落地来讲会更快 [15:48] 更有效率一些 [15:49] 那讲一讲这些传统行业是怎么用 AI 的吧 [15:52] 不光是 FDE 啊 [15:53] 就是你们整个公司到底是 [15:54] 在做一个什么样的东西 [15:55] 和你看到的 gap 到底是什么 [15:57] 你觉得这里边的机会有多大 [15:59] 啊对 [15:59] 就我们做一下小广告 [16:01] 就是 Cresta 是2017年成立的 [16:03] 所以差不多也有9年的时间 [16:05] 我们一直是在做 customer experience [16:08] 所以一大块就是 call center 的一块 [16:10] 就比方说之前有人工的客服 [16:12] 当然现在还有了 [16:13] 但是人工客服就会 [16:14] 涉及到很多新员工培训 [16:16] 你要去教他说什么话 [16:18] 打电话进来的时候 [16:19] 你要做一些适当的披露 [16:21] 比如说啊 [16:21] 这个话是被录音的 [16:23] 或者是这个电话被 transfer 过来的话 [16:25] 你可能会想拿到过去的一些历史(对话) [16:27] 中间有大量的事情是可以 AI 来辅助 [16:30] 让这个 human agent 变得更高效了 [16:32] 然后我们现在做的事情更多 [16:33] 是在这基础上把 AI 能够用好 [16:36] 所以并不是所有的 case [16:37] 都需要真人来回复对吧 [16:39] 就是你可以省下一些人工 [16:41] 而且你可以少去很多招聘 [16:43] 或者是解聘的一些培训的一些 effort [16:46] 就比方说像 [16:47] 美国或者是加拿大的这些黑五啊 [16:49] 这些可能是高峰期 [16:50] 你可能要临时招很多人 [16:52] 然后呢等这高峰期过了之后 [16:53] 你还要让他们能够去走 [16:55] 没有很多人真的是 enjoy [16:57] 做这样一个 human agent [16:59] 这样一个职责的 [17:00] 所以这个行业的这个 [17:01] 离职率其实也是很高的 [17:03] 但是你真的某一天掉了一张信用卡 [17:05] 你想打电话让人补寄一张 [17:07] 这个事情完全是可以让 AI 来做完 [17:08] 所以我们做的事情就是能够挑 [17:10] 哪些环节是可以让 [17:12] AI 来完成这样一个 use case [17:14] 然后哪些环节我们继续使用 human [17:16] 所以我们 position 是一个 unified 的 [17:18] 一个 human 跟 AI 的这样一个平台 [17:20] 而且我们已经有很大的客户像 [17:22] Marriott、United 用了我们产品很多年 [17:24] 而且一直是针对他的 call center [17:26] 针对他的 human agent [17:27] 那现在让他们能够多用一个产品 [17:30] 更多像一个 upsell [17:31] 可能也更容易一些 [17:32] 所以他们可以挑一些 [17:33] low-hanging fruit 的一些 use case [17:34] 然后让 AI Agent 来做 [17:36] 我的这个团队 [17:38] 当然现在有30个人 [17:39] 后面可能变50人 [17:40] 变成100人 [17:40] 就是在 worldwide [17:42] 当然现在以北美为主 [17:43] 但是我们现在在欧洲 [17:44] 在 APAC 也在招 [17:45] 把这样一个模式能够复制 [17:47] 能够让更多的电话 [17:50] 更多的 chat [17:51] 能够让 AI [17:53] 让这个体验变得更快 [17:54] 因为到最后 [17:55] 没有人想打一个电话 [17:56] 然后等个半小时听一个 music [17:58] 这些体验其实都挺差的 [17:59] 或者是说会出现 [18:00] 你要打一个电话 [18:01] 你有两个 purpose [18:02] 结果第二个 purpose [18:03] 你还要继续被 transfer 过去 [18:05] 再等个半小时 [18:06] 这些事情其实都是有希望让 AI [18:08] 能够让这个等待变得很短 [18:10] 甚至是没有等待 [18:11] call center 然后去 replace 人类这件事 [18:14] 我觉得 of course [18:15] 就是它是一个非常明显的机会 [18:17] 我想问一下 [18:18] 就是在这里边 [18:19] 你觉得需要 FDE 的和不需要 FDE 的比例 [18:24] 就是有的人啊 [18:25] 他对这个业务里边缺乏理解的 [18:27] 可能就觉得啊 [18:28] 我是不是做好一个产品 [18:30] 直接给到这个酒店老板 [18:31] 他直接就可以拿去用了 [18:33] 但是现实肯定有各种各样的问题 [18:36] 导致他没有办法使用 [18:38] 这个东西你觉得他是 [18:39] 一个未来迟早会发生的是 [18:41] AI 聪明到一定程度呢 [18:43] 老板就可以直接使用了呢 [18:45] 还是注定的 [18:46] 他永远会存在一些问题 [18:48] 永远需要有人去解决 [18:49] 我觉得我们这些 [18:50] technology provider 永远是可以 [18:52] 找到那个点是现在是有 gap [18:54] 比方说现在大家很多人 [18:56] 就抱怨 AI 很容易有幻觉 [18:58] 或者是你自己做一个 rag [19:00] 或者 KB 很容易延迟很高 [19:03] 或者是答非所问 [19:04] 或者是非常啰嗦 [19:05] 其实很多事情并不是有现成方案的 [19:08] 那我们可以做出一个 [19:10] 更接近 ready 的方案 [19:12] 但是最终你这个餐馆是 [19:13] 怎样一个菜单的结构 [19:15] 你希望吸引怎样的一些客人 [19:17] 你怎样的语气还是需要做些定制 [19:20] eventually 我们并不是觉得会有那么一天 [19:22] 什么东西都完全自动化的 [19:24] 我们总归是有一部分 [19:25] 是需要人来做判断 [19:26] 涉及到你的品牌 [19:27] 你的一些特殊的地方 [19:28] 所以 FDE [19:29] 现在这个点更多是让它能够 AI 落地 [19:32] 那有可能再过3年5年 [19:34] 我们有所谓的 A2A agent-to-agent [19:36] 那你这个语音的 experience [19:38] 已经不那么重要了 [19:39] 那我们那个时候可能 [19:39] 更多是去处理 A2A 的事情 [19:41] 嗯 [19:41] 所以我觉得这个世界发展是很快 [19:43] 但是目前这个点 [19:45] voice AI 是被证明 [19:46] 甚至是 top three 的最好的赛道 [19:49] 然后能够利用 AI [19:50] 否则你要去用这些代码生成 [19:52] 或者是用影视创作可能不是太 ready [19:55] 但是大家都觉得 voice AI 或者是 AI Agent [19:58] 是一个很明显的 business 一个需求在那边 [20:00] 所以我们有很好的一些 customer base [20:02] 跟 technology 能够 getting almost ready [20:04] 然后我们 FDE 在里面扮演 [20:05] 这样一个 last mile 的一个角色 [20:06] 但是等这个技术再继续变迁 [20:08] 我们可能 work on 一些别的 [20:09] 像 A2A 啊 [20:10] 或者是一些具身智能 [20:11] 可能都有可能需要人工来让这个 AI [20:14] 补全最后一个 mile [20:15] 明白 last mile 虽然听起来好像短 [20:18] 但是其实是必要的一环 [20:20] 你刚刚提到了三个 top three [20:22] 在你的视角里边 [20:23] 你觉得应用的另外的 top two 是哪两个 [20:26] 一块就是 coding [20:28] 所以这块不管是 Cursor、Claude Code、Codex [20:31] 这些其实做了很多工作 [20:32] 那另外一块可能就是 multimedia [20:34] 像音乐啊图片或者是视频的生成 [20:37] 这些当然有很大的公司花了 effort [20:40] 烧很多钱在做 [20:41] 当然 coding 可能是一个证明 [20:42] 是大家很好的市场 [20:43] 我们 FDE 也是属于 [20:45] 几乎不限量的可以用 coding 的工具 [20:46] 你几千块钱都可以随便用 [20:48] 但是这个领域实在是非常的卷 [20:50] 你很少可以做一个玩家进去 [20:52] 然后呢你这些 image 生成 [20:53] 你的 video 生成也是 [20:55] 看起来 work [20:56] 但其实需要大量的投入 [20:57] 相对来说 [20:58] enterprise AI 是属于 [21:00] 估计你要去问100个 business owner [21:02] 你可能50%以上都想要这个 [21:05] why not 你如果能够让 AI 能够省人工 [21:07] 能够让客户等的时间更短 [21:09] 能够让它自动化 [21:10] 显然是件很好的事情 [21:11] 而且这个技术快要 ready [21:13] 没有完全 ready [21:14] 所以你可能只需要找一些合适的人 [21:15] 找个 vendor [21:16] 然后就可以实现出来的 [21:17] 有 call center 的需要 [21:19] 但是我很难想象一个 [21:21] 就是我旁边的一个餐馆 [21:23] 它会需要这个东西吗 [21:24] 啊有 [21:25] 就是 call center 是一个 [21:26] 既陈旧又成熟的一个领域 [21:29] 那 Cresta 当然这点做得很好 [21:30] 但现在其实我们越来越多的遇到一些 [21:33] 不管是 partner 还是直接的客户 [21:35] 没有 call center [21:36] 但它需要有个 AI 来 [21:38] 作为一个所谓的 AI receptionist [21:40] 当你的客户或者潜在的客户 [21:42] 打这个电话的时候 [21:43] 你不需要每次都有人工来接 [21:45] 这个 AI 就能够像一个前台一样 [21:47] 说你要干嘛 [21:48] 我可不可以帮你约个时间 [21:49] 你是不是要找谁聊 [21:50] 你想要问什么问题 [21:52] 我是不是可以发一个短信 [21:53] 或发个 summary 给我的 owner [21:55] 这个作为第一层 [21:56] AI 来做个 receptionist 是一个很自然的事情 [21:58] 不管是牙医啊咖啡馆啊花店啊 [22:00] 甚至是你个人 [22:01] 可能很多人都想找你课代表聊事情 [22:03] 但是你可能先让 AI filter 一下 [22:05] 多少钱我想买 [22:07] 哈哈哈我如果要买的话多少钱 [22:08] 会有一个 FDE 来服务我吗 [22:10] 这是个真的问题 [22:11] 就是如果我要买的话多少钱 [22:12] 其实我们现在都很容易说按 outcome based [22:15] 能够帮你省多少时间 [22:16] 然后谈下多少单子 [22:17] 然后收个比例就好了 [22:18] 嗯是可以谈的 [22:20] 那这确实是一个很重要的应用 [22:22] 然后我相信其实更多人需要 [22:24] 刚才我们先聊了 FDE 是什么 [22:26] 然后又聊了就是 [22:28] FDE 存在的根本是什么 [22:29] 就是这个 AI [22:31] 它到底对这些行业 [22:32] 带来了一些什么价值 [22:33] 我们有一些很具体的案例 [22:34] 然后我们也发现 [22:35] 就是在社区里边 [22:36] 也有很多同学意识到了 [22:38] 他知道要做 AI [22:39] 他不应该去做一个 [22:41] 就像 coding agent 这样的技术创业对吧 [22:43] 就应该去做一个垂类行业 [22:45] 比如说有做法律的 [22:46] 比如说帮餐馆做的 [22:48] 还有帮做房地产等等等等 [22:50] 然后他们就会发现 [22:51] 我确实有技术 [22:52] 但是对方确实也不买账 [22:54] 因为对方不懂技术 [22:55] 所以说 FDE 在这里边听起来 [22:58] 就是一个比较好的解决方案 [23:00] 你觉得这个逻辑成立嘛 [23:01] 就是懂技术的同学把技术做好 [23:03] 然后通过自己成为一个 FDE [23:05] 或者说是 hire FDE [23:06] 或者说跟 FDE 合作 [23:08] 去把这个技术真的在 [23:10] 那些传统领域落地 [23:11] 还是说对面的那些传统行业啊 [23:14] 其实你这些 AI 都是一些伪需求 [23:17] 就是我其实用不上 [23:18] 这个其实是一个比较棘手 [23:20] 而且跟每个人的立场也相关 [23:23] 因为我自己之前做过创业 [23:25] 我知道你要进到一些 [23:27] 大公司的 vendor list 有多难 [23:28] 你可能要花一两年的时间 [23:30] 然后你要证明 [23:31] 比如说我之前做的东西是偏 streaming 的 [23:33] 我可能比开源的项目可能会 [23:35] 机器资源少一半 [23:36] 或者是快个四五倍 so what [23:39] 但是因为你是创业公司 [23:40] 你的 funding 是有限的 [23:41] 你的成长历史是有限的 [23:43] 甚至你的 GitHub (star) 是有限的 [23:44] 你是很难 win the trust [23:46] 所以如果你依然是想作为一个单干 [23:49] 只是说你从原先一个比较会写代码 [23:53] 写一个 library [23:54] 写个 component [23:55] 写一个 vibe coding system [23:57] 想变成啊我从一个 FDE 角度 [23:59] 但是依然还是一个 OPC [24:02] 其实还是很难的 [24:02] 因为这个 trust 就是很难去 earn 的 [24:04] 我们之所以能够去 [24:06] 搞定很大的一些 hotel 啊 [24:08] 一些银行 [24:09] 就是因为我们在那边时间足够久 [24:11] 有很好的 reputation [24:12] 然后你有做大量工作去保证 [24:14] 你的数据是合规的在那边 [24:15] 然后在这基础上面再去推一个 AI Agent [24:18] 然后以一个比较温和的方式 [24:20] 互补的方式去做的话 [24:21] 就比较容易成功 [24:23] 但你如果是一个贸贸然的一个 [24:25] 成立不到几个礼拜的一个公司 [24:26] 然后你说你有很棒的技术 [24:28] 然后人家是不愿意以他的 [24:30] 一个职业来赌在你上面 [24:32] 因为我们其实已经发生好几次 [24:33] 就是某个 CEO 、 CTO 以他的 [24:36] 职业作为背书来推 Cresta [24:39] 就是 Cresta 甚至是他们的 AI [24:41] Transformation 的一个很重要的一部分 [24:43] 那如果 Cresta 到最后掉链子了 [24:45] 那最后变成他的这个 [24:46] 整个 initiative 就会走样 [24:47] 所以这层 trust 其实很难建立起来 [24:49] 所以我同意 FDE 是一个很好的 [24:52] 把把自己的技术背景结合 [24:54] 真实的业务的需求做出来 [24:56] 但是我自己也很 lucky [24:57] 就是我只要关心把 AI Agent 做好 [25:00] 我不用太关心这个 fundraising [25:02] 不用去关心这个 marketing awareness [25:04] 那这是公司里别人做的事情 [25:05] 但是你最终要做成 [25:06] 每个方面都是需要的 [25:08] 嗯嗯嗯就是其实大家看到呢 [25:11] 可能是技术的落地 [25:12] 但是技术落地背后的 [25:14] 信任问题是更难解决的 [25:16] 和更需要长期的积累的 [26:20] 关于 FDE 的内容问的差不多了 [26:23] 你觉得对 FDE 这个 role 本身 [26:24] 或者说这个 AI 落地的机会本身 [26:27] 还有没有什么要补充的 [26:28] 我举一个相对比较感性的 [26:30] 不知道准不准确的一个方式 [26:31] 就是说 FDE 就像一个咖啡师对吧 [26:35] 就是你可以拿所谓意大利的辣妈 [26:37] 这种很贵的几千块钱的咖啡机 [26:39] 但是你买来之后 [26:41] 就算调试完了 [26:42] 你不见得能够做出很好的咖啡 [26:44] 即使你去买很好的豆子 [26:45] 你也不见得有这个技术 [26:46] 那最终不管是客户也好 [26:48] 其实他要的是一个 outcome [26:50] 他要一个比较好的 AI Agent 这样一个体验 [26:52] 有些人会觉得唉 [26:53] 我大不了自己去买咖啡机 [26:55] 自己买豆子 [26:55] 自己买磨豆机 [26:56] 自己去锻炼我的拉花的技术 [26:58] 或者怎么样打牛奶技术 [27:00] 那这个事情可能可以成 [27:01] 但是会很花时间 [27:01] 而且很有 risk [27:02] 如果你这个点就是想 [27:04] 跟你的比如闺蜜啊 [27:05] 或者是好基友 [27:06] 有一个很好的 conversation [27:07] 在一个很舒服的咖啡馆 [27:09] 喝一杯很舒服的咖啡 [27:10] 你可能就是去 [27:11] 不知道现在 Blue Bottle 啊 [27:12] 或者是哪里的一个店 [27:13] 那 FDE 就起到这样一个作用 [27:14] 就是说用比较好的原材料 [27:16] 很好的豆子 [27:16] 然后用一个比较复杂的机器 [27:18] 然后有很好的技能 [27:20] 而且你甚至会跟他聊天 [27:21] 看他的一些心情状态是 [27:23] 今天比较 down 还是比较嗨 [27:24] 给他特调出一个咖啡出来 [27:26] 那他的感受就很好 [27:27] 那类似的话就像比如说大家所谓的 [27:29] Omakase(おまかせ)这样一个日式的一个餐馆 [27:32] 就是你都不用问今天有什么菜 [27:34] 你只要相信我们 [27:35] 我们肯定会拿最好的技术 [27:36] 最好的食材 [27:37] 给你一个很棒的一个体验 [27:38] 因为到最后 [27:39] 这些食材就是所谓的咖啡豆啊鱼啊 [27:42] 对应到我们 AI 领域就是这些 model [27:44] 你这些 model 其实 [27:45] 不是很难拿得到 [27:46] 就是你有的时候你可能会有些比较 tricky [27:48] 比如说 Anthropic 可能一些最好的模型 [27:50] 号称只能少量的人才用 [27:52] 因为实在太棒了 [27:53] 那那个不知道真的假的 [27:54] 但是大部分情况下你是可以 [27:55] 只要肯花钱 [27:56] 是可以 access 到一些最好的模型的 [27:58] 但是 so what 你不见得能够 [28:00] 知道这个模型应该怎么用 [28:02] 再举个简单例子 [28:02] 比如说你要去有个比较复杂的一个 Mapping 关系 [28:05] 你到底是写成一个 Markdown 一个 table 呢 [28:07] 还是把它写成一大堆的 bullet points [28:09] 哪个更高效 [28:10] 当然你可能省 TOKEN 是一方面 [28:12] 但是哪个执行的会更容易犯错 [28:14] 其实对我们来说 [28:15] 我们会发现 [28:16] ChatGPT 的比如说5.1、5.2、5.3、5.4 [28:18] 每个版本都不一样 [28:19] 所以这里边其实有很多的细节 [28:21] 那 FDE 是有这样一个 [28:22] 足够多的时间去了解这些 [28:24] AI 的一些 best practice [28:25] 同时的话你又很容易察言观色啊 [28:27] 你跟客户有很好的关系 [28:29] 有些私交 [28:29] 然后你愿意大家一起来 [28:31] 试着去推一些新的方式 [28:32] 而且中间就算有犯错 [28:34] 大家也会有这个空间去做一些调整 [28:36] 因为 AI 本身就是一大堆概率的问题 [28:38] 你是很难保证这个东西永远不错 [28:40] 当你错的时候 [28:41] 你怎么能够去及时去修复 [28:42] 而且不要 hurt 这个 relationship [28:44] FDE 在里面其实有很强的人格魅力啊 [28:46] 或者是关系在里面 [28:47] 当然你的技术要非常过硬 [28:49] 这个 identity 很重要 [28:50] 就是 the trust 具象化其实 [28:52] 都是落到人身上的 [28:53] 而不是落到一个抽象的东西上去 [28:55] 所以说人在这里边的关系非常重要 [28:58] 然后我非常 resonate with 你这个做好 [29:00] 就比如说 routing resolve 这两个简单的词 [29:04] 你要想把它做好 [29:05] 这个 skill 什么时候告诉这个模型 [29:08] 然后怎么样子让它在 [29:09] 恰当时候去用正确的 context [29:11] 这种东西特别特别难 [29:12] 这就是为什么我去写那个文章嘛 [29:14] 名词和动词的区别 [29:15] 就是动词其实是无穷精深的 [29:19] 就是你做下去的话 [29:20] 你会发现这里边东西太多了 [29:22] 然后名词是非常非常有限的 [29:23] 你基本上10分钟都可以学会一个名词 [29:26] 可是真正想要做好的都在动词里 [29:28] 但问题就是动词大家是 [29:29] 你不学你不知道 [29:30] 然后你不做你不知道 [29:32] 然后也很难想象 [29:33] 你听说一个名词 [29:34] 新模型然后你就说哦 [29:35] 我有或者没有 [29:36] 你脑子里很难想象 [29:37] 但是你说这个人的 routing 做得好 [29:40] 那个人的 routing 做得不好 [29:41] 你完全没有办法想象 [29:42] 这里边的功夫差的有多深 [29:44] 对没有错 [29:44] 我们真的是遇到很多千奇百怪的事情 [29:47] 有些能讲 [29:48] 有些不能讲 [29:48] 但是真的是 [29:49] 如果你本身比较 open minded 的 [29:51] 是愿意了解这个世界是怎么 work 的 [29:53] 因为其实作为个人 [29:54] 你很难说一年 [29:56] 换三次工作 [29:57] 去不同的餐馆或者是 [29:58] 旅游公司去做事情 [29:59] 但是 FDE 因为我们往往 [30:01] 一年可能做好多项目 [30:02] 然后每个项目都很有趣 [30:03] 比如说我们假设做这个牙医的项目 [30:05] 你可能会发现有些人 [30:06] 可能牙齿都已经掉了 [30:08] 他有些发音就会很奇怪 [30:09] 怎么能够去 tune 你的模型 [30:11] 能够让它识别出来一些词 [30:12] 这种事情你不是很难 [30:14] 但是你不知道就是不知道 right [30:15] 但是我们做过几次之后就知道啊 [30:17] 我们有一些 flag 专门是 [30:18] 为这种场景来设置的对 [30:20] 有意思 [30:20] 到时候如果说可以聊的话 [30:22] 我可以邀请你来 Superlinear 里面来开个直播 [30:24] 然后跟大家讲讲这些故事 [30:26] 很多餐馆有一堆奇怪故事 [30:28] 酒店有一堆奇怪故事 [30:29] 牙医有一堆奇怪故事 [30:31] 对而且另外一个很好的事情在于 [30:33] 因为我之前很多年做 IBM 做 EMC [30:36] 做企业软件 [30:36] 大家就会发现诶 [30:37] 这个东西只要不坏就不要改 [30:39] 这是一个很常见事情 [30:40] 尤其是做 on premise [30:41] 然后呢我们现在做 AI Agent [30:43] 其实我觉得这是 [30:44] 对我们来说是个好事情 [30:45] 就相当于如果你不改 [30:46] 你这个模型可能就不能用了 [30:48] 或者是说你这个 API 就不 work [30:50] 所以这个世界是变得很快 [30:51] 就是他要不停地去 engage FDE [30:54] 比方说你假设你原先用4.1 [30:56] 那你现在不能用4.1了 [30:57] 你必须要用5.x [30:58] 不管你是作为20%的一个 PS Fee (服务费） [31:01] 还是作为一个 new use case [31:02] 新的 sow [31:03] 你需要不停地去 engage [31:04] 去用最好的模型 [31:05] 或者是用对的模型 [31:07] 然后去把这个事情越做越好 [31:08] 这不是一个一枪头的买卖 [31:10] 这点很重要 [31:11] 之前没有那么想过 [31:12] yeah 就之前的所有的东西都是放在那 [31:14] 然后大家习惯了 [31:16] 这个东西就定死了 [31:17] 然后你哪怕有再多的 bug [31:18] 其实很多时候大家都不会去推动的 [31:21] 就是在这里每个人都很痛苦 [31:22] 但是它永远是一个旧的 [31:24] 然后 legacy 的屎山的 [31:26] 然后充满问题的东西 [31:27] 但是不会改 [31:28] 但是现在因为模型它变得这么快对吧 [31:31] 然后成本啊 [31:32] 什么东西都会变得特别快 [31:33] 所以说它一直在不停地 refresh [31:36] 这很有意思 [31:36] 对这就 push 大家用这个所谓 ARR 的一个 [31:39] subscription 一个 model [31:40] 这可能对 VC 来讲 [31:41] 对公司来讲都是很喜闻乐见的 [31:42] 那客户因为他用了模型 [31:44] 我们甚至是不提供任何 on premise 部署 [31:46] 只能用 SaaS [31:47] 加上你这个 SaaS 也会用 [31:49] 比如最好的 voice engine 啊 [31:50] 最好的 whatever 一些 model [31:52] 所以这就变成一个很自然的一个 ARR [31:55] 就不会客户整天问说啊 [31:56] 什么时候能够在我这边装好 [31:58] 然后我就可以甩掉你不会的 [32:00] 就他甩不开我们 [32:01] 接下来想问的就是 [32:02] 什么样的同学适合 FDE [32:04] 然后 FDE 的 day to day 是什么样子 [32:06] 你在招聘的人是一个 [32:08] 什么样的人才画像 [32:09] 自我推荐下就是我在比如说 LinkedIn [32:11] 或者是我自己也有一个 Podcast 在 [32:13] 采访一些 FDE 的一些从业人员 [32:15] 如果我没有足够多的 [32:16] 对外采访的一些机会 [32:17] 我就可能就采访我内部 [32:19] 比如说我现在有30个人 [32:20] 一个一个采访也足够很多期了 [32:22] 大家可以有这样一个意识 [32:23] 就是说 FDE 本身是一个对这种 [32:25] 主动性 agency 要求很高的一些人 [32:27] 所以我现在这个点是 [32:29] 并不放心招 junior 的 [32:31] 所以 FDE 是需要工作3年以上 [32:34] 然后本身就是一个很好的 engineer [32:35] 那如果他做过自己公司 [32:38] founder, co-founder [32:39] founding engineer [32:40] 很好 [32:41] 如果你做过 consulting [32:42] 做过一些 customer facing [32:43] 你在这个 customer communication negotiation 这方面 [32:46] win trust 方面其实没问题 [32:48] 那另外一方面就是他需要做过 AI Agent [32:51] 因为这个其实也是 [32:52] 属于我比较着急的地方 [32:53] 就是说我这边能够很容易招到 [32:56] 看到大量的简历 [32:57] 大家上面写的我是一个 AI engineer [32:58] 我很会用 Claude Code [33:00] 我很会用 Codex [33:00] 这不废话嘛 [33:01] 就你现在这个点 [33:02] 任何一个 engineer [33:03] 如果你不会用 Claude Code [33:04] 就像不会打字一样 [33:05] 就没有意思 [33:06] 就是你必须要会做 AI Agent 才有意义对 [33:08] 那个在简历上和精通 Excel 是一样的 [33:11] 对啊所以我们需要你会 [33:13] 比如说做过一些 AI Agent [33:14] 不管是开源的像 LangChain 啊 [33:17] 一些 CrewAI 啊 [33:18] 或者是你做过一些 RAG [33:19] 当然如果你做过一些 voice 相关的更 ready [33:22] 这样的话 [33:22] 快的话你可能进来第二周第三周 [33:24] 就已经 forward deploy 到某个地方去了 [33:27] 所以我们对这些招聘的话 [33:28] 更多看重他的一些 singularity 呀 [33:31] 有一个问题就是我那个 [33:32] knowledge bank 写了 AI 产品的6个层次 [33:35] 我都不算你用 AI 做了一个跟 AI 没有关系的产品 [33:39] 我是说就是你用 AI [33:40] 然后这里边有 AI 的产品的6个层次 [33:43] 有没有看那个文章 [33:44] 啊你可以 refresh 我一下 [33:45] 就第一个是 prompt wrapper [33:47] 然后第二个呢 [33:47] 是 grounded AI [33:49] 就是带知识的 AI 应用 [33:51] 第三个呢 [33:51] 是 tool-using AI [33:53] 能调工具的 AI 应用 [33:54] 第四个呢 [33:55] 是 LLM workflow [33:56] 固定流程里的 AI [33:58] 第五个呢 [33:59] 是 agentic core [34:00] 就是有一个智能体核心 [34:01] 然后 AI 可以 plan-act-observe [34:03] update state-continue stop [34:05] 自己决定下一步并循环执行 [34:08] 第六个是 AI native product/system whatever 吧 [34:10] 就是 AI 它可以有低摩擦交互 [34:12] 上下文智能、记忆、权限 [34:14] 主动触发、评估、guardrail、runtime [34:16] 是这样分的 [34:17] 我们现在项目或者是我这边看的 candidate [34:20] 大概到 level four 差不多就可以了 [34:22] 因为这个涉及到我们做 [34:24] 比如说以 voice AI 的话 [34:25] 尤其是做客服这样一个背景 [34:27] 其实你不见得需要 [34:29] 这个 AI 去做很多 research [34:30] 做很多 proposal [34:32] 啊我这边有3个方案 [34:32] 你觉得哪个方案比较合适 [34:34] 很多时候就是你该退票退票 [34:36] 该 refund refund [34:37] 不能去问客户说我这样做对吗 [34:39] 我给你应该50%refund 30%refund [34:42] 所以我们更多其实是要很清楚知道 [34:44] 你怎么去拿这些 knowledge base、SOP [34:46] 然后有个低延迟 [34:47] 然后你要做一些 tool call [34:49] 所以可能在 level four 对我们来说更切合一些 [34:52] 当然我们有些别的产品 [34:53] 在Cresta 是一些做深度 research [34:55] 让主管能够通过一个简单问题 [34:57] 能够拉出一个100页的一个 PDF [34:59] 带很多图表 [34:59] 然后让他知道现在有哪些改进的空间 [35:02] 但是对 voice AI 来讲 [35:03] 我们更多是看到第四层就可以了 [35:05] 要把 AI 用好 [35:06] 然后有经验有 agency 很重要 [35:08] 还没有其他的就是画像 [35:10] 你的沟通能力 [35:12] 你跟客户的这些 engagement [35:14] 你是如何 win trust [35:15] 你怎么去 solve 一些 conflict [35:18] 你怎么去 drive 一些事情 [35:19] 当然很少有人会去面 CTO 了 [35:22] 但我可以想象 [35:22] 就这些其实是一些比较全面的一些点 [35:24] 能够证明你不光是一个好的 coder 也好 [35:27] programmer 也好 [35:28] 这个其实已经不重要了 [35:29] 更多是说你很清楚你要怎么去 make things happen [35:32] 以一个技术人的方式 [35:34] 所以这边我们会有很多人的面试 [35:36] 有些是偏技术的 [35:37] 有些是偏 behavior 的 [35:38] 包括跟我们的 FDPM 的一些 [35:40] 配合度都会有一些考量 [35:42] 包括我们中间可能会有一个环节 [35:43] 就是让你放开 [35:45] 你随便用 [35:45] 就是你用 Claude Code [35:46] 用 Cursor 都可以 [35:47] 能够在90分钟内 [35:49] 基于我们给的一些 API [35:50] 给的一些 knowledge base [35:52] 能够做出一个 agent [35:53] 而且证明这个东西是高质量的 [35:54] 如何去设计你的 test eval [35:56] 甚至是 handle 一些 edge case [35:58] 那你就能够相对比较具体地 [35:59] 看到你在这块的一些熟悉程度 [36:01] 而不是说道听途说的 [36:02] 或者做一些 toy project [36:04] 追问的一个问题啊 [36:05] 就是 win trust 这件事特别重要 [36:07] 但是很多人会就会 [36:08] 不会就不会 [36:09] 你觉得有什么样的人 [36:10] 技术其实是合格的 [36:11] 但是他就很难 win trust [36:13] 你觉得这些能 win trust 的人 [36:15] 他到底有什么特质 [36:16] 这个可能是一个比较主观的话题 [36:18] 那如果有人经历过很多失败的经验 [36:22] 对我来说其实是一个很好的事情 [36:23] 他如果能够把他过去的一些 lessons learned [36:26] 讲出来他在哪个场合 [36:28] 是不是所谓言多必失啊 [36:30] 或者是太早的 jump to conclusion [36:32] 能够失去一些 trust [36:34] 还是说他能够去从客户的角度 [36:37] 揣测出他的很多 motivation [36:39] 一些明显的 [36:40] 一些不明显的 [36:41] 然后去把你这个 proposal [36:43] 以一个比较好的角度去切入 [36:44] 能够站在他的角度 [36:45] 甚至是让对方来 present 这样一个方案 [36:47] 而不是说你强行 say no [36:49] 或者是强行去推 [36:50] 中间其实有很多细节地方 [36:51] 所以这也是为什么如果 [36:52] 大家做过一些 co-founder [36:54] founding engineer 的话 [36:55] 这边的锻炼会更多一些 [36:56] 当然像这些 consulting 背景的人 [36:59] 其实也是做过非常好的 [37:00] 一些系统型的训练 [37:01] 这也是我这边 [37:02] 喜闻乐见看到这样一些背景 [37:04] 但是还是有很多人 [37:05] 确实天赋异禀 [37:07] 他本来就是能够 [37:08] 很聪明地去学很多东西 [37:09] 在沟通过程中能够去 [37:11] 把握住对方哪些是假信号 [37:13] 哪些是真实的需求 [37:14] 哪些是不好意思说的 [37:15] 那能够找一个比较好的角度 [37:17] 把自己的这个 idea 能够 plant 进去 [37:19] 然后让他说出来 [37:20] 这会是一个蛮有趣的一个点对 [37:22] 没有一个很客观的方式哈哈 [37:23] 那我刚听下来 [37:24] 或者说我自己之前就有一个 idea [37:26] 就是真正能得到对方 trust 的人 [37:28] 第一个是他愿意 listen [37:30] 并且能站在对方的角度去思考 [37:32] 第二个呢 [37:32] 就是他自己在这里边的 EGO 不要大 [37:34] 就是他会就会 [37:35] 不会就不会 [37:36] 他是为了把这个事情做好 [37:37] 如果说对方 sense 你 [37:39] 就是你特别在乎自己的 EGO [37:41] 或者说自己对不对 [37:42] 但不在乎这件事本身的话 [37:43] 对方就会比较不 trust 当然了 [37:45] 就是你自己 technically solid 也很重要 [37:47] 就是你不能啥都不懂 [37:49] 或者说有很大的知识盲区 [37:50] 这个也不行 [37:51] 很有道理 [37:51] 有些很明显的事情 [37:53] 就比方说如果有个面试 [37:54] 我问一个问题 [37:55] 对方给了我一个6分钟10分钟的回答 [37:57] 我觉得基本上就是一个 red flag [37:59] 你没有一个很好的一个沟通 [38:00] 你不知道这个信息力度在怎么样子 [38:02] 你怎么能够去激发对方的一些 echo [38:05] 你有的时候你列出10个点 [38:06] 你还不如讲两三点 [38:07] 就是很多东西其实 common sense [38:09] 但是如果大家太痴迷于 [38:10] 把我想的东西一股脑倒出来的话 [38:12] 这个本身不是一个很好的 FDE 的一个 signal [38:15] 嗯嗯嗯 [38:16] 就这些技能吧 [38:17] 不管大家要不要做 FDE [38:19] 其实都是非常重要的 [38:20] 只不过在大公司的这种分工的情况下 [38:23] 有的时候你不需要去 [38:24] deal with 那些 complexity [38:25] 然后你就反而没有这些技能 [38:27] 似乎也能活得很好 [38:28] 但是我觉得时代 [38:29] 越来越不是这个时代了 [38:30] 不管要不要做 FDE [38:31] 这些东西都挺重要的 [38:33] 尤其大家可能现在有一些 concern [38:35] 是说我作为一个纯前端纯后端 [38:37] 哪怕是个 full stack [38:38] 你有几个月还是几年的时间能够被 AI 取代 [38:41] 那我觉得 FDE 是属于是个港湾 [38:43] 一个避风港 [38:44] 哈哈因为这边是有很多人的成分 对 [38:46] 很难被 AI 取代 [38:48] 对 非常好的 transition [38:49] 就是一方面他要跟人打交道 [38:50] 另一方面就是我在视频里边 [38:52] 其实也反复强调的 [38:53] 就是过去我们是为 skill [38:56] 有了一个 skill [38:56] 然后你就可以生存 [38:57] 现在是不行了 [38:58] 现在这个 skill 其实是 [38:59] 大规模的被取代了 [39:00] 但是你可以为结果去负责 [39:02] 只要你能去越来越近的接触结果 [39:05] 其实你就越难被取代 [39:06] 因为这个结果最后 [39:07] AI 是没有办法去为这个结果担责任的 [39:09] 因为换个 prompt 它就说了另外一句话 [39:11] 还是需要人去为这个结果去担责任 [39:13] 对 没错到最后我们就需要有这些 [39:16] 能够 make 很好 decision 的人 [39:17] 能够很 smooth 地跟客户 [39:19] 一起把这个事情做成 [39:20] 到最后到底是你的方案 [39:22] 还是他的方案无所谓 [39:23] 其实只要做成就可以了 [39:24] 你不要有很强的 EGO 对 [39:25] 嗯 你觉得我还有没有什么 [39:26] 就是没有问到的东西 [39:28] 你想跟大家分享的东西 [39:29] 对我觉得可能还有一个话题 [39:31] 可以稍微讲一下 [39:31] 就是因为我们也还有一些 [39:33] 不管是朋友还是观众是在国内 [39:34] 那国内不管是像金蝶啊 [39:37] 很多公司对这块其实是有很多的顾虑 [39:40] FDE 这样一个模型 [39:41] 当然国内也很愿意去 [39:43] 比如说有个方式说你抄了这个东西 [39:45] 肯定能够像 Palantir 那么成功 [39:47] 当然都会抄 [39:48] 但是国内本来就可能人工不是那么贵 [39:51] 而且 ToB 的市场也可能会比较 tricky 一些 [39:53] 我自己也在国内的一些群里面 [39:55] 大家对这块其实是持很大的观望 [39:57] 不管是唱衰啊 [39:59] 还是觉得诶我们 [40:01] 应该要到 FDE 这一天 [40:02] 但现在还太早啊之类 [40:03] 我的观点也是说 [40:05] 你这个橘子种哪里是很相关的 [40:07] 在北美的话 [40:07] 因为人工本来就很贵 [40:09] 大家对结果买单的 [40:10] 这个需求是比较强的 [40:11] 你这个 SaaS 也比较成熟 [40:13] 所以这些东西加在一块的话 [40:14] 就会让 FDE 模型 [40:16] 尤其在 AI Agent 这块 [40:17] 就比较容易落地 [40:18] 至于这个如果是一个数据库实施 [40:20] 还是做一个数据清理 [40:21] 还是做一个政务相关 [40:23] FDE 就不适合那么复杂的形式 [40:25] 那个 way more than can cover [40:27] 我也很心疼国内的从业人员几秒钟 [40:30] 只能说 FDE 在北美是一个相对来说 [40:32] 比较成熟或者是有效的方案 [40:34] 但是在国内还很难讲对 [40:35] 国内 SaaS 好多好多问题 [40:37] 其中最重要的问题 [40:38] 就是没有 enterprise 市场 [40:40] 哈哈没有客户 [40:41] 国内其实没有什么特别大的大企业 [40:43] 或者说很多的大企业 [40:45] 好好好非常感谢 [40:46] yeah～感谢各位代表 [40:47] 祝大家在 AI 世界里面乘风破浪 [40:49] 不管是做 FDE 还是做别的 [40:50] 谢谢谢谢 [40:51] 感谢拜拜