这篇回答一个具体问题：AI 工具到底能接管 FDE 日常里的哪些环节、必须避开哪些环节。
最值得拿走的是「约束先行」的思路——客户现场的可用的工具清单由内网与合规决定，先画边界再谈提效；以及四个高收益场景：会议记录转结构化需求、评测集候选生成、部署文档草稿、复盘起草。最容易出现误用的是把 AI 产出直接当结论出口，文中对每一类场景都给了人工确认点，这些确认点比工具本身更值得记住。工具在更替，约束与边界相对稳定。
相比站内已有的 Agent 评测与日常节奏内容，这篇的增量在工具与岗位工作的逐环节映射。国内语境要叠加的是：大客户数据不出域的要求普遍严格，私有化部署与脱敏流程是提效讨论的前提，而不是可选项。
读完后，列出你手上项目允许使用的工具清单，挑一个沉淀环节先试一周；工具清单与客户确认之后，再决定先试哪个环节。
—— FDEChina编辑部 · 实战派
AI 编程与 AI 办公工具的普及，让很多 FDE 产生两种极端感受：一种是「工具太强了，我的工作要被它做掉一半」，另一种是「客户现场这也不让用那也不让用，跟我有什么关系」。两种感受都有偏差。真实的情况是：AI 工具能显著放大 FDE 的产出，但前提是你清楚现场约束下哪些工具可用、哪些环节适合交给 AI、哪些环节必须留给自己。这篇按 FDE 的实际工作环节逐一展开，先看约束，再谈提效，最后划出不能依赖的边界。FDE 的日常节奏本身，见FDE 的一天，这篇讨论的是在同样的节奏里，哪些环节可以借力。
先看约束：客户现场用 AI 工具的三道门槛
第一道门槛是网络隔离。国内 toB 项目普遍观察到的情况是：金融、政务、大型制造客户的生产环境位于内网或专网，与公网物理或逻辑隔离，你在现场工位上可能连不通任何外部 AI 服务。这意味着「随手打开一个在线工具」在很多客户场景里不成立，工具选择要在进场前就确认。第二道门槛是数据合规：客户数据、业务代码、内部文档往往受保密协议约束，不允许输入任何外部模型服务。这不取决于你的习惯，而取决于合同与客户的监管环境；违反一次，失去的可能是整个客户关系。第三道门槛是设备与流程：有些客户要求在指定设备上工作、安装软件要走审批，工具引入本身是一个需要客户认可的过程。
这三道门槛决定了 FDE 使用 AI 工具的正确顺序：先与客户确认可用工具清单——哪些服务允许访问、哪些数据允许输入什么系统、审批要走哪个流程——然后再设计自己的工作流。行业普遍观察是，可行的路线通常有三条：客户私有化部署的模型服务（越来越多的大客户在内部自建）、经过客户审批的特定外部工具、以及完全本地运行的小型工具。在没有确认清单之前，默认态度应当是保守：宁可先用不上，也不要先违规。约束想清楚了，后面的所有提效讨论才有意义。
需求澄清与文档的 AI 辅助
FDE 花在「文字工作」上的时间远超外界想象：会议纪要、需求整理、方案文档、周报、交付文档。这些环节恰好是当前 AI 工具最成熟的领域，也是投入产出比最高的切入点。第一个场景是把会议记录转成结构化需求：现场访谈或需求会议之后，把录音转写的文字（在客户允许的前提下）交给 AI 整理成「需求条目、待澄清问题、隐含假设」三类，你在此基础上补充判断。这里的人工确认点非常明确：AI 整理的是「客户说了什么」，而「客户真正要什么」的判断必须由你做——把转述当需求，是 FDE 的大忌。
第二个场景是文档起草。部署文档、接口说明、方案初稿这类结构明确的文档，让 AI 按你给的骨架生成初稿，然后逐段核对事实再出口。核对的重点是：版本号、配置项、环境信息这类「AI 最擅长一本正经编造」的内容，一个都不能凭感觉放过。第三个场景是差异比对：客户环境升级后，让 AI 帮你比对新旧接口文档、配置差异，找出可能受影响的调用点。这类机械性工作 AI 的准确率和速度都远超人工，且结果容易验证。
这条线上的总原则是「AI 出草稿，人出判断」。判断包括：哪些需求值得接、哪个文档该发给谁、哪句话在客户语境里有歧义。放弃这个原则的 FDE，会在某次客户会议上遭遇 AI 幻觉带来的信誉损失——而 FDE 的职业资产恰恰是信誉。还有一个细节容易被忽略：转写与整理过程中会自然产生大量客户原始话语的副本，这些副本存放在哪、保留多久，也要纳入合规确认的范围，而不是默认它只是「工作草稿」。
用 AI 加速评测集生成
评测集是 FDE 交付质量的地基（指标设计见FDE 交付质量度量），但建评测集是出了名的费时工作：要覆盖真实场景、要标注预期结果、要持续维护。AI 在这里有两个成熟的加速点。第一，从历史材料生成候选用例：把历史工单、客户反馈、失败日志（脱敏后）交给 AI，让它归纳出问题模式并生成候选任务描述与预期输出。这能把「从零想用例」变成「审阅候选用例」，效率差距是数量级的。第二，变体扩展：对已有用例生成同结构、换数据、改边界的变体，快速扩大覆盖面，尤其是边界条件——人的耐心通常只够写正常路径，AI 不嫌烦。
但这条线上的原则比其他场景更严格：AI 生成的用例必须经过人工抽检确认代表性，预期结果必须由人标注或复核。原因在于评测集是所有质量判断的基准，基准本身被 AI 幻觉污染，后面所有「成功率」都不可信——这是把误差放大到整个交付流程的失误。行业普遍观察是，可行的分工是 AI 负责候选与变体、人负责筛选与标注，全程跳过人工确认的评测集不要投入使用。评测方法的系统讨论，见Agent 专题。
知识沉淀的 AI 辅助
知识沉淀是 FDE 团队最该做却最常荒废的环节，荒废的原因不是不重要，而是成本高：项目间隙让谁坐下来写复盘，都是与人性和排期对抗。AI 的价值恰恰是把沉淀成本降到可执行的量级。三个具体做法：一是从聊天与会议记录里提取决策——把一周的沟通记录（合规允许范围内）交给 AI，让它列出「这周定了什么、改了什么、悬而未决的是什么」，你核对后归档；二是部署文档与交付文档的草稿自动化，项目收尾时把配置、脚本、变更记录喂给 AI 生成文档草稿，你补上下文与坑位说明；三是复盘初稿——按固定模板让 AI 基于项目材料先写一版，你负责的是修正结论、提炼可复用经验，而不是从空白页开始。
这里要守住一条线：AI 提取的是「发生了什么」，而复盘最有价值的部分是「为什么」和「下次怎么办」，这两层必须是人写的。把 AI 生成的复盘原样归档，等于团队的知识库里多了一批看似完整实则无判断的文档，比没有文档更糟，因为它会误导后来者。
什么时候不能依赖 AI
边界感是这个岗位用 AI 的核心素养。以下场景应当明确不依赖或只有限度地使用。第一，对客户的正式承诺与验收结论：排期承诺、验收判断、效果保证，这些是你的职业判断与信用背书，AI 的输出最多作为你判断的参考。第二，敏感数据的任何外发场景：哪怕客户允许用某个工具，涉及核心业务数据、用户隐私的部分仍要按合同口径执行，模糊地带选择不输入。第三，进入客户生产环境的代码：AI 生成的集成代码、脚本，必须经过与人工代码同等的审查与测试再上线，客户现场一个错误的自动化脚本造成的损失，远比省下的时间昂贵。第四，现场人际判断：客户的组织里谁支持这个项目、哪句话在哪个场合不该说、汇报节奏怎么拿捏，这些是 FDE 立身的场景直觉，没有工具可以代劳，让 AI 代替你理解人，等于放弃这个岗位最不可替代的部分。这些判断力没有捷径，只能靠在现场积累——这也是 AI 越普及，有现场经验的 FDE 反而越稀缺的原因。
一个实用的自检问题是：这个决策错了之后，客户找谁？答案永远是找你，而不是找工具。凡是你需要为此承担责任的判断，就不要把责任外包给 AI——工具可以放大你的判断力，但替代不了你的责任。
选工具的三个标准：可验证、可撤出、可审计
约束清单确认后，具体工具怎么挑？建议用三个标准过滤。第一是可验证：工具的产出能不能被你低成本地核对。AI 生成的文档可以逐段核对事实，但一个黑箱的自动决策工具，错了你都看不出错在哪——优先选产出透明、验证便宜的环节交给 AI。第二是可撤出：如果明天这个工具不可用了，你的工作流还能不能运转？凡是让项目离开某个工具就无法继续的选择，在客户现场都是风险源，尤其当工具是外部服务、可用性不在你手里的时候。正确的用法是把工具当加速器，而不是把流程绑在工具上。
第三是可审计：客户如果问「这个结果是怎么产生的」，你能不能说清楚？在数据合规敏感的国内 toB 语境里，可审计不是加分项而是入场券——用 AI 生成的代码进了客户系统、用 AI 整理的数据进了交付文档，你都要能回答来源与处理过程。这三个标准还有一个附带的好处：它们同时是向客户解释「我们如何负责任地使用 AI」的话术基础。大客户越来越关心供应商怎么用 AI，能主动讲清边界与流程的团队，反而更容易拿到数据使用的许可。
把工具拼进一天：一份可参考的工作流
最后把上面的环节拼回日常节奏。早晨客户同步之后：把会议记录交给 AI 整理成待办与需求条目，你花十分钟核对归档，替代过去半小时的手工整理。下午深水区：开发环节用 AI 结对——生成样板代码、解释陌生代码库、起草测试用例；评测环节用 AI 从本周失败样本生成候选用例，你筛选入库。碎片时间：让 AI 比对环境差异、起草文档段落。周五沉淀时段：用 AI 生成周报初稿与复盘草稿，把省下的时间用在真正需要判断的部分——分析本周指标、提炼可复用经验。
这个工作流的特征不是「用 AI 做所有事」，而是把 AI 放在「草稿、比对、扩展、提取」这类高重复、可验证的环节上，把人的时间集中在澄清、判断、沟通这些不可替代的环节上。照此执行一段时间后，值得对照FDE 能力模型自评一次：AI 之后，你的时间分配是否更接近模型里那些高价值能力？如果是，工具就用对了；如果你发现自己被 AI 挤到了只剩协调性工作，那就需要重新思考自己的能力结构，而不是怪工具。
小结与下一步
回顾一下：客户现场用 AI 的前提是先画清约束边界——内网、合规、设备三道门槛决定了工具清单；高收益场景集中在文字工作与评测集建设，原则是「AI 出草稿、人出判断」；知识沉淀因为成本下降而变得真正可行，但「为什么」和「下次怎么办」必须人来写；正式承诺、敏感数据、生产代码、人际判断是不能外包给 AI 的四个边界；最后把工具拼进一天节奏，让它放大而非替代你的判断。
下一步建议：先列出你当前项目允许使用的工具与数据边界清单，和客户接口人确认一次；然后挑一个沉淀环节（比如周报或复盘起草）试运行一周，感受成本变化。想系统了解评测集建设，读Agent 专题；想看这份工作流嵌入的一天全景，回读FDE 的一天；想知道工具提效如何在指标上兑现，读FDE 交付质量度量。