FDE 深度研究报告 · 前置部署工程师的核心机制、培训与证书HTML
以 Palantir 一手材料拆解前置部署工程师(FDE):它是组织机制,非岗位名,靠用毛利换护城河成立,八周逾 85 亿美元下注;纠正「95% 试点失败」误引,给出五步闭环、五阶成熟度、90 天路线与反模式,并直言行业无公认证书、中国版偏向交付标准化。
以 Palantir 一手材料拆解前置部署工程师(FDE):它是组织机制,非岗位名,靠用毛利换护城河成立,八周逾 85 亿美元下注;纠正「95% 试点失败」误引,给出五步闭环、五阶成熟度、90 天路线与反模式,并直言行业无公认证书、中国版偏向交付标准化。
高考现代文阅读提分示例精讲:以四道仿真例题拆解信息类文本的选择题与主观题、文学类文本的选择题与作用题,每题给出错误答法、出错原因与满分答案对照,配套逐词回原文加七类陷阱速查、主观题六分三点采分公式与作用题四维支架,附考场速查卡,看完就能照练。
高三语文90分、现代文阅读几乎不得分怎么办?这份深度报告用命题文件、阅卷细则与元分析数据,拆解信息类与文学类两条失分轨道,揭示采分点可逆向工程、选择题最该先抢,给出四步精做循环、九个月三阶段路线,测算35分能从约5分提到22–26分。
借 Claude Code 与 mattpocock-skills 开发 macOS「长辈计算器」,复盘访谈、规格、拆票、TDD、双轴评审五环节流水线:4 轮访谈落定 25 个决策点,36 条故事切为 12 张曳光弹切片,23 个测试全绿,关键在上下文工程。
深度对比 vLLM 与 SGLang 两大推理引擎:显存分页与基树索引怎样管理 KV 缓存,连续批处理与前缀复用为何把显存利用率拉到九成以上;再拆解 PD 分离为何拆、怎么拆、如何定配比,指明它只提升有效吞吐与尾部延迟而非吞吐,并给出渐进落地清单与常见反模式。
以俄罗斯方块为例的 Jev 集成开发实战:复盘 v1 逐键询问的反面教材,再拆解 v2 落点决策闭环——代码枚举合法落点、隐患转成语义词、优先级列表注入策略,实测六十秒从零消行跃升至消十二行三千零九十四分,附 CORS 代理与智能体接口清单。
Jev 为软件而生的结构化决策模型:不写文本,只用 RLCD 校准概率直接返回可分支、可排序、可路由的答案,延迟约 100ms,十三个问题合并比逐个便宜 12.2 倍。本篇为官方文档全站中文整理,覆盖三大原语、四大架构模式、置信度门控路由与九个已知失效模式。
这是一份可以照着做的 AI 原生软件开发工作流指南。我用 Claude Code 加 mattpocock/skills 技能集,从零开发了一款 macOS 原生应用「长辈计算器」,并在交付后走完了完整的架构演进循环。本文拆解这条工作流的每一个环节——为什么这样设计(所以然)、具体怎么做(操作步骤)、实战中长什么样(真实证据)——让没有经验的开发者也能照着走完全程。完整对话实录见实践实录,速读版见上一篇实践总结。
一、为什么需要「AI 原生」工作流
大多数人的 AI 编码方式是:打开编辑器,描述一个需求,AI 吐出代码,人肉检查。这是 AI 辅助——AI 是打字快的初级程序员,工程过程还是人的那套。
AI 原生的含义不同:整个软件工程过程——需求澄清、规格化、任务拆解、实现、测试、评审、演进——都围绕 AI 的特性重新设计。
1.1 四个经典失败模式
mattpocock/skills 的作者 Matt Pocock 在仓库 README 里总结了他观察到的四个 AI 编码失败模式,这套技能集就是对着这四个失败模式设计的。理解它们,就理解了整条工作流的"所以然":
失败模式 #1:智能体做的不是我要的(misalignment)
"No-one knows exactly what they want" —— 《程序员修炼之道》
一份可以照着做的 AI 原生软件开发工作流实战指南。作者用 Claude Code 从零开发一款适老化计算器应用,完整走通需求访谈、规格化、拆票、测试驱动实现、双轴评审与架构演进全流程,并给出团队落地路径,附四轮二十七问、三十六条故事与七十六个测试的真实数据。
以 mattpocock/skills 的 37 个技能为蓝本,完整拆解从模糊想法到可合并代码的 AI 原生开发全流程:每个环节做什么、该用哪个技能、为什么这样设计,并附可照抄的落地检查清单与技能逐条详解。
深度拆解 Jev 决策模型接进智能体循环的真实收益与边界:官方称快至 200 倍,社区实测端到端仅提速 25%,因决策仅占流程 53%。报告归纳四种集成模式与决策树,讲清置信度门控、模型路由等实践,点明上下文压缩是唯一硬失败案例,并附落地清单与本地化复现方案。
「Jev」发布一周,GitHub 便长出一个开源生态。本文经接口核实盘点 20 个最火项目:头部网页智能体拿下 1.7 万星,另有语音控制浏览器、本地复现与我的世界通关案例,按决策层、开发工具、资源清单、开源复现四大生态位分类,并警示全部未经生产验证。
实测超快浏览器智能体:离线契约测试全过,无需密钥即跑通决策循环;接入真实浏览器后三次运行定位过期日期根因,第三次以 $0.0114 成本完成苏黎世到伦敦航班任务,7/7 独立校验全过。报告拆解投机扇出机制、56% 决策过期率与延迟差距,并附三层可审计日志。
以 mattpocock/skills 技能库为蓝本,梳理AI原生软件开发生命周期的完整实践:先剖析它反对的四类失败模式与设计哲学,再走通从想法拷问、原型验证、规格化、拆票到实现与双轴评审的完整环节,并附上三条汇入通道与上下文卫生等要点,附录逐一详解全部技能。
公司规格驱动开发技能集定制方案:以可组合技能三层架构为骨架,借鉴差异增量防漂移机制与宪法门禁,并注入自研 AI 设计流水线实践,覆盖需求拷问至归档全链路。正文含三大工具源码级对比、裁剪清单、新增技能设计、质量门与治理不变量、人机分工及三阶段落地路线图。
深度拆解 Figma 网页转设计插件:它能将任意网页编译成完全可编辑的设计图层,已坐拥两百万用户与社区点赞第一,核心引擎被收购。报告讲清转换管线与质量分层、云端和扩展双通道的隐私代价、MCP 与 AI 工作流闭环、定价与竞品选型,并附风险清单与结论建议。
实践记录:在上一篇里,我用 Claude Code + mattpocock-skills 走通了 AI 原生的开发流水线。这一次,我把目光投向开发之前被忽略的环节——设计。我基于 Google 的 DESIGN.md 规范,为「长辈计算器」建立了完整的设计流水线:从现有网站提炼设计规范 → 生成高保真 HTML 原型 → 导入 Figma → 与代码对齐。本文拆解每个阶段的做法、工具的能力边界,以及实战中踩过的六个坑。
一、范式转变:设计的事实源搬家了
传统 SDLC 中,设计的事实源(single source of truth)是 Figma:设计师在画板上创作,开发通过"交付"把设计变成代码。AI 原生 SDLC 中,事实源上移到仓库里的文本规范——因为文本是 AI 的原生格式:可读、可 diff、可 lint、可版本化。
| 传统流向(人主导) | AI 原生流向(AI 主导) | |
|---|---|---|
| 事实源 | Figma 画板 | 仓库里的 DESIGN.md |
| 设计稿形态 | Figma 帧 | HTML 高保真原型 |
| Figma 的角色 | 创作层 | 协作与存档层 |
| 迭代成本 | 分钟级(人工拖图层) | 秒级(改 prompt → 刷新) |
为什么流向变了?两个现实约束:
AI 原生设计流水线实战:把设计事实源从 Figma 上移到可 diff 可 lint 的 DESIGN.md,按四阶段完成规范提炼、HTML 高保真原型、导入 Figma 与代码对齐,并给出设计治理、工具链配置、六个真实踩坑、人机分工与落地检查清单。
胶东喜饼开店深度研究:以乳山媳妇饼为样本,讲文化源流、烘焙大盘与区域缝隙,给出「无水」配方10:4:1.6:2.5、设备2万起预算与山东办证路径,测算单饼成本约1.6元、日保本80~120个,借文登花饽饽5亿产业验证三层产品线与90天冷启动,附风险反模式清单。
实践记录:我用 Claude Code 加 mattpocock/skills 技能集,从零开发了一款 macOS 原生应用「长辈计算器」。本文以这次真实开发为主线,拆解这套"AI 原生"软件工程流水线的每个环节、它背后的设计哲学,以及实战中暴露的问题。原始对话实录见前一篇。
一、为什么是"AI 原生"而不是"AI 辅助"
大多数人的 AI 编码方式是:打开编辑器,描述一个需求,AI 吐出代码,人肉检查。这是 AI 辅助——AI 是打字快的初级程序员,工程过程还是人的那套。
AI 原生的含义不同:整个软件工程过程——需求澄清、规格化、任务拆解、实现、测试、评审——都围绕 AI 的特性重新设计。AI 的特性是什么?
| AI 的特性 | 对工程过程的要求 |
|---|---|
| 上下文窗口有限,塞满后质量衰减 | 任务必须切成"单个上下文能装下"的批次 |
| 每次会话开始时最"清醒" | 频繁开新会话,而不是一条会话干到底 |
| 不会主动追问,猜错了就错到底 | 需求阶段强制访谈,分歧在写代码前解决 |
| 产出无限、判断有限 | 人只做检查点决策,不做中间执行 |
| 记不住上一次的对话 | 共识必须落盘为文件,而不是留在脑子里 |
mattpocock/skills 就是围绕这张表设计的。
没有找到匹配的文章