铃阅时讯
❌

普通视图

硅谷今年最火的岗位 FDE,我们闷头干了三年

2026年6月8日 22:22

原创 佳芮的创业笔记 2026-06-08 22:22 美国

让 AI 真正变成生产力

今年硅谷突然都在抢一个岗位,叫 FDE,Forward Deployed Engineer:公司派到客户现场的人,跟客户一起,把一个 AI demo 真正变成天天在用的系统。

这岗位我们闷头干了三年。

a16z 把 FDE 称作"tech 最火的岗位"。过去 12 个月,招聘量涨了 7 倍:

  • 2025 年 4 月全行业 643 个职位,2026 年 4 月涨到 5,330 个

  • YC 创业公司里就有 100 多家在招,三年前一家都没有。

薪水也在水涨船高:顶级 FDE 在 OpenAI、Anthropic 总包 30 万到 60 万美元,做到资深、纯做技术不带团队的,竟然能超过 100 万美元。

下面看这几家具体在做什么:

  • OpenAI 2024 年底就组建了 FDE 团队,2026 年把它做成独立的 The Deployment Company,初始投资超 40 亿美元,又收购英国 Tomoro,拿到 150 个资深的 FDE

  • Anthropic 组了个 Applied AI 团队,专门派工程师进大企业现场做 AI 落地

  • Google Cloud、Databricks、Scale AI、Adobe,以及几乎所有 B 轮以后的 AI 公司,都在大规模招 FDE

可光招人、买团队还不够。真要把 AI 铺进一家家企业,巨头还是得拉上麦肯锡、德勤、贝恩这些咨询公司。

这事我们 2023 年就在干了,比硅谷早三年。打一开始就说好:客户的业务真做好了才给钱,交个 demo、一份 SOP、几段提示词或者给套软件,都不算数。

FDE 是什么,最早怎么来的

FDE 全称 Forward Deployed Engineer。Palantir 第 13 号员工 Shyam Sankar 在 2000 年代末提出,2010 年代初成型,他本人就是这个词的发明者。

它和我们熟悉的 to B 岗位都不一样:

FDE 不是顾问,也不是一般的软件工程师,是真正被派进客户内部的人:进客户的群,跟客户的产品、研发坐一块儿,拿客户真实的数据和系统干活,开他们的晨会、动手写代码、线上出故障就去修。

他既要定"做什么",也得把东西做出来、接进系统、保证上线后一直能跑。衡量他的不是写了多少代码、交了几份文档,是这套系统到底有没有人在用、客户的生意有没有变好。

上线也不算完,他得一直待到这套系统变成客户每天的日常、客户自己的人能接手。

Palantir 为什么要发明它?它最早的客户是情报机构,这种客户有个特殊麻烦,没法清楚告诉你想要什么:东西是机密,写不进需求文档,开不进会议室。

Shyam Sankar 的判断:

他干脆把工程师塞进客户现场(驻军基地、分析员办公室、战场附近的指挥所),靠观察、实验、当场动手,去搞懂客户真实的业务。

Shyam 反复讲过一句话:

Good ideas don't come from eating strawberries in Palo Alto. They come from the fields of Djibouti and the factory floors of Detroit.

好想法不是在 Palo Alto 吃草莓时冒出来的,它们出现在吉布提的田野上、底特律的工厂车间里。

但 Palantir 真正精妙的地方不在"把人派出去",在背后那套分工。

下场的 FDE 其实是两种人搭班子:

  • 一种叫 Echo,是懂行业的领域专家,负责钻进客户的生意、找出真正该解决的问题;

  • 一种叫 Delta,是工程师,负责快速把东西搭出来。他们在前线搭的代码糙、全是临时补丁,后方还有一支产品团队,专门把现场趟出来的做法抽象成通用产品:先铺出一条"碎石路",再修成能跑下接下来 5 到 10 个客户的"高速公路"。

Palantir 今天一半以上收入的 Foundry,就是这么从一个个客户现场长出来的。

到 2016 年,Palantir 内部 FDE 的人数比软件工程师还多。今天这家公司市值超过 3000 亿美元,毛利率 80%,是软件公司的水平,不是咨询公司(埃森哲只有 32%)。FDE 不是辅助岗位,是它能从"被人骂作咨询公司"长成真正产品公司的原因。

这是 FDE 的模式:让最顶尖的工程师下场。

Palantir 的 FDE 不少是物理、数学背景,技术底子比市面上大多数人都硬。这套打法能啃下最难的客户,可门槛也高得吓人:你得找到既是物理博士、又愿意常驻客户现场写生产代码的人,这种人又少又贵。所以十几年,没人学得来。

FDE 怎么突然就火了

Palantir 闷头干了十几年,外界一直当它是个特例,没人学。直到这两年,大批企业砸钱上 AI,钱花了,东西却跑不起来。

MIT NANDA 2025 年调了 300 个公开的 AI 项目,95% 的企业试点对利润几乎没有可衡量的影响。

问题并不出在模型,GPT、Claude 都很能打,但是落地现场那摊东西却面临很大的挑战:脏数据、没人写过文档的工作流、合规红线、一堆为 AI 之前的时代设计的老系统。

一个 FDE 的原话:

更麻烦的是,AI 系统和传统软件,出问题的方式不一样。传统软件的风险在上线前,设计、集成、测试,跑通了基本就一直跑,真出错也直接报错,好查好修。

AI 反过来,风险在上线后:它是个概率系统,测试时好好的,一碰到真实数据和真实用户就开始退化,还不报错,只是悄悄变得不靠谱,答非所问、前后矛盾,一点点把用户的信任磨掉。偏偏这时候交付的人都走了,内部团队转去做下一个功能,顾问按合同干完就撤。

系统最该有人盯的时候,没人了。FDE 补的就是这个位置:人在客户现场,问题一冒头就当场调、当场改。

再往根上说,Bob McGrew(Palantir 第二位工程师、后来的 OpenAI 首席研究官)的角度是:

Agent 还没有现成的样子。SaaS 你一上来就知道要做成什么样,照着做个更好的去抢市场就行;

Agent 不是,没人知道一个销售 Agent、客服 Agent 最后该长成什么样,只能钻进客户的真实业务里一点点试,而这种试只能在客户内部做。

结论是:谁想在 Agent 时代找到 PMF,FDE 大概是绕不开的路。

巨头自己建了,还得拉上咨询公司

巨头的办法,是把咨询公司大规模拉进来一起干:

  • OpenAI 签了 BCG、McKinsey、Accenture、Capgemini、PwC 五家组成 Frontier Alliances,让它们帮自己把 AI 铺进企业;它砸 40 亿成立的 The Deployment Company,出资方里 Bain、McKinsey、Capgemini 三家就是咨询公司

  • Anthropic 拉黑石、高盛、Hellman & Friedman 合资 15 亿美元搞了家企业 AI 服务公司,把工程师送进世界 500 强,用私募的钱再造一支 FDE 队伍;它的合作方 Deloitte 也直接挂出了"Anthropic Forward Deployed Engineer"的岗位招人

自己建了为什么还要找咨询公司?OpenAI 不缺钱、不缺工程师,连现成的 FDE 都买得到。它缺的是另一样:钻进一家企业、把生意摸透、最后对结果负责。这件事麦肯锡、德勤干了几十年,OpenAI 想从零练出来很慢,不如直接拉它们一起干。

Bob McGrew 给想做 FDE 的创业者提过一个醒:

“如果不是非做不可,别碰,很容易做着做着就变成纯做服务的外包公司。但如果你的市场离了 FDE 根本起不来,那它可能就是你唯一行得通的方式。”

这套"AI 公司+咨询公司"的组合,在中国基本没有。

埃森哲、德勤、麦肯锡在中国都有团队,但规模、话语权比美国小一截;本土咨询公司里,也没谁跟大模型公司这么深度绑定。

我们没等这个组合出现。从 2023 年起,我们就让一个团队同时长出两套肌肉:懂客户的生意,懂 AI 工程。逼我们走这条路的是中国客户:业务真变好他们才续费,过程做得再漂亮也不买单。

一家 AI 公司怎么自己做 FDE

第一个该招的不是工程师

公开资料里反复出现一个事实:Palantir 最成功的几位 FDE,背景是物理和数学,不是 CS。有的来自硬件工程,加入前根本没写过软件。这一拨人里还有产品经理和设计师。Palantir CEO Alex Karp 是哲学博士。

我们自己 FDE 的负责人,是个学法语的 00 后女生。

说穿了并不意外。Palantir 的 FDE 团队里,写代码的是 Delta,真正稀缺的是钻业务的 Echo。Shyam 招 Echo 专挑"反叛者":不只懂这行怎么干,还能看出现在这套为什么不够好。

FDE 真正的核心能力,是读懂客户的生意、把要交付的成果设计出来。写代码是后半段的事。能想清楚"客户的钱从哪儿来、卡在哪儿、AI 能从哪儿撬动它"的人,比只会写代码的人稀缺得多。

大部分公司做 AI 落地的第一反应,是招算法工程师。错了。第一个该招的,是能听懂客户怎么赚钱的人,就是 Palantir 那个 Echo。

这件事我们交过学费。

我们踩过的坑:PE 摸不透客户的生意

最早交付全靠 PE(Prompt 工程师)一个人跑。他能照着客户说的把 prompt、把流程搭出来,可客户那行的生意怎么转、那些话背后的业务逻辑是什么,他摸不透。客户说一套,他照着搭一套,结果总不是客户真正要的。客户不满意,我那一年半有一半时间在救火,救的都是同一类:交付出去的 Agent 又出问题了。

被客户问住、设计被质疑的时候,PE 没底气,只能搬一句"客户就想要这个"来挡,其实他自己也没真懂客户要什么。东西的质量也兜不住:测试全靠手感,改好一处又坏一处。

后来我们改了打法:进场不再让 PE 单挑,先拉一个这行的业务专家一起进去,把客户的生意、流程、门道吃透,再带着 PE 一块搭。业务专家管"该做成什么",PE 把它落出来。配合一阵子,PE 自己也慢慢长出了懂业务的能力,能听懂客户话里的生意了。

想明白的就一条:第一个进客户现场的,得是真懂这行生意的人,不能让一个只会搭 prompt 的人单扛全部。

一个客户,很多能力,对真实成果负责

前年十月我读到 Palantir 的 FDE,第一反应是:我们要的就是这个名字。"按结果交付"的方向我们三年没改,但定义一直模糊。FDE 这个词把它定义清楚了:一个客户,很多能力,对客户身上的真实成果负责。

改名之后,我们改的是这件事本身怎么干。四件事:

进场,先摸客户怎么赚钱。 一个项目分三个阶段。第一阶段是诊断,懂这个行业的业务专家驻场三五天,把客户的 SOP、知识库、整条链路摸清楚:他怎么获客、怎么转化、钱卡在哪个环节。这些业务专家,有的就是从客户那个行业里挖来的老手:比如做在线教育时,我们跟一家头部在线教育公司的前 COO 深度绑定,他离职后跟我们一起,把这个行业的 AI 落地一遍遍打磨出来。不上来就装软件,先搞明白这门生意。这一步就是 Palantir 那个 Echo 在干的事。

搭,是几个人一起搭。 第二阶段,业务专家带着行业经验,和 FDE 一起把 Agent 搭起来、跑内测。这一步过去是 PE 一个人硬扛,现在不是了:懂业务的管业务,工程的活交给工程师,谁也别替谁硬撑。

质量,靠句子守护兜着。 PE 时代最做不好的就是测试调优,全靠人盯,改对了 A 又错了 B。我们把它做成了一个产品,叫句子守护:它自己从客户百万级的真实聊天记录里,挖出用户可能问的刁钻问题,一条条编成测试题(连正确答案该是什么都写好),拿去考被测的 Agent,自动跑、自动出报告:每条的通过率、答得快不快、花了多少钱、要不要转人工,全摆在报告里。这套东西和具体业务解耦,FDE 在现场踩的坑都沉淀进去,下一个客户进场,他手里的杠杆更大。

交付的是成果,不是一个搭好的流程。怎么证明成果是真的?落地时我们和客户做 A/B:AI 组是销售加 AI 一起干,对照组是同样的销售、纯人工,两组的线索质量、团队水平都拉平,只差用不用 AI。然后整条链路一个环节一个环节地比:触达率、响应率、转化率、人效,每一步都有数据,全程留痕,不是只看最后一个大盘数字。两组一摆,AI 带来多少增量,清清楚楚。我们也按这个结果收费:客户的人效真涨了,我们才拿钱。

这四件事合起来,懂生意的人就不用一个人硬扛了:他站在最前面,背后有业务专家、有工程师、有句子守护这套工具接着。他不用自己写代码,系统替他兜着。

这套收费方式,2023 年我们就定下了。当时国内同行主流还是按人头、按工时、按项目里程碑收,按结果的我们是少数。我后来才知道,这正是 FDE 区别于 SaaS 的命根子:SaaS 按席位、按用量收钱,FDE 卖的是"你帮客户解决了一个问题"。这里头有个不对称:大客户既不信自己能成,也不信你能成,因为他见过太多烂尾项目。

所以早期由我们把风险全扛下来,做成了、客户业务真变好了,再付钱。三年下来这条路站住了:客户续约率高,单个客户的合同越做越大。拿一个在线教育的头部客户说,用上这套之后,AI 组的产出是对照组的三倍,一个销售一个月能盯的人从一千做到三千,整条链路从人海一对一变成了一套系统。

他付给我们的钱也跟着这个涨幅走:盯的人翻三倍,付的也翻三倍。我们赚的就是这中间的人效提升,按线索量收费,不按人头、不按工时。

三年 FDE,长出了 7 个产品基建

我们今天有 7 个产品基建,但不是一开始就规划好的。最早只有两个:句子秒回和句子秒懂,一个是人和 Agent 协作的工作台,一个是搭 Agent 的大脑。剩下的全是 FDE 在客户现场一个个撞出来的:撞知识库的墙,长出句子智库;撞测试的墙,长出句子守护;撞老系统接不进来的墙,长出句子 CLI。现场踩的坑,一个个变成了下一个 FDE 进场就能用的杠杆。

这 7 个产品基建分三层,从客户天天在用的那层往下说:

  • 给终端用户用

    句子秒回(工位)是人和 Agent 协作的界面,一套界面复制到销售、律师、市场、HR;句子参谋(参谋)相当于一个随叫随到的数据分析师,用大白话问一句,就能挖用户洞察、拉转化分析、报异常预警。

  • 搭 Agent

    句子智库(记忆)做的是知识工程,把客户几百万字、散乱、还互相打架的知识,炼成 AI 查得到、越用越准的资产,这是 FDE 进场第一件事,业务没理清上面全白搭;句子秒懂(大脑)让业务的人也能编排多个 Agent;句子守护(主管)管测试、灰度、质检,上线每一步把关。

  • 数字化补齐

    AI 要在客户的系统里跑起来,先得把底层铺平。句子 CLI(手)对外打通各大平台,对内把客户的老系统封装成接口、接进上层;句子智造(地基)补齐客户缺的那块数字化能力。

FDE 贯穿这三层,用全套 7 个产品基建,把 AI 装进客户的真实业务。客户开通就拿到我们十年沉下来的行业能力,不用从零搭。这也是为什么我们敢按结果收费:不是赌运气,是手里有这套基建兜底。

从销售开始,往更多场景长

我们最早从销售切进去,这个场景离钱最近,AI 帮客户多转化、多签单,效果最容易用数字讲清楚。同一套 FDE 打法和产品基建跑通之后,往别处复制就快了:场景上,销售之外,律师、市场、HR 都在做;行业上,从在线教育起家,现在金融、医美、电商也铺开了。换个场景、换个行业,做法都一样:把人效做翻倍,把效果摆成数字。

三种 FDE,同一个角色,不同的活法

我们和 Palantir 解的是同一个问题:客户没法清楚地告诉你他要什么。Palantir 的客户是情报机构,机密说不出口;我们的客户是中国 to B,业务流复杂、KPI 多元、组织里利益盘根错节,需求文档同样写不清楚。两边的解法都是把人塞进去,靠观察、实验、当场动手搞懂客户真实的业务。

但三种模式的活法很不一样:

差别集中在两处。

一是成果能不能量化。Palantir 的成果常是"让一个原本不可能完成的任务被完成",比如破获一起恐袭、合规出一份报告,难量化;我们的成果是转化率、人效、营收,可以 A/B 测。所以我们能做按结果收费,Palantir 大部分单子做不到。这一点我们比 Palantir 走得远。

二是对人的门槛。Palantir 的 FDE 哪怕是物理博士,平均水平也比中国市场上大部分人高一截;我们这边的 FDE,可以是个 00 后、一个长在 AI 里的"原住民"。

不是要求更低,是 Agent 时代的低代码工具链帮 FDE 兜了底:他天生把 AI 当手脚使,只要能想清楚客户怎么赚钱、把成果设计出来,剩下的交给工具。OpenAI、Anthropic 今年新做 FDE 也是这个思路:前面是熟悉业务的人,后面是平台和工具兜底。

下场三年,我改了几个想法

AI 没有让客户裁员,反而让客户去抢更多流量。

我们本来以为人效翻倍,客户就会把差的销售裁掉。结果客户不裁。他用同样多的人,把市场上所有好的线索全抢了过来。

市场上的流量就那么多,谁的人效高,谁就能多拿。

好销售和差销售用上 AI,提升的幅度其实差不多。真正拉开差距的不是销售本身的好坏,是他愿不愿意用 AI。这件事甚至改了我们招人的画像。以前嫌一个人想法太多、不够踏实,现在这种人反而是我要的:脑子里点子多,会使 AI,还拿得准 AI 交出来的东西到底行不行。

按结果收钱这条路,三年前我们也没底;三年下来跑通了,比按工时收费的同行稳,客户也认。硅谷今年集体做 FDE,说到底也是认了这件事:客户认的是结果,不是过程。

干 FDE,真正稀缺的是这种人:能扎进一门陌生生意、快速摸懂,又对结果较真。会写代码反而是最不缺的。这种人,离自己出去开公司,其实只差一步。

写在最后

Palantir 十几年前就把这条路走通了,靠的是最顶尖的工程师。硅谷今年才把它捧成最火的岗位,巨头一边自己建、一边拉咨询公司,创业公司则自己招人。我们 2023 年就上路了,没叫它 FDE,靠的是一个团队自己长出两套肌肉,三年踩坑沉淀成 7 个产品基建,从第一天就按结果收钱。

最早把 FDE 讲清楚的那几个人,Palantir 的 Shyam、Bob,反复说的也不是"工程师驻场",是"卖成果,不卖软件"。这正是我们被国内客户逼着走的路。

说大一点,FDE 解的是 AI 这两年最拧巴的一个错配:技术早成熟了,企业也急着要,可大模型变不成业务生产力,中间缺的,就是把模型真正落进一门门生意里的人。

这个角色,中美都验证过是最优解:美国有 Palantir、有 OpenAI 的Deployment Company,中国是我们。

大模型不会自己变成客户的转化、人效、营收,得有人扎进去,一寸一寸把它落下来。这就是 FDE。

我们想做的,是在中国把这件事做到极致:让 AI 别停在 demo 里,真正变成一家家企业手里的生产力,给他们创造看得见的价值。

阅读原文

跳转微信打开

控制论与智能体编码中的“人在环上(Human-on-the-Loop)”

2026年6月8日 19:00

Dirk Lässig 2026-06-08 19:00 北京

当 AI 能够自主编写代码、运行测试并尝试自我修复时,人类开发者应该站在什么位置?是继续在微观层面纠缠于每一行代码,还是退居幕后进行大局掌控?

自 20 世纪 50 年代以来,软件开发的一大瓶颈始终是人类在终端前敲击代码的速度。而今天,这一限制正在悄然消退。随着能够自主生成、测试和重构代码的 AI 智能体(Agents) 的崛起,我们似乎即将彻底攻克这一历史性的效率瓶颈。

然而,这也带来了全新的挑战:如今,AI 产出代码的速度极其惊人,以至于人类进行传统逐行手动代码审查的能力,反而成了新的瓶颈。在软件开发中,人类的引导和塑造依然不可或缺,因为最终的产出必须由人来负责 —— 并且理所应当,我们仍希望保持主导权。

换句话说,我们需要有切身利益相关(skin in the game)的人参与到流程中,以确保 AI 智能体忠实地实现我们的意图。但是,如果我们坚持对每一个微小的代码改动都做“人在环中(Human-in-the-loop, HITL)”式的微观审查,我们不仅会限制系统的吞吐量,更会成为整个研发流程的“断裂点(fracture point)”。这意味着我们要么选择限制智能体的速度,要么沦为“无脑盖章(rubber-stamping)”的工具人,去批准那些我们并未真正理解的代码。

传统人在环中模式(Human in the loop)

像管理组织一样,领导基于智能体的软件开发

Lead an agentic SDLC like an organization

要突破这一“断裂点”,关键在于理解基于大语言模型(LLM)的智能体具有“非确定性(non-deterministic)”。这种非确定性意味着我们不能盲目信任 AI 会把每一件事都做对。但这同样折射出了一个关于人类团队的基本事实:人也同样会犯错。然而,作为由“会犯错的人”组成的复杂交互集合体,企业组织却往往能够实现卓越的业绩并交付极其稳定的成果。

他们是如何做到的?正是通过领导层所建立、管理层所执行与引导的结构、流程、能力和行为。

优秀的管理者不会去审查员工所做的每一件事,但他们掌控着整个系统。他们设计组织架构、进行目标管理、在出现异常时予以干预,并设定规则边界,从而让富有成效的自组织结构自然涌现。

领导一个基于智能体的软件开发生命周期(SDLC)面临着极为相似的挑战。如果我们想更上一步、高效地领导 AI 智能体,我们就必须在 SDLC 中承担起全新的“引导和掌舵(Steering)”角色,而不是试图去检查每一行代码。我相信,要实现成功的掌舵,我们可以从“管理这门手艺(management craft)”中汲取灵感。编排和控制智能体,与管理者领导一个组织有着极多的异曲同工之妙。

💡 示例:

由开发者扮演“AI 团队主管(Head of AI Workforce)”的角色。由他们定义成功的衡量标准(例如:将 API 延迟降低 20%),并建立团队结构和流程(例如:让一个智能体编写代码,而让另一个 QA 智能体独立进行验证)。只有当仪表盘提示目标偏离或智能体之间出现分歧时,开发者才会介入。

引入控制论:连接开发与管理的桥梁

Cybernetic science as the bridge

对于许多软件工程师来说,将管理视为一门“手艺”甚至“科学”可能会感到有些疏离,甚至有些怀疑。将管理实践应用到软件工程中也并非显而易见。然而,“控制论(Cybernetics)”可以作为二者之间必不可少的桥梁。

这一概念由诺伯特·维纳(Norbert Wiener)于 20 世纪 40 年代提出。控制论是研究复杂系统中的通信与控制的科学,它认为生物体、社会组织和机器都遵循着相同的反馈与调节这一普遍规律。

20 世纪 70 年代,斯塔福德·比尔(Stafford Beer)开发了“可生存系统模型(Viable System Model, VSM)”,将控制论与管理学科紧密连接起来。到了 20 世纪 80 年代,弗里德蒙德·马利克(Fredmund Malik)开始将 VSM 融入其著作《复杂系统管理战略》中,这帮助构成了以控制论为导向的“圣加仑管理学派(St. Gallen School of Management)”的中坚力量。

这一庞大的知识库提供了丰富的科学思想体系,能够帮助软件工程师不再把 AI 智能体系统仅仅看作一个“黑匣子”,而是将其视为一个功能完备、可控、可调节的控制论系统。而且,由于控制论作为一门科学,不仅适用于社会组织,同样适用于技术系统,因此它能极好地作为桥梁,帮我们解决智能体 SDLC 中由于人类试图保持“人在环中”而带来的重重摩擦。

💡 示例:

设想一个由智能体驱动的自愈式基础设施。工程师设计了这样一套机制:监控智能体一旦检测到内存泄漏,就会立即触发编码智能体自动修复并打上补丁。在工程师眼中,随之而来的并非几个孤立脚本的简单堆砌,而是一个经典的控制论反馈环 —— 智能体之间的通信通过反馈受到动态调节,从而确保整个基础设施在面临压力时,依然能够保持高可用与稳定运行。

跃升至元维度的“控制”

Leaping to the meta level with steering

为了理解人类如何有效引导智能体,我们必须审视控制论的基石之一 —— 罗斯·阿什比(Ross Ashby)的“必要多样性定律(Law of Requisite Variety)”:“唯有多样性可以吸收多样性(Only variety can absorb variety)。” 多样性缺陷是衡量复杂性的指标,代表了系统不同状态的数量。

在 SDLC 的语境下,智能体系统的“多样性”表现为在机器速度下产生的海量代码变更、架构决策和缺陷修复。为了控制这一点,人类必须具备“必要的多样性”(即同等或更多的状态处理能力),但这往往超出了人类的认知极限。如果人类试图在具体的代码执行层,通过“人在环中(In-the-loop)”来死磕这种多样性,那么必然会以失败告终或导致流程大幅放缓,从而反而降低了多样性,并最终削弱了智能体系统的速度与能力。

自然地,人类必须跳出“问题-解决(Problem-Solution)”层面,移动到更高的抽象维度:元维度(meta level)。弗里德盟德·马利克将其称为元系统控制(meta-systemic steering)。

这就是处于“人在环上(Human-on-the-loop)”的真正含义。这是通过塑造智能体系统、设计并配置它以实现期望目标、并加入适当的机制来引导智能体向这些目标迈进而实现的。

跳出系统:人类设计与配置智能体系统 

上述的控制机制使智能体系统的多样性与人类的能力(多样性)达到一种内稳态(homeostasis) —— 这是一种动态平衡,在此状态下双方都能保持稳定且方向一致。

因此,为了跳出“问题-解决”层并在元维度进行控制,我们必须拥有正确的传感器(Sensors)和指南(Guides)。

人在环上(Human on the loop)终极控制模型 

这便完整构建了我们的“人在环上”模式:智能体系统自主运行其内部的反馈闭环,而身处外部的人类则在系统层面上进行领航。

在设计支持人类控制智能体的机制时,我们应该从控制论的两个核心手段中汲取灵感:

1. 衰减(Attenuation)

通过过滤或聚合,来衰减来自智能体系统侧的超高多样性,避免让人类侧过载。例如:

  • 将高频输出物聚合为浓缩的标准化报告或仪表盘(如:代码质量趋势、智能体任务成功率指标)。

  • 仅基于预设的阈值向上级升级“异常情况”(Exception Handling)。
  • 促进智能体系统内部的自我管理(就像一个成熟的敏捷团队能够在没有管理层日常介入的情况下,自行解决更复杂的局部问题)。

💡 示例:

开发者不再去阅读 QA 智能体每天生成的 200 个冗长日志,而是配置一个仪表盘,仅在测试成功率指标跌破 98% 时才向人类发出警报。这有效地过滤掉了噪音(衰减了多样性),使其在人类有限的认知带宽内变得可控。

2. 放大(Amplification)

放大来自人类侧的多样性,以更高效、规模化地影响 AI 智能体。例如:

  • 将架构和准入决策规则编码进智能体全局策略中

    (例如通过项目根目录下的 AGENTS.md)。

  • 为智能体提供包含特定业务领域或核心技术规范的统一知识库。

  • 将控制权分散给多个人类角色或整个平台工程团队。

  • 通过培训和先进的思维模型,深化人类对系统整体状态的理解。

💡 示例:

开发者编写了一份详尽的 DESIGN_PRINCIPLES.md 文件,其中包含明确的安全规范和编码风格标准。通过将这份指南注入所有智能体的上下文(Context)中,他们将自身作为个体的技术影响力,成百倍地放大到了整个代码库中。

针对这种衰减与放大,业界最近提出了一个新词 —— 安全套件工程(Harness Engineering)。它的意思是为智能体系统内部的高多样性构建一个稳固的“安全套件(Harness)”。

寻找合适的衰减与放大方法,要求管理侧对智能体系统拥有足够精确的模型。这就是康南特-阿什比定理(Conant-Ashby Theorem):“系统的任何优秀调节者都必须是该系统的模型(Every good regulator of a system must be a model of that system)。” 这一理论表明,想要控制智能体系统的人类必须深刻理解系统本应如何运行。通过为 SDLC 设计和配置智能体,人类将形成一个初始的“思维模型”。但在现实中,实际运行的技术系统可能会与该模型产生偏差(例如发生模型漂移,或在某些未预料到的极端情况下失败)。这就是为什么我们需要引入最后一个元素,来促成“人在环上”模式的最终闭环。

在智能体系统中践行“现地现物(Go See)”

"Go see" in the agentic system

为了使整幅控制论图景更加完整,我想引入另一项来自精益(Lean)管理的成功实践。如果说元维度(Meta level)是我们实施全局控制的地方,那么 Gemba(现场/源头) 就是我们验证控制是否真正与现实相连的地方。在软件开发中,Gemba 指的就是创造价值的实际场所 —— 也就是智能体与代码、仓库打交道的微观世界。

在精益管理中,“现地现物”(Go See,或称 Genchi Genbutsu)是指管理者离开高高在上的象牙塔,亲自深入到生产第一线去。对于基于智能体 SDLC 的工程师而言,这意味着尽管他们主要承担着智能体系统管理者的角色,但他们不能完全只依赖仪表盘传感器和指南策略来领导。工程师必须定期、偶尔地“降维”回到微观的“问题-解决”层面。

将“现地现物”反馈环融合进“人在环上”模型 

结构上,“现地现物”的回归是绝对必不可少的,因为它能保持工程师用于控制的思维模型处于最新、最准确的状态。大语言模型可以生成看起来极其精美、能顺利通过单元测试并满足表面需求的代码,但它同样可能悄悄引入代码退化(Code Decay),或包含自动化传感器无法轻易标记的隐性“幻觉(Hallucinations)”。

传感器通过聚合和过滤来“衰减”多样性,而“现地现物”则刻意逆转了这一过程 —— 让人类重新直面繁杂的微观现实。凭借自身的工程专业技能和在软件工程中沉淀的实战经验,人类能够敏锐地识别出未知的失败模式、检测出潜在的代码坏味道(Code Smells),并感知智能体是否在以正确的方式做正确的事。通过对特定代码模块进行手动的、随机的抽样检查(Spot-checks),工程师将人类的技术直觉转化为了整个控制论系统中最顶级的感知输入。

💡 示例:

某位开发者平时主要通过仪表盘关注质量指标,并不断优化智能体的全局 Prompt 策略。然而,每周五下午,他们会进行一次“现地现物” session:随机挑选由编码智能体生成的 3 个复杂 PR(Pull Request),并开展深度的手动代码审查。
在审查中,他们可能会惊喜地发现,尽管代码通过了所有的自动化测试,但智能体却使用了一种非常低效的数据结构,这在未来高并发流量下会引发严重的扩展性(Scaling)问题。此时,开发者就需要重新修正他们对系统能力的模型评估,并改进安全套件(Harness),以便在未来引导智能体选用更合适的数据结构。同时,他们也可能会调整智能体流水线设计,以期在未来更早地自动检测出此类可扩展性问题。

这种对控制行为的阶段性校准,能够确保外部的传感器没有过滤掉残酷的真相,并且制定的指南在真实的代码世界中切实产生了预期效果。“现地现物”是一种修正机制;它应当成为“人在环上”系统中固定的、不可或缺的次级反馈闭环。在组织学习理论中,这实际上正是双环学习(Double-loop Learning)的经典应用。

结语

Conclusion

从“人在环中(Human-in-the-loop)”向“人在环上(Human-on-the-loop)”的范式转变,正是软件工程这一职业在 AI 时代的进化史。探索控制论与管理艺术,为我们在这场变革中提供了坚实的学科底层支撑。它科学地解释了该如何塑造全新的智能体协作系统,使其既能享有机器带来的极致速度,又不会失控,从而持续创造出可靠且一致的业务价值。

在这一背景下,未来的软件工程师和系统架构师实质上正在转变为“控制论系统设计师(Cybernetic System Designers)”。如果他们能做到以下几点,就必将在智能体时代大放异彩:

  1. 应用控制论(Applying Cybernetics):

     深刻理解并善用控制论概念,在人机的演进中精准平衡系统多样性。

  2. 学会控制与掌舵(Learn Steering):

     积极采纳先进的管理学实践,将 AI 智能体作为高产出的团队组织来编排和管理。

  3. 践行“现地现物”(Practicing “Go See”):

     拒绝只看 KPI 报告,定期深入编码一线,用人类直觉和经验不断更新技术思维模型。

这也向我们揭示了一个硬币的两面:在未来,单靠抽象的管理和控制技能是不够的。“现地现物”的有效性依然深度依赖于人类扎实的技术专家经验和对代码的敏锐直觉。因此,留给整个行业思索的终极问题依然存在:

当大部分代码都由 AI 代劳时,我们又该如何为下一代人类开发者保持并培养这些至关重要的、核心的技术直觉与工程硬实力?

跳转微信打开

为什么 2026 年真正重要的是 Harness Engineering?

2026年6月8日 10:03

高可用架构 2026-06-08 10:03 广东

5 种 artifest、5 条原则、1 个悖论,三个顶级团队的工程共识

导读:本文详细介绍了 2026 年新兴的“Harness Engineering”工程学科,核心观点是 AI agent = 模型 + Harness,通过约束、反馈循环和文档让 agent 可靠地生成百万行生产代码,而非单纯依赖模型能力。

文章归纳了五种关键 Harness artifact(如AGENT.md 文件、JSON 功能列表、会话初始化流程)和五条普适原则(上下文优于指令、规划与执行分离、必须有反馈循环等),引用 OpenAI、Anthropic 和 ThoughtWorks 的实践案例。

文章强调 Harness 会随模型升级而“衰减”,需“为删除而构建”,实际应用中简化工具反而可能提升性能,提醒开发者重点设计环境约束而非仅优化提示词。

作者 Rahul(@sairahul1)是 AI 实践者与内容创作者,NicheTrafficKit 创始人。他专注于分享 AI 前沿趋势、实用构建经验与 2026 年新兴的 Harness Engineering,帮助开发者掌握 AI agent 系统设计。

Image
Image

2026 年 2 月,OpenAI 的一个小团队交付了 100 万行生产代码。

他们没有手写任何一行。

代码由 AI agent 写出。

人类设计的是让这些 agent 变得可靠的系统。

这个系统现在有了名字。

Harness Engineering。

几周之内,Anthropic 发表了 3 篇相关论文。

ThoughtWorks 将它形式化为一个框架。

Hugging Face 的 Philipp Schmid 称它为“2026 年最重要的学科”。

一个新的工程学科在 90 天里成形。

而 AI 基础设施团队之外,几乎还没有人真正理解它。

这篇文章会把它讲清楚。

没有废话。没有学术黑话。只有你真正用得上的心智模型。

收藏这篇。你会读第二遍。

第一部分:Harness 到底是什么(它会改变你理解 AI 的方式)

1. Harness 的定义

Image
Image

最简单的定义来自 ThoughtWorks:

→ Agent = Model + Harness

Harness 是模型之外的一切。

让 agent 不偏离轨道的约束。捕捉错误的反馈回路。告诉 agent 自己身在何处的文档。它被允许使用的工具。

拿掉 harness,就只剩一个原始语言模型,在你的代码库里一路猜。

加上合适的 harness,就变成一个能交付生产代码的系统。

这个名字来自马具。

Harness 指缰绳、马鞍和衔铁,它们把一个强大但不可预测的动物引导到有用的方向。

你没有让马变聪明。你设计了让它的力量变得有用的装备。

2. 操作系统类比

Image
Image

Philipp Schmid 给出了最好的技术框架:

把它想成一台计算机。

→ Model = CPU(原始处理能力)

→ Context window = RAM(有限、易失的工作记忆)

→ Harness = Operating System(管理 CPU 在何时看到什么)

→ Agent = 运行在上面的应用

你的模型很强。

但如果没有操作系统来管理内存、调度任务、执行规则,它也只是一块芯片。

大多数人正在运行没有操作系统的应用。

这就是他们的 agent 在生产环境失败的原因。

3. 2026 年发生了什么变化

Image
Image

LangChain 用同一个模型在 Terminal Bench 2.0 上跑了两次。

同一个模型。不同的 harness。

→ 旧 harness:52.8% 分数

→ 新 harness:66.5% 分数

Vercel 走了相反方向。

他们移除了 agent 的 80% 工具。

结果呢?性能更好了。

没有变差。

2026 年一个让人不舒服的真相:

→ Agent 从来不是最难的部分。

→ Harness 才是。

如果 2025 年是 AI agent 证明自己能写代码的一年,

2026 年就是我们发现环境比模型更重要的一年。

第二部分:5 种 Harness 工件(Harness 在实践中长什么样)

4. AGENT.md / CLAUDE.md 文件

Image
Image

这是最通用的 harness 工件。

它们是分布在代码库各处的 Markdown 文件。

Agent 会在每次会话开始时读取它们,就像新工程师加入团队时读入职文档。

里面应该写什么:

→ 项目上下文

→ 编码约定

→ 架构决策

→ “我们在这里怎么做事”的指导

→ 当前正在推进的工作

OpenAI 称它们为 AGENT.md。

Anthropic 称它们为 CLAUDE.md。

Cursor 使用 .cursorrules。

名字不同。原则相同。

每个主要模块一个文件。随着项目演进持续更新。

没有它们,agent 每次会话都在盲跑。有了它们,agent 每次会话一开始就带着上下文。

5. JSON 功能列表(进度追踪器)

Image
Image

当一个 agent 跨多个会话构建完整应用时,每次会话开始都会拿到一个空的上下文窗口。

它怎么知道哪些已经完成?

靠一个 JSON 文件。

每个条目定义:

→ 一个功能

→ 如何验证它能工作

→ 通过 / 失败状态

Agent 在会话开始时读取它。选择优先级最高且仍然失败的功能。实现它。标记为通过。提交。重复。

为什么用 JSON,而不是 Markdown?

Anthropic 发现,agent 意外覆盖 JSON 的概率低于 Markdown。

小细节。在 6 小时自主运行里非常重要。

6. 会话初始化例程

Image
Image

每次会话都以同样的方式开始。

每一次。毫无例外。

Anthropic 的 7 步启动序列:

  1. 确认工作目录
  2. 阅读 git 日志和进度文件
  3. 检查功能列表,找到优先级最高的未完成项
  4. 启动开发服务器
  5. 运行基础端到端验证
  6. 实现一个功能
  7. 用描述性信息提交,并更新进度

没有这个:

Agent 会把前 20 分钟浪费在弄清楚已经存在什么。

每次会话都在重复造轮子。

有了它:

Agent 立刻带着上下文启动,直接进入工作。

7. Sprint 合约

Image
Image

在 agent 写下第一行代码之前:

两个 agent 先谈判。

Generator agent 提出:

→ 它要构建什么

→ 如何验证成功

Evaluator agent 审查:

→ 方案是否完整?

→ 成功标准是否清晰?

只有双方达成一致后,才开始实现。

这就是设计评审。

只是两个参与者都是 AI。

为什么这很重要?

在同一次处理中同时规划和执行的 agent,会产出不可靠结果。

规划步骤即使由 AI 完成,也会显著提升输出质量。

8. 结构化任务模板

Image
Image

在任何编码之前:

Harness 会分析真实代码库。

它生成一个基于实际代码库的影响地图:

→ 真实文件路径(不是幻觉出来的路径)

→ 真实存在的符号名

→ 应该遵循的现有模式

→ 具体验收标准

然后实现才开始。

这听起来很显然。

但大多数团队会跳过。

Agent 猜测文件结构。发明不存在的 API 端点。构建出和代码库不匹配的东西。

执行前先给扎实上下文,输出质量会大幅提升。

第三部分:三个阵营(三支团队撞上同一堵墙,又搭出了三种不同的梯子)

9. OpenAI:环境优先

Image
Image

OpenAI 的 Codex 团队遇到了一个离谱的问题。

100 万行生产代码。零手写。

在这种规模下,你不可能逐行 code review。

所以他们没有这么做。

相反:

他们把环境设计得足够彻底,让 agent 一开始就产出可评审的结果。

他们的方法:

→ 严格的依赖流(Types → Config → Repo → Service → Runtime → UI)

→ 遍布代码库的 AGENT.md 文件

→ Agent 直接接入 CI/CD 流水线

核心理念是:先设计环境。再放手让 agent 工作。

实际成果是:Sora Android 应用。4 位工程师。28 天。Play Store 排名第一。99.9% 无崩溃。

Codex 每周处理了内部 70% 的 pull request。

10. Anthropic:把执行者和评判者分开

Image
Image

Anthropic 遇到的是另一个问题。

当他们要求 agent 评价自己的输出时:

它会自信地称赞自己的工作。

即使在人类观察者看来,质量明显平庸。

自我评价行不通。

Agent 同时扮演学生和老师。

而且它给自己全 A。

他们的修复方案:三个专门的 agent。

→ Planner,把两句话 prompt 转成完整产品规格

→ Generator,一次一个 sprint 实现功能

→ Evaluator,用浏览器自动化像真实用户一样测试运行中的应用

关键洞察:让一个独立 evaluator 保持怀疑,比让 generator 严厉批评自己的工作容易得多。

结果:单独 agent(无 harness):9 美元,20 分钟

→ 破损应用

完整 harness:200 美元,6 小时

→ 带精致 UI 的可用软件

11. ThoughtWorks:2×2 框架

Image
Image

ThoughtWorks 从另一个角度切入这个问题。

他们不是在构建一个产品。

他们在观察 50 多个工程团队如何在同样的问题上失败。

他们的洞察:沿两个轴分类每一种 harness 控制。

**轴 1:**它什么时候运行?

→ Feedforward = agent 行动前(引导)

→ Feedback = agent 行动后(传感器)

**轴 2:**它如何工作?

→ Computational = 确定性、毫秒级(linter、类型检查器、测试套件)

→ Inferential = 使用 LLM、秒级(代码评审 agent、语义分析)

这个 2×2 是:

→ Computational Feedforward:类型系统、linter、架构规则

→ Computational Feedback:测试套件、覆盖率分析、变异测试

→ Inferential Feedforward:规格文档、约束描述

→ Inferential Feedback:LLM 代码评审器、行为验证器

单靠 feedforward 或 feedback 都不够。

两者都需要。

第四部分:所有阵营都同意的 5 个原则(三支团队没有协调,却独立走到了这里)

12. 原则 1:上下文胜过指令

Image
Image

OpenAI:“给地图,不要给 1000 页手册。”

Anthropic:JSON 功能列表和进度文件,让 agent 总知道自己在哪里。

Red Hat:生成任务前先分析真实代码库。

ThoughtWorks:“Feedforward。”

说法不同。发现相同。

把当前世界状态展示给 agent,持续胜过抽象地告诉它该做什么。

→ 扎根真实文件路径

→ 代码贴合代码库

→ 从模糊描述开始工作

→ 幻觉文件路径,发明 API

教训是:在 agent 开始写任何东西之前,确保它准确知道自己在哪里。

13. 原则 2:规划和执行必须分离

Image
Image

OpenAI:人类设计环境,agent 执行。

Anthropic:专门的 Planner agent 在 Generator 接触代码前运行。

ThoughtWorks:规划和实现之间必须有人类评审检查点。

Red Hat:阶段 1(影响地图)和阶段 2(实现)之间有硬门禁。

每个阵营都独立发现了这一点:

让 agent 在同一次处理中同时规划和执行,会产出不可靠结果。

规划步骤不一定要由人类完成。

但它必须是一个独立步骤,而且它的输出需要在实现开始前被审查。

14. 原则 3:反馈回路不可协商

Image
Image

OpenAI:agent 接入 CI/CD 和可观测性系统。

Anthropic:专门的 Evaluator agent 使用浏览器自动化。

ThoughtWorks:将其形式化为“传感器”。并警告说,只有 feedforward 的方法永远无法确认引导是否真的生效。

同一原则的三种实践:

→ OpenAI 使用自动化测试和 CI

→ Anthropic 使用另一个 LLM

→ ThoughtWorks 说两者都用,分层叠加

他们对谁来提供反馈有分歧。

他们对是否需要反馈没有分歧。

没有反馈的 harness,只是一个绕了远路的 prompt。

15. 原则 4:一次只做一件事

Image
Image

OpenAI:把目标拆成更小的构建块,深度优先推进。

Anthropic:强制每个 sprint 只做一个功能,每次之后提交。

ThoughtWorks:分阶段生命周期(集成前 → 集成后 → 持续监控)。

试图一次做太多的 agent:

→ 耗尽上下文

→ 失去连贯性

→ 悄悄漏掉需求

Anthropic 的例程:

阅读进度 → 选择一个功能 → 实现 → 提交 → 重复

强制增量主义,是所有成功 harness 的共性。

16. 原则 5:代码库就是文档

Image
Image

OpenAI:把 AGENT.md 文件嵌入仓库。

Anthropic:用功能列表、进度文件和 git 历史作为 agent 的连续性机制。

ThoughtWorks:衡量“harnessability”,也就是代码库对 agent 的可读性。

没有人为 agent 维护单独的知识库。

Repo 是唯一事实来源。

如果某个约定、约束或架构决策没有写进代码库,agent 就不会知道。

实际影响:

→ 投资代码组织的团队,会免费获得更好的 agent 性能。

→ 混乱 repo + AI agent = 规模化混乱。

第五部分:悖论,构建是为了删除(Harness Engineering 里最反直觉的真相)

17. Harness 衰减是真实存在的

Image
Image

当 Anthropic 从 Opus 4.5 升级到 Opus 4.6 时:

曾经必不可少的 sprint 拆解,变成了累赘。

模型规划能力提升后,它就多余了。

3 月还在承重的 harness 组件,4 月就成了开销。

然后 Opus 4.7 发布。

模型开始验证自己的输出。

Evaluator agent 的职责范围开始缩小。

这就是 harness 衰减。

Harness 中的每个组件,都编码了一个关于“模型做不到什么”的假设。

随着模型进步,这些假设会过期,组件也会变成开销。

Opus 4.5:sprint 拆解 + 每个 sprint 评估

Opus 4.6:不做 sprint 拆解 + 单次评估(节省 38% 成本)

Opus 4.7:模型开始自我验证 → evaluator 角色进一步缩小

18. 构建是为了删除

Image
Image

Philipp Schmid 的建议:

“构建是为了删除。”

把每个 harness 组件都设计成可移除的。

定期关掉每个组件,测试输出质量是否变化。

如果没有变化:删除它。

Manus 在 6 个月里重构了 5 次 harness。LangChain 在 1 年里重组了 3 次。Vercel 移除了 80% 的工具,性能反而更好。

这些都不是糟糕工程的信号。

它们是在快速进步模型之上构建系统的自然结果。

携带已经失效的 harness 组件,会在每一次运行里消耗 token。没有额外质量。纯粹浪费。

19. 成本现实

Image
Image

Anthropic A/B 测试里的真实数字:

→ 单独 agent(无 harness):9 美元,20 分钟

→ UI 看起来能用,但核心功能坏掉

→ 完整 harness(Opus 4.5):200 美元,6 小时

→ 软件能工作,UI 精致,物理逻辑正确

这是 22 倍成本增加。

换来的是一个可运行产品,而不是只在截图里看起来正确的演示版。

这到底贵不贵,完全取决于一次破损发布会让你的团队付出什么代价。

但有件事几乎没人谈:

Harness + 模型的组合会演化。

一次模型升级后,200 美元的 harness 变成了 124 美元。

趋势线是:

→ 更好的模型 = 更简单的 harness = 更便宜的运行 = 更快的输出

2026 年胜出的工程师,不是在写最好的代码。

他们在设计最好的约束。

然后一旦这些约束不再值得保留,就愿意把它们丢掉。

结尾

Image
Image

你刚学到的全部内容:

Harness 是什么:

→ 1. Agent = Model + Harness

→ 2. Model = CPU。Harness = Operating System。

→ 3. 同一个模型,更好的 harness = +13% 性能

5 种 harness 工件:

→ 4. CLAUDE.md / AGENT.md,agent 的 onboarding 文档

→ 5. JSON 功能列表,进度追踪器 + 测试套件合一

→ 6. 会话初始化例程,每次都走同一套 7 步启动

→ 7. Sprint 合约,agent 编码前先协商

→ 8. 结构化任务模板,真实文件路径,真实模式

三个阵营:

→ 9. OpenAI:设计环境,放手让 agent 工作

→ 10. Anthropic:把执行者和评判者分开

→ 11. ThoughtWorks:2×2 feedforward / feedback 框架

5 个通用原则:

→ 12. 上下文胜过指令

→ 13. 规划和执行必须分离

→ 14. 反馈回路不可协商

→ 15. 一次只做一件事

→ 16. 代码库就是文档

悖论:

→ 17. Harness 衰减,上个月有效的东西,这个月可能有害

→ 18. 构建是为了删除,测试并移除失效组件

→ 19. 成本现实,更好的模型 = 更简单的 harness = 更便宜的运行

2026 年胜出的工程师,不是在写最好的代码。

他们在设计最好的约束。

并且一旦这些约束不再值得保留,就愿意把它们丢掉。

如果这篇有用:

→ 转发给你网络里的开发者

→ 关注 @sairahul1,每周看更多类似内容

→ 收藏这篇,你会在 agent 开始不听话时回头参考

我写 AI、做产品,以及 2026 年真正有效的东西。

原文:https://x.com/sairahul1/status/2063544956158185927

参考阅读

如果你也在关注 AI 应用如何真正落地到生产环境,2026.6.26 - 6.27 GIAC 深圳站值得关注。这次大会会集中讨论智能应用开发、架构演进,以及来自一线实践的经验与案例。

识别二维码可申请大会体验门票,点击阅读原文了解大会详细议程。

Image

阅读原文

跳转微信打开

阿里D20|与淘天设计一同讨论“Ai Native 团队的打造”

2026年6月8日 10:00

Alibaba Design D20 2026-06-08 10:00 浙江

当 AI 开始参与真实业务,

很多过去默认的设计流程与协作方式,

也正在被重新塑造。

如果你也在思考:

电商设计、用户体验与工作流,正在发生哪些真实变化?

那D20「AI 电商 分论坛」,或许值得你来听听。

这是淘天集团设计团队,

基于实际业务场景展开的一次系统分享。

从 AI 设计工具、AI 生 UI,到电商AI Agent,

从设计流程变化,到用户体验演进,

从影像叙事,到动态美学

……

这不仅涉及工具层面的升级,

也推动着设计流程、协作方式与设计角色的重新思考。

既然来了,就听点我们正在做的事吧,

作为设计师,回望AI奔涌而过的这三年,我们经历怎样的心路起伏?

作为打工人,面对建议与要求—无论善意还是荒唐—我们又作出怎样的回应?

作为应用者,在技术快速更迭的洪流中,我们如何不被裹挟,亦不被落下?

我们坚信面对未来本真与务实能让我们走得最远;审美与知识能让我们跑得最快。

基于此我们正围绕核心业务,系统性地构建三大支柱:AI设计能力、AI设计工具、AI设计Agent。

这不仅是一场技术的升级,更是一次设计思维的重塑。

我们,坚实的跑起来了。

 如何参与 

1.扫描大麦二维码

2.选择 7.11上午场【分论坛/工作坊】

分论坛-AI 电商

 购票指南 

观众可通过大麦APP,或在微信、支付宝【大麦小程序】中搜索「D20全球设计院长峰会」,即可进入购票页面完成购买。

实名制购票:请务必填写真实有效的身份信息。

单场次限购说明:同一个实名参会人,同一时间场次仅支持购买1张论坛门票。每张门票均需绑定唯一有效身份证件,请确保参会人信息准确无误。

退改政策:门票具有稀缺性与时效性,一经售出,不支持退换、转赠,请确认行程后再行购买。

场次权限:请遵循门票上对应的场次权限参会。

公益说明:D20门票部分收入将与阿里巴巴公益合作,联合生态伙伴,共同用于“AI设计公益”相关项目。

最新议程,扫描下方二维码直达官网

 或点击小程序购票 

 AI 电商 分论坛内容预告 

《既然来了,就听点我们正在做的事吧》

我们正处于AI时代之下,设计流程和工作方式有了质的变化。输出设计成为我们最微不足道的工作。设计师已经可以切换成任何一种身份,有能力去独立交付任何一项任务。

《AI to UI 设计工作流演进与研究》

分享将聚焦淘天设计团队自研的“AI生UI”设计工具,探索AI加持下的设计工作流,专注体验创新与价值创造,解析复杂业务中的AI设计实践。

《AI Native产品设计实践》

购物类AI Agent进化:从单一搜索到全能电商助手,设计师在用户动线,用户交互范式,用户购买决策等维度都有了一些新的实践思考。

《AI影像叙事美学研究》

融合角色、情感、交互设计,将设计师独有的动态美学与AI结合,提升影像动态制作效能的同时又能让用户有更多元化的感官体验,并且实际应用在电商场景中,这已成为设计师们的必修课。


AI 正在持续影响设计行业,

但真正重要的,

或许不是追逐概念,

而是在具体业务中,如何把技术真正利用起来。

这场 「AI 电商 分论坛」,

更像一次来自一线团队的阶段性分享:

关于淘天集团设计团队正在尝试什么、

遇到了什么问题、

以及如何在变化中持续推进设计实践。


如果你正在进行体验设计的日常学习、大厂求职关口、职业方向抉择……

书中每一位亲历者,都将为你提供切身而真实的答案。


//////END //////

淘宝设计,一个服务于全球亿万消费者体验的设计团队,致力于让设计触动人心,让商业美而简单。我们有小红书啦,关注「蟠淘会TAOBAO DESIGN」,看更多设计团队的生活日记!

跳转微信打开

❌