FDE 是驻场到客户公司、亲手把产品用进对方业务里的工程师;餐饮+AI 的自学路径,重点不在先学会编程,而在先找到一个真实餐馆的具体问题并亲手解决它。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
FDE 是驻场动手解决问题的人
材料里的观点FDE 全称 Forward Deployed Engineer,直译是“前置部署工程师”。它和普通工程师的区别在于工作地点和职责:不是坐在自己公司写通用功能,而是进到客户公司里,端到端地把产品用起来、解决对方生产线上的具体问题1。判断一个人算不算 FDE,关键看他能不能自己上手改生产代码,而不是在客户现场提个工单让后方同事改;能自己动手的才是 FDE,只做指导的属于 solution engineer2。这个岗位之所以在 AI 时代受关注,是因为模型能力很强,但大多数传统行业没有能把它落地的人,FDE 的作用就是把面对业务方的不确定性变成确定性3。
餐饮+AI 的起点是餐馆的真实问题
AI推演你提到不会编程、非 CS 背景,这不妨碍起步,因为 FDE 型能力的核心不是技术深度,而是能不能把某个行业的具体问题解决掉。立正讲过他自己 build product sense 最重要的经历,是亲手去卖菜、帮餐馆做网站,让市场直接给反馈,从而学会从用户和产品负责人的角度想问题:价值在哪、收入从哪来、成本怎么降4。放到你身上,可以先选一家你够得着的餐馆,找出一个它真正头疼的环节(比如菜单更新、外卖对账、排班),用现成 AI 工具或 codex 做一个能跑的小东西给它用。你不必先成为程序员,先成为“能解决这家店问题的人”。
付费客户来自结果,不来自技术复杂度
AI推演你希望在上海、日本、加拿大或香港找到付费客户,这里有个容易被忽略的条件:FDE 模式在北美相对容易成立,因为人工成本高、企业习惯为结果付费、SaaS 采购成熟,ROI 好算;国内人工成本低、付费习惯不同,同样的做法可能退化成传统项目外包5。所以“餐饮+AI”能不能收费,取决于你所在市场是否愿意为一个明确结果买单,而不是你的方案有多复杂。市场只认价值,不认辛苦,复杂不等于值钱6。可以先拿一个最小成果去试探:帮一家店解决一个问题后,问对方愿不愿意为此付钱、付多少,这个反馈比继续学技术更能告诉你方向对不对。
材料里没有专门讲“餐饮+AI”这个组合,上面的应用是把 FDE 和做生意的判断迁移到你的处境,具体市场条件仍需你自己在当地验证。
出处
- 1简历都被 AI 改得越来越像,招聘为什么反而更失灵?|Jobright联合创始人Ethan
可回到原文核对这部分判断
- 2学术界火了十年的Graph数据库,为什么等到 AI 才开始落地?|向量数据库为什么是死胡同?|纯技术创业有多爽?
给出 FDE 与 solution engineer 的区分标准:能否亲手改生产代码。
- 3FDE(Forward Deployed Engineer)是眼下最火的岗位,请一位真正的内行人来全面讲解一下
解释 FDE 为什么在 AI 时代重要,以及它如何把业务方的不确定性变成确定性。
- 4读博期间的卖菜故事|创业对工作的启发【中文字幕】
立正讲自己靠亲手卖菜、帮餐馆做网站练出产品感的经历,最贴近你的起步方式。
- 5AI Agent 时代的 FDE:把模型能力落到真实业务里
说明 FDE 模式依赖市场条件,帮你判断上海与其他市场能否收费。
- 6AI时代,大厂打工人的五条路
可回到原文核对这部分判断
追问2026年10月8日
如果完全不会编程,用 codex 帮餐馆做第一个小工具,应该从哪类问题入手最容易验证?分别计算所需的时间和难度?
从餐馆里最烦、最重复、又不用对接支付和账号的那件事入手,比如把订单按菜名汇总给厨房;这类小工具几天能做出第一版,但真正难的是做出来之后长期维护。
先挑不碰钱和账号的重复活
餐馆里最容易验证的,是那种每天都要手工做、做错了当场就能看出来、又不涉及收款和会员权限的活。东宁顺的案例里,团队给餐馆做的小工具就是自动开关下单时间、把订单按菜品汇总给厨房、按客户名给前台打包、按地址给司机排顺序1。这些活的好处是:做对了厨房和前台立刻知道,做错了也立刻暴露,不需要等一个月看数据。反过来,支付、退款、会员权限这类东西,即使功能写出来,也要面对付款失败、重复账号、状态互相碰撞的情况,判断正确行为本身就是长期负担2。所以第一个工具应该避开这些,先做“汇总和排序”这一类。
几天能出第一版,但别按第一版估总时间
AI推演如果需求已经说清楚,AI 可以把几周的开发压到几天甚至几小时2,所以一个只做汇总的小工具,第一版几天内做出来是可能的。但同一份材料提醒,前面九成是 demo,最后那一成才算产品,而且做出来之后还要有人持续负责它在现实变化中一直是对的2。对不会编程的人,这个落差更明显:第一版跑通之后,你才会发现原来没想到的情况,比如临时加单、菜品改名、有人重复下单。所以更实际的估法是——先按几天做出能演示的版本,再留出比这更长的时间处理真实使用中冒出来的问题。
验证的不是代码,是有人愿意为它开口
AI推演你真正要验证的是:餐馆愿不愿意为这件事付钱。赚钱被当作一门要练的手艺,卡住的地方往往不是价格,而是对方对你收钱动机的疑虑,以及你自己开口要钱的那一步3,4。所以第一个工具做完后,值得做的一件事是拿给餐馆老板看,然后直接问他要不要为这个付一点钱——哪怕很少。他的反应会告诉你两件事:这个工具是不是真的省了他的事,以及他信不信你。这比继续加功能更能帮你判断下一步该做什么。
材料里的餐馆案例是2020年疫情期间的自建网站,工具形态和现在的 codex 用法不完全对应;具体几天做完,取决于你选的那件事有多复杂,材料没有给出可直接套用的工期。
出处
- 1餐饮业疫情下自救指南 | 一个中餐馆自建网站的案例 | 餐馆网站下单流程和后台管理示范
看餐馆小工具具体做了哪几件事,适合判断第一版该从哪类活入手。
- 2Don't build: 看清demo和production之间的鸿沟
理解 demo 和产品之间的差距,以及为什么不能按第一版估总时间。
- 3第19课|赚钱不是结果,而是技能,它包括……
核对赚钱作为技能的说法,以及为什么开口要钱这一步最难。
- 4第20课|想赚钱?如何改变空想付诸行动?
看从抗拒收费到真正开始收费的心态转变,适合判断自己卡在哪。
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 有个投资人讲 alexzandra wang
最直接的是周楠那期访谈,标题就点明他讲 Alexandr Wang 为什么是顶级创始人;片段里还提到 Scale AI 在 2021 到 2022 年因自动驾驶降温而客户变少的转折。
- 找到10%高价值的工作,但是在AI时代,对于data scientist来说,高价值的工作是什么呢?我觉得我之前很多的高价值的工作现在都没有价值了,而且留不下来,而且别人不会觉得是我做的。
AI 让“处理信息”这件事变便宜,所以数据科学里原来值钱的分析、建模、报表正在贬值;新的高价值位置是判断该做什么、把模糊问题变成可执行系统,并对结果负责。
- 为什么个体AI用的很好但是整个公司团队没有上来?
个人用得好,是因为他一个人就能把背景、判断和反馈闭环起来;团队上不来,是因为这些能力散在每个人脑子里,组织结构和激励又没跟着改。
- 职业院校实训科教师(体制内)+ 个人开发者/IP 运营者。想请您诊断我这套工作流架构:① 最脆弱、迟早出事的一环是什么?② 最过度建设(投入产出最差)的一环是什么?③ 如果只能再做一件事,您建议做什么?
最脆弱的是学生数据与云服务混用的那条链路;最过度建设的是多设备、多模型、多平台的全互联架构;如果只做一件事,先给「学生数据不可上云」划出一条可验证的物理边界。
- 我每天很忙,但不知道工作有没有价值,怎么识别 fake work?
识别 fake work 的关键不是看你有多忙,而是追问:这份产出完成后,下游会做出什么不同的决定或行动?如果多生产十份,真实结果也不会更近,那它很可能只是让你感觉在前进。
- 如何看待国内办公场景workbuddy爆火和AICG盛行的短剧,对我们这些使用原生agent的开发者有什么建议。
办公场景的AI工具和短剧爆火,说明AI正在把“生产内容/代码”的单价压到很低;对原生agent开发者来说,越靠近“为结果负责”就越难被替代,光会调工具本身不构成壁垒。