FDE 是什么？从璞华 PLM 实践看 AI 如何走进研发

AI 已经能写方案、分析资料、推荐配方。可到了企业里，从“演示能用”到“日常用得上”，往往还有一段距离。

推荐的配方，能不能对应企业实际使用的原材料？历史实验数据，能不能成为下一次研发的参考？AI 给出建议之后，怎样安排验证，结果又如何进入后续工作？

这些问题决定了 AI 能否真正参与研发。最近受到关注的 FDE，正是围绕这样的落地工作展开。

FDE 到底在做什么

FDE 是 Forward Deployed Engineer 的缩写，通常译为“前沿部署工程师”。这个角色由 Palantir 率先推广，核心做法是让工程师贴近客户团队，理解业务，并亲手构建、集成和部署解决方案。

客户提出“我们需要 AI”，通常还不是一个可以直接开发的需求。

企业可能希望更快找到资料、减少重复录入，也可能希望缩短实验周期。工程师需要进入具体工作，弄清楚瓶颈在哪里：是缺少合适的工具，还是数据没有接通？是模型效果不足，还是输出结果无法进入下一步流程？

随后，才是选择技术、连接系统、构建应用，并与用户一起验证效果。

因此，FDE 需要工程能力，也需要业务理解和沟通能力。驻场是贴近客户的一种方式，持续深入的远程协作也可以完成类似工作。

AI 时代，这类工作更受重视，是因为模型越来越容易获得，企业应用的条件却各不相同。

企业有自己的数据、权限、既有系统和工作习惯。通用模型要在其中发挥作用，需要有人理解这些条件，完成相应的工程工作，再根据实际使用反馈不断调整。

FDE 的价值，就体现在把技术能力与真实业务连接起来的过程中。

项目做完之后，还应该留下什么

咨询、实施和开发团队，也会理解业务、连接系统、解决问题。换一个 FDE 的名称，并不会自动提高交付质量。

更值得关注的是：应用有没有进入真实工作，用户是否愿意持续使用，效果能否验证，以及项目结束后留下了什么。

如果每个项目都从头开发，经验只留在少数人的脑子里，下一个客户仍然要为相同的问题重新投入时间。

有些工作却可以积累下来。数据连接方式、业务规则、工具组件和报告模板，经过整理与产品化，就有机会用于后续项目。

这里需要有人判断：哪些属于客户的特殊需求，哪些是同类企业反复遇到的问题？哪些做法值得进入产品，怎样才能让更多用户稳定使用？

现场经验需要被产品团队接住，才能逐步转化为共享能力。一份项目文档只是开始，后面还需要整理、开发、验证和持续维护。

解决当前客户的问题，同时为下一次解决类似问题积累基础，是 FDE 对企业软件的一项重要启发。

从 FDE 专题活动，看工程落地的方法

围绕 AI 如何进入真实业务，2026 年 9 月 23 日，“AI 赋能 OPC——AI OPC FDE 前沿技术专题活动”在南湖梦 AI OPC 求解社区举行。

璞华科技与合作伙伴共同主办活动，并联合发布 OPC 社区 FDE 公共服务平台。平台面向 OPC 创业者、FDE 团队、企业客户及产业服务机构，提供场景对接和工程化交付赋能等支撑。

OPC 社区 FDE 公共服务平台发布现场。

活动中的实践分享，围绕一条完整路径展开：从场景筛选出发，明确人员与责任，接入工具，开展人机协同，验证效果，再整理可复用成果。

这套方法放到制造业研发中，并不抽象。

研发人员每天面对原材料、配方、实验和技术资料。AI 要帮助他们，就需要接上这些数据和工作流程。PLM 正是承接这些工作的一个重要业务环境。

AI 推荐了一份配方，然后呢

配方研发，是理解 AI 如何进入 PLM 的一个直观场景。

AI 可以根据研发要求提供候选方案。但研发人员还需要继续判断：方案里的原材料是否可用，配比是否符合要求，应该安排哪些实验，以及实验结果能否支持下一轮调整。

璞华易研的 LLM 配方推荐应用，已经围绕这些衔接展开：推荐可以结合企业 PLM 中的经验数据与文件；方案中的配比子项可以匹配系统原材料；选定原材料后，可以创建配方或实验，继续验证。

配方推荐与企业原材料、配方和实验数据衔接，让候选方案有了后续验证路径。

对研发人员来说，获取灵感之后，可以结合企业已有材料与数据，推进实际研发。

进入实验阶段，又需要不同的工具。

贝叶斯优化利用已有实验数据，逐轮建议新的实验点，再根据实验结果更新模型。它适用于需要在多个变量和目标之间反复寻找合适方案的研发任务。

易研的贝叶斯优化应用与 PLM 实验相衔接，让实验建议、执行结果和后续优化能够沿着同一条研发链路推进。

根据实验反馈更新模型，为下一轮配方优化提供建议。

从推荐方案，到匹配原料、开展实验，再到利用结果继续优化，AI 的价值体现在这些相互连接的环节里。

这也让 FDE 关注的工程问题变得具体：技术输出怎样进入业务，专业工具怎样协作，结果怎样得到验证。

在云南白药 AI 项目中，PLM 为研发流程和数据管理提供支撑，AI 应用于牙膏配方推荐、稳定性预测，并通过实验验证和新增数据支持模型迭代。

正在推进的三新材料 AI 项目，则覆盖原料知识图谱、仿真、合规检测与数据治理、专利洞察和配方设计等方向，相关能力在项目中逐步建设、验证。

已有应用与在建项目说明，工业研发中的 AI 往往涉及多种技术，也离不开企业自己的知识和专业判断。把各部分组织起来，需要产品能力，也需要具体的工程落地。

让研发人员更容易用上已有知识

专业模型之外，研发人员还有一个更日常的需求：找到需要的信息。

企业积累了大量物料、配方、实验记录和技术文件。资料虽然在系统里，使用者仍然可能需要切换模块、设置条件，再逐份查找。

璞华易研 AI 小助手“小易”，正从这个高频需求切入，目前已在多家企业使用。

用户可以用自然语言表达查询需求，在系统权限范围内获取相关业务信息。对于已经完成解析并进入 AI 知识库的附件、图片和富文本内容，也可以通过自然语言检索。

客户能够直接感受到的价值，是更方便地找到已有数据和资料，减少查找与切换，把精力留给后续分析与判断。

这也是 AI 进入企业软件的一种务实路径：先帮助用户完成一项经常发生的工作，再逐步扩展能力。

在查询与检索之外，小易还可通过 Skill 和工具机制完成报表输出、可视化等任务，让用户从获取信息进一步走向整理和使用信息，减少数据查询与成果整理之间的重复操作。

把一次应用，变成可以继续积累的能力

对于企业，AI 应用的价值既来自眼前的问题得到解决，也来自后续使用能够持续深入。

璞华易研的智能字段和智能模板，提供了另一种积累方式：通过提示词、业务字段与对象配置，让相似场景共享能力，减少重复开发和对接。

客户的业务仍然存在差异，但通用部分可以逐步形成产品基础。新的需求在已有能力上展开，工程团队也能把更多精力用于理解业务和验证效果。

从 FDE 专题活动中的方法交流，到 PLM 中的配方研发、实验优化和知识检索，这些探索都在回应同一个问题：怎样让 AI 更好地参与企业的实际工作。

对制造业客户来说，判断价值的方式依然很具体：能否更方便地找到知识，能否把候选方案带进实验，能否让验证结果支持下一步研发。

从一个答案，到下一步工作，再到持续积累的研发能力，这条路接得越顺，AI 才越容易成为企业日常工作的一部分。