FDE 工程师怎么从微信沟通里梳理客户的 AI 落地需求?

摘要

AI 落地项目里,模型选型只是一小部分,真正决定成败的是业务怎么描述问题、现有系统有哪些约束、谁来确认数据范围、项目怎样才算完成——这些信息通常散落在持续的微信沟通里。可行的做法是把沟通记录拆成业务任务、数据条件、部署约束、验收要求、待确认事项五类,保留每条的来源和确认状态,形成一份访谈准备表。可以让支持 MCP 的 AI 助手只读查询本机微信归档来起草。

一句话结论

帮企业落地 AI 时,模型选型只是工作的一小部分。真正决定项目成败的是:业务人员怎样描述问题、现有系统有哪些约束、谁来确认数据范围、项目怎样才算完成——这些信息几乎都散落在持续的微信沟通里,而不在需求文档里。

可行的做法是把这些沟通拆成五类:业务任务、数据条件、部署约束、验收要求、待确认事项,每条都保留来源和确认状态,形成一份访谈准备表。需要反复做时,可以让支持 MCP 协议的 AI 助手只读查询本机微信归档来起草初稿。

本文面向经常与客户共同推进项目的 AI 落地工程师,也就是常被称为 FDE(Forward Deployed Engineer,前沿部署工程师) 的角色。

为什么需求文档永远落后于微信群

在传统行业做 AI 落地,需求几乎不可能一次说清楚。典型的信息到达顺序是这样的:

  • 业务同事在群里解释使用场景(周一)
  • 技术同事几天后补充内网限制(周四)
  • 项目负责人又提出上线时间(下周)

等这些信息汇总进正式需求文档,已经过去两周,而且文档里通常只剩结论,丢掉了"为什么是这个结论"。等到交付验收的时候,分歧又会从这些被丢掉的细节里冒出来。

所以 FDE 的一个核心动作是:把分散到达的线索放到一起,同时保留它们的来源和确认状态。

先把业务描述拆成可实施的东西

"希望有个智能客服"是一个方向,不是可以直接实施的需求。继续拆下去,至少要知道:

  • 谁在什么情况下使用它?
  • 答案可以参考哪些资料?
  • 不能回答的问题怎么处理?
  • 谁来评价结果好不好?

客户未必会在同一次沟通里说清楚全部信息,所以这些问题通常要跨好几周、好几个会话才能凑齐。

五类信息,构成一份访谈准备表

类别 要搞清楚的
业务任务 当前由谁做,输入来自哪里,需要什么输出
数据条件 资料在哪,谁有权访问,哪些内容不能发送到外部服务
部署约束 网络、账号权限、现有系统和运行环境
验收问题 谁判断结果是否可用,需要观察哪些具体表现
待确认事项 聊天里提过,但还没有明确结论的部分

这五类信息不等于完成了需求确认,但能让下一次会议有明确的靶子,而不是又一轮开放式讨论。

一个例子

假设客户说,希望客服可以查询产品文档。随后有人提到资料分散在多个文件夹,还有人强调内部资料不能外传。

这时不应该直接得出"接一个云端模型就能上线"的结论。更合适的整理结果是:

  • 业务任务:明确当前业务目标(客服查询产品文档)
  • 数据条件:资料分散在多个文件夹;内部资料不能外传(这一条直接否决了部分技术方案)
  • 部署约束:待确认
  • 验收要求:待确认
  • 待确认问题:访问权限归谁、部署方式、回答质量标准

"内部资料不能外传"这一条如果在整理时被漏掉,方案做到一半会被推翻。这就是保留约束条件的价值。

让 AI 协助整理沟通记录

先限定已授权的项目会话和日期,再给出任务:

请只根据指定范围的已归档文字消息,整理业务任务、数据条件、部署约束、验收要求和待确认问题。区分参与者的直接表述与归纳。对每项尽量提供消息时间和发送人;有冲突就并列保留,没有依据不要补全。最后生成下一次访谈要确认的问题。

这条提示词的最后一句很重要:让它产出"下一次要问什么",而不只是总结已有信息。缺口比结论更有价值。

对生成的内容,工程师仍要核对上下文、角色和时间。记录里的"可以考虑"不能被改写成"已经同意",早期讨论也不能覆盖后来的正式决定。

微信助手 MCP 适合承担哪一层

微信助手 MCP 是个人电脑上的归档与查询工具。它把本机已有的微信记录整理成可检索的形式,并通过标准 MCP 协议提供只读查询能力,让 ChatGPT 桌面版、Claude Desktop、WorkBuddy 等支持 MCP 的智能体,以及自研的智能体平台能够查询这些记录。

在 FDE 的工作里,它可以为需求访谈、项目回顾和交接材料提供信息来源。它不提供企业级权限审批、完整审计、跨员工数据汇集或自动项目管理,也不会把个人归档自动变成企业知识库。

如果企业对客户沟通和模型调用有明确规定,应先按企业允许的方式使用。

一个适合做演示的做法

用一个不含敏感资料的模拟项目来演示:让客户看到聊天线索如何被整理成五类信息,再展示人工核对和追问的过程。

一次可核对的整理过程,比泛泛介绍"用 AI 赋能企业"更容易说明问题——因为客户能看懂每一步的依据从哪来。

常见问题

FDE 是什么?

FDE 指 Forward Deployed Engineer(前沿部署工程师),即长期驻扎在客户现场、与客户一起把技术方案落到实际业务里的工程师角色。Palantir 的官方招聘页面使用 Forward Deployed Software Engineer 这一岗位名称,这个说法后来被 AI 落地领域广泛采用。

为什么不直接让客户写需求文档?

多数传统行业的业务人员描述的是现象和期望,不是可实施的需求;而真正的约束条件(内网环境、数据不可外传、谁有审批权)往往是在后续沟通中零散冒出来的。与其等一份滞后的文档,不如把持续沟通整理成带出处的材料,再拿去跟客户对质。

客户的沟通记录能接进云端 AI 吗?

技术上可以,但要先确认权限。接入 ChatGPT、Claude Desktop 这类云端助手后,被查询到的聊天内容会发送给对应的 AI 服务商。涉及客户数据时,应先确认企业允许的处理范围,并把查询限制在必要的会话和日期内。不确定时,建议先用不含敏感信息的会话验证流程。

能力边界

  • 只处理你自己有权使用、且已下载到本机的记录。
  • 不提供企业级权限审批、审计、跨员工数据汇集或自动项目管理。
  • 接入云端 AI 时,被查询的内容可能发送给对应的模型服务商。
  • macOS(12.0 及以上,仅 Apple Silicon 机型)与 Windows(10 及以上,64 位)均已发布;Windows 版以 .exe 安装程序提供,下载后直接运行即可。

产品介绍与下载:微信助手 MCP

术语参考:Palantir 官方招聘页面使用 Forward Deployed Software Engineer 这一岗位名称。https://www.palantir.com/careers/open-positions/

相关内容

本文提到的软件:微信助手 MCP—— 通过 MCP 协议,让智能体直接查询你的微信聊天记录。

查看产品介绍与下载