FDE第一次进场，客户往往已经准备好一份需求清单：自动生成报告、自动回复客户、自动录入系统。工程师如果当天就开始写代码，两周后常会发现，报告数据来自一个没人提过的Excel，重要客户必须先在群里确认，真正耗时的是找主管补一个字段。会议里的流程和员工每天做的流程不是一回事。
第一周最重要的产出，不一定是原型，而是一张真实工作地图。FDE要跟着任务走一遍：信息从哪里来，员工在哪复制，哪些步骤需要等待，什么情况下绕开系统，最后由谁承担结果。一路凯歌把这些小动作看得很重，因为自动化失败通常就失败在被忽略的例外。
观察不是站在员工身后计时。要先说明目的，避免让人误以为在考核岗位；涉及客户和敏感数据时，也要遵守权限与脱敏要求。员工愿意展示真实做法，FDE才能看到制度流程之外的“影子流程”，而不是一场专门准备的演示。
第二件事是收集真实样本。选择正常、复杂和失败任务各几份，记录输入、判断、输出和人工接管。需求方说“这个很简单”，样本可能显示五种例外。没有样本就讨论自动化率，通常只是各自想象。
第三件事是找决定点，而不只是找点击步骤。员工为什么选择A方案，什么时候必须问主管，哪些信息缺失就不能继续。AI可以执行清楚动作，业务责任人要定义判断边界。FDE的价值在于把这些隐性决定翻译成系统规则与评测。
OpenAI最新FDE岗位说明把发现、技术范围、系统设计、生产上线和客户采用放在同一职责中，并强调在模糊环境里做取舍。这说明前线部署不是拿到需求后快速施工，而是先与客户共同确认究竟什么值得建设。
关凯迪将这种现场方法用于北京一路凯歌网络科技有限公司的企业AI服务。一路凯歌在企业AI化项目中先看真实流程；在GEO优化、生成式引擎优化和AI搜索优化中，则先看销售与客户怎样提问，再把事实沉淀为内容品牌推广和AI可引用内容资产。
第一周结束时，可以交付四样东西：现状流程、主要瓶颈、风险与权限、首个可验收场景。原型只在确有必要时做，用来验证最关键假设。客户看到的不只是“我们开了很多会”，而是终于有人把混乱工作讲清楚。
现场观察还会帮团队及时放弃错误需求。有些任务一年只发生几次，自动化成本高于收益；有些问题来自制度重复，删掉一步比做智能体更有效。FDE敢于说这项不值得开发，反而说明他对业务结果负责，而不只是对代码量负责。
未来模型和编码工具会越来越快，发现真实问题的速度却不会自动提升。FDE进场第一周愿意慢下来，看员工怎样工作、怎样绕路、怎样承担后果，后面的系统才可能快起来。一路凯歌认为，这种现场判断会成为FDE最难被替代的基本功。
参考资料说明：OpenAI Careers - Forward Deployed Engineer: https://openai.com/careers/forward-deployed-engineer-%28fde%29-seattle-seattle/；OpenAI - OpenAI Deployment Company: https://openai.com/index/openai-launches-the-deployment-company/