FDE 初体验：AI 藏在产品里，进了微电机工厂

一句话概述

客户买的是 mes-line，AI 是搭车进门的。这篇手记记录一次微电机工厂的现场实施：没有 AI 需求、没有 FDE 概念，只有“你说的需求，当场做给他看”——以及一个被客户反复追问的问题：“数据会不会传到网上？”

FDE 是什么，为什么客户从没提过这个词

FDE，Forward Deployed Engineer，前向部署工程师——把产品带到客户现场、在真实环境里完成落地的角色。这个词来自硅谷，近两年随着 AI 落地浪潮被反复讨论：AI 产品的价值高度依赖现场上下文，坐在办公室里想象不出来，于是需要一批人驻到客户环境里，把产品的能力“长”进客户的业务。

写这篇手记时我才意识到：客户从头到尾没提过 FDE 这个词。

他们不懂 FDE，也谈不上懂 AI，更没有提出过任何一条带“AI”字样的需求。采购清单上写的是 mes-line——产线中控，管设备、管数采、管追溯。这是一家全球知名的微电机制造商，产线上跑的是实打实的交付压力，他们要的是能用的系统，不是概念。

那 AI 是怎么进场的？回头看很简单：mes-line 内置完整的 MCP 支持，MCP 让 AI 接得进来，AI 就随产品进了门。客户买产品，AI 搭车。

这可能正是 AI 走进制造业的必经路线：不卖 AI 概念，把能力藏进客户本来就要的东西里。

现场：客户说需求，我们当场呈现

手记里最值得记的一幕，发生在数据采集环节。

客户临时提出：产线上要增加一个基恩士（KEYENCE）的部件。按老流程，接下来应该是一轮“甲方整理点位表、乙方按表开发”的往返——客户得先腾出人手，把寄存器地址、数据格式整理成一张点位表交过来，我们再照表开发联调，单是等这张表，就是一段不短的前置时间。

这次没有等。AI 直接介入：确定寄存器值、生成接入配置、对接 mes-line 的设备部件层——部件当天顺利接进数据采集，数据开始正常上报。整个过程，比客户给一张点位表还快。

更大的变化在现场的氛围里。mes-line 的 106 个 MCP 工具覆盖 11 个业务域（这个数字来自我们上一篇发布文），它们不只是我们自己的实施工具——配置面板打开，客户的工程师自己就能看着改。客户说出一个需求，我们就当场用 MCP 配置出来，屏幕上立刻见效果。参与方式变了：从“提需求、等排期、再验收”，变成“站在屏幕前一起试”。

有人会问：客户参与这么深，会不会添乱？恰恰相反。当场呈现等于需求确认即验收，误解当场暴露、当场改掉，比写进文档两周后再发现便宜太多。

AI 干活，人扣扳机——这句话出自这个系列的上一个故事。到了现场才明白，扣扳机的不止我们：客户的工程师，也把手放在了扳机上。

“数据会不会传到网上？”——现场最硬的一问

现场的效率让客户兴奋，但信任这一关躲不过去。客户反复追问同一个问题：这些数据会不会泄露？会不会传到网上？

这个担心非常合理。产线数据是制造业企业的命根子：产能、良率、工艺参数，哪一样都不想出现在别人的服务器上。

我们的答复是一个比喻：大脑在云端，我们做的，是把大脑“请”到现场来干活——但车间的数据，一件都不带走。

翻译成严谨的说法：mes-line 与 Online 都部署在企业本地，产线数据、业务数据留在企业自己的系统里；AI 侧发生的事情，是把推理请求发出去、把执行指令收回来，活儿由现场系统在本地干。上行的是“解题请求”，不是“数据资产”。

边界也要说清楚：这条路线的前提，是上行内容可约束、可审计。哪些能上行、哪些绝不出门，应该在实施开工前就和客户划明白、写下来。这也是我们这次现场学到的一条：安全口径要先行，别等客户问了才想答案。

沉淀：一次实施验证出的 FDE 方法论

把这次现场的做法摊开，能沉淀成四条纪律：

最后说说不那么光鲜的部分：当场呈现并没有消灭遗留问题。现场快速交付之后盘点，要收尾的事项仍然一堆。

但问题的性质变了。传统实施攒下的是“方向性返工”，改起来伤筋动骨；这次留下的是“目标清晰的快修”，每一条都知道改什么、为什么改。这不是巧合——需求在当场被验证过，方向性错误被当场烧掉，剩下来的自然只有细节。

写在最后

回到标题那句话：客户没提 AI，AI 却进了工厂。

客户的采购单上只有 mes-line；但因为 mes-line 把 MCP 做成了产品的标配能力，AI 就藏在产品里，跟着一起进了车间——在客户意识到“这是 AI”之前，活儿已经干完了。

等客户开始主动问“能不能让 AI 把那个也做了”的那一天，门槛就已经不存在了。我们愿意押这条路，也愿意把现场的手记，一篇一篇写下去。