三个 40 岁老程序员决定用 AI 重新出发（九）：要做投手的工具，我们先用 FDE 模式把自己变成投手

你好，我是曹犟，欢迎关注我的公众号。

在这个系列的第七篇，我讲过我们怎么劝一个带着预算来的客户别投 Google Ads，那篇文章里我的观点是：一个好的营销 Agent，会投广告只是下限，知道什么时候不该投，才更接近上限。文章发出去之后，其实有同学问了我一个很实在的问题：你们三个做了十几年私域数据分析和营销，从来没有真正投过广告的老程序员，凭什么有底气开发一个 Agent 替客户做这种判断？

其实，这个问题的答案没什么奇妙的，甚至有点笨：我们买好机票，跑到客户公司去，把自己当成刚毕业的实习生，从最基础的业务学起，从最基础的活干起。

要做一个真正好用的投手工具，最靠谱的办法，是先把自己变成投手。

一、要做投手的工具，最好我们自己先成为投手

先交代一下背景。我现在带着一个三人小团队，在做一款帮助广告投放优化师提升效率的 AI 工具，也就是我们这个系列里反复提到的 Omni-Growth Agent。投放优化师，俗称“投手”，他们的工作本质上就是基于数据和审美，选择合适的广告素材，调整出价等策略，让广告取得最好的投入产出比，也就是 ROI。

我们三个都是做了很多年私域数据分析和营销的老程序员，对私域营销、对数据分析，都算有比较多的经验。但说句老实话，我们毕竟没有投过广告，没有在每年几百万美元真金白银的预算下，去真正优化过广告效果。所以，要把这个工具做好，我们就必须真正理解投手的工作，理解他们的痛点到底在哪。

怎么理解？我个人觉得只有两条路。

一条是自己去成为一个专业的投手。我常拿 Claude Code 举例子，它为什么这么好用？本质上是因为，它是一群资深程序员写给程序员自己用的工具，开发者就是用户，用户就是开发者，中间几乎没有信息损耗。做投手工具是一个道理，想做出真正顺手的东西，最好我们自己先成为专业的投手。

另一条，是通过持续的沟通、观察和学习，把这个岗位摸透，从而建立起足够的同理心。

这两条路，我们选择都走。

为了走通第一条路，我们给自己定了三个硬目标：能跟投手顺畅地聊专业话题，能在他们真实、复杂的业务场景下完整地做一次广告上架，能每天独立完成盯盘。为了达到这几个目标，我们自己开通了 Google、Meta 的广告账户，自己学课程，自己投钱测试。为什么要做到这个程度？因为你只有亲手干过，才知道哪一步是真的卡点。工作流中的很多痛点，是你不亲手做、光靠问永远问不出来的。

而第二条路，则把我们带到了客户的现场。

二、先聊聊 FDE：为什么这种笨办法，反而是 AI 时代最该补的一课

到客户现场这件事，业内有个专门的名字，叫 FDE（Forward Deployed Engineer，前沿部署工程师），简单说，就是驻扎到客户现场、用工程能力直接解决客户真实问题，然后把认知带回来打磨产品的人。FDE 到底是什么、和传统外包到底有没有区别，我在之前那篇《FDE 模式：硅谷新热潮，在国内水土不服吗？》里专门写过，这里不重复。在讲我们具体怎么驻场之前，我想先补充一个这次让我感受越来越深的点：为什么这种看着很笨的活，反而是 AI 时代最该补的一课。

这两年，OpenAI、Anthropic 这些最顶尖的 AI 公司，纷纷开始往客户公司派驻工程师。有一句话我特别认同：这恰恰说明，AI 越来越难落地，而不是越来越好用。

这不是夸张。MIT 的一项研究估算，这两年企业在生成式 AI 上投入了数百亿美元，但大约 95% 的组织几乎没有拿到回报，真正跑进生产、产生业务价值的是极少数。瓶颈通常不在模型本身，而在“最后一公里”的交付与落地。

道理其实不复杂：通用大模型谁都能调用，但能把它接进客户真实的数据、流程和权限里，真正跑出业务结果的人，正在被单独定价。这就是 FDE 这个角色突然变热的根本原因，也是我们三个老程序员要跑到客户现场的原因。模型不缺，缺的是把模型接进真实生意的人。

而且，这套“下场摸真问题”的笨功夫，并不是我们拍脑袋发明的，同行早有类似的实践。FDE 领域有一本实战手册，作者 Daniel Vaughan 现在在一家大公司带 FDE 团队，他提出过一个叫“五天发现法”（Five-Day Discovery）的做法，核心就一句：进场的第一周，几乎决定了整个项目的走向。第一天摸清全景，接下来几天走一遍真实工作流、起草候选用例、给用例打分，最后一天搭一个原型，并且给出“做还是不做”的判断。另一位 FDE 领域的作者 Sho Shimoda 说得更直白：一个 FDE 项目，进场头两周，基本就决定了后面的一切。

这些方法和我们的做法内核相通，但我个人觉得不必生搬硬套。比如 Vaughan 强调第一周就用客户的真实数据做原型，我们则更偏向先用一批合成数据搭个高保真原型，图的是更早、更便宜地试错。这里没有标准答案，都是各自在现场摸出来的取舍。但背后不变的，是真的要把人放到客户现场去。

三、买好机票，去客户那儿当一回实习生

按照以往的做法，了解客户这件事不是很简单吗？找几个投手访谈一下，想办法给几十个投手发一些问卷，问他们想要什么功能，做好记录，回去开发。

为什么我们不这么干，反而要用 FDE 这种看起来很笨的事？因为客户嘴上告诉你的，往往不是问题本身，可能只是他自己想出来的解决方案，照着做不一定解决真问题。同时，有很多信息，不是开会这种方式能够说清楚的。这倒也不是客户故意有所“隐瞒”，而是很多事情，可能客户自己也说不清楚。这几点有机会我后面专门写一篇文章细讲，这里先按下不表。

我们很幸运的是，很快就找到了几家愿意跟我们共创的客户。于是我们马上买好机票，出差到客户公司去，跟他们一起办公，把自己当成刚毕业的实习生，参与他们的培训，从最基础的活开始干起。当然，去之前我们已经花了十几个小时，在 AI 的协助下，对这个领域的通用知识做了一遍系统性的学习，不然到了现场，连做实习生都不合格。

真到了现场，第一个拦路虎，是听不懂。虽然我们事先已经系统学过 Google、Meta 广告的基础知识，但刚坐到投手旁边时，最开始还是常常听不懂对方在说什么。一方面是各种业务黑话、话语体系不同，另一方面是思维方式根本不在一个频道上。

这种“听不懂”，本身就是最强的信号。它在告诉你，真实的业务和你以为的业务之间，到底隔了多远。把客户的工作流程老老实实画出来，一处一处对齐弄清楚，直到真正听懂，你才算和客户站到了同一条起跑线上。

还有一个细节让我印象很深。客户的老板很支持我们，专门指定了一个非常聪明、非常有想法的投手主管来配合。但这位老板私下和公开场合，提醒过我们好几次：你们不能只参考主管的想法，更要去看真正干活的投手的实际经验。

这句话说得非常有道理。主管给你描述的流程，是组织架构图上那个理想的版本，而真正干活的人，实际跑的是另一套，这两套经常对不上。 所以在现场，我们除了定期跟主管做深入沟通，更重要的是直接坐到一线投手旁边去。

四、坐到投手旁边，亲手把这活干一遍

坐下来之后，我们就看他怎么操作 Meta 的广告账户，怎么创建广告，怎么批量测品，怎么每天盯盘。我自己说过一句话，在客户现场亲眼看一遍真实的工作流程，比坐在办公室听一百场汇报都管用。

还有一类东西，光靠坐着看、靠正经开会问，是问不出来的，那就是业务上最容易卡壳、却因为大家都习以为常而没人主动提起的环节。Shimoda 在书里讲过一个很妙的技巧：别问对方“你们平时一般怎么做”，而要问“上周二下午三点，你屏幕上到底是什么”。他把这种每隔一阵就冒出来、却从不被正式提及的麻烦，叫作“奇怪的星期二”（Weird Tuesday）。这种具体到某个时间点的问法，所得到的答案，往往比组织架构图上那套理想流程有意思得多。一个能跑通日常、却扛不住“奇怪的星期二”的工具，是没法真正上生产的。

当然，光看还不够，你得自己上手。这也是为什么前面说，最理想的状态，是你自己就成为那个用户。

这种笨功夫，并不是我们一时心血来潮。OpenAI 的 FDE 团队有一个被反复引用的做法：他们去服务农业公司 John Deere 时，不是坐在会议室里听人转述，而是直接下到农场，跟农户一起干活，亲眼看现实里的种种约束。这就是“亲手干活”的典型。

当然，这个过程一点都不轻松。Qureshi 还说过，这份工作通常每周要去客户现场办公三到四天，意味着要频繁出差，我自己这段时间也是如此。这活儿一点也不性感，但它是价值的根源。

这里还有一个特别容易被技术人忽略的点：姿态。我们接触的投手都很聪明，也很年轻，跟我们三个四十多岁的老程序员差了快一辈人。但你越是资历老，越要把自己放低，保持谦虚、耐心、诚恳，真心拜他们为师，跟他们交上朋友。你只有真正尊重对方、让对方信任你，对方才会把那些最真实的、甚至有点不好意思说给领导听的细节，说给你听。同理心不是一句口号，某种意义上，它需要你保持空杯心态，蹲下来，一点一点做出来。

前 Palantir 的 FDE Nabeel Qureshi 讲过，做好这份工作，需要对社交场景有异常敏锐的感知，你得想办法赢得客户的信任，有时甚至要懂一点办公室政治。这话听起来和写代码没什么关系，但在客户现场，它往往比你的技术更决定成败。

从我自己的感受来说，这个过程很像爬山。远远看过去，觉得很容易；真走进去，才发现这山也太难爬了，到处都是听不懂的黑话；硬着头皮再往上爬一段，忽然又拨云见日，发现山顶的风景真是太美了。当然，也许再往前走一步，又会遇到新的困难。但不管怎么样，这一路每一步都很踏实，没有信息损耗，都在向着正确的方向走。

五、一边学，一边用 AI 帮客户做点实事

驻场不是只去当学生，我们也一边学，一边用 AI 帮客户做点实事。

这里有个很朴素的道理：人对着空气是说不出真需求的，但人对着一个具体的东西，意见就会冒出来。所以，你可以用一批合成数据，在 AI 的协助下，非常快地搭一个能跑起来的轻原型，哪怕很粗糙，也先扔到用户面前。他一看就会说“这个不对”“我们从来不这么干”“你这少了一步”。这些脱口而出的反应，比你正儿八经做十个调查问卷挖出来的真东西要多得多。

我们在现场就是这么干的。比如，我们用 AI 连上数据做分析，帮客户发现了一个已经存在很久、但一直没被注意到的投放策略问题；又比如，用 AI 做小工具，把投手需要人工反复操作的环节自动化掉。一周驻场结束、回到公司之后的第一件事，就是趁热总结、积累，基于这一周得到的业务认知，用 Claude Code 在周末快速搭出一个高保真原型，等第二周再去驻场时，就可以直接带着原型过去了。

这些东西一摆出来，效果就很直接。第一，对方会给出真实反应，你能迅速判断方向对不对。第二，这种当场就帮人解决真问题的小动作，最能换来信任，客户会觉得你是真懂行、真能帮上忙的人，而不是又一个来调研、开会、来麻烦他们的人。而且这些具体的改进点，往往本身就特别适合产品化。

六、最该带回来的，是分清“真问题”和“客户的合理选择”

讲到这里，要说一个最考验功力、也最容易翻车的环节了。

我们在现场用 AI 连上 MCP 帮客户分析数据，很快就发现了一些“看起来明显不对”的地方。一开始我们挺兴奋，觉得 AI 的效果真不错。但深入一问才发现，有些的确是真问题，有些我们眼里的“问题”，其实只是客户基于实际业务做出的有意选择。

举个简化的例子。你看到某个投放计划的出价明显偏高，按通用逻辑这就是浪费，但客户可能是在专门圈一个特定时段的特定人群，背后有他自己一整套生意上的考量。这种时候，如果你仗着自己懂技术、懂通用方法，上来就把人家的合理选择当成错误改掉，那不仅没解决问题，还会失去信任。

所以，当你发现一个“看起来不对”的地方，先别急着判定它是问题，更别急着动手改，而是先老老实实问一句：你们为什么这么做？很多时候，答案会让你意识到，这不是 bug，而是对方在业务实践里积累出来的 know-how。如果你把它当成问题改掉，那才是真正的问题。

能明确地分清这两者，区分出哪些是真正待解决的问题、哪些只是你尚未理解的业务智慧，你才算真正理解了客户。某种意义上，识别客户业务的 know-how 和通用知识之间的差异，恰恰是 FDE 最大的价值所在，也是一个 FDE 区别于空降“技术高手”的地方。

这件事，OpenAI 在摩根士丹利的项目里也是这么做的。他们没有一上来就急着上系统，急着去改那些看起来是“问题”的地方，而是花了大量时间去搞懂理财顾问到底为什么要这么用研报，这种看起来不合理的用法对他们究竟意味着什么。后来的结果是，技术开发其实只花了几周，但他们在理解需求、分辨问题、打磨标准、建立信任上花了几个月，最终这个系统在理财顾问中的采用率做到了 98%。先跟客户成为朋友，摸透客户的真实情况，再动手，这是值得的。

网上有一句话我挺赞同：FDE 的本质，是去弥补企业 IT 中台和前台业务人员之间那道巨大的鸿沟；这道沟要是连不上，模型能力再强、数据再多，也产生不了价值。我们在现场反复做的分清真问题和合理选择，说到底就是在补这道沟，做那个能在技术和业务两头之间来回翻译的人。

这趟出差最值钱的产出，不会停在客户那里。我们把摸到的业务 know-how 带回来，沉淀进自己的产品，让 Agent 也慢慢具备这种判断力。这恰恰是 FDE 区别于“高级外包”的核心：外包是客户要什么做什么，做完就结束；FDE 则是把现场踩出来的认知反哺回产品，让下一个客户更容易被服务。前 OpenAI 的 Bob McGrew 也说过类似的话，FDE 在前线做的一切，都必须有一条反馈通道，能把通用的需求和模式反哺给总部的产品团队，否则就退化成了一次性的咨询。至于怎么把这一条条现场踩出来的“碎石路”修成产品里的“高速公路”，则是另一个话题，有空我们展开再聊。

也正是做好了这一步，我才敢回答开头那个问题：我们的 Agent 敢替客户说一句“别投 Google Ads”，那份判断力并不是凭空来的。正是因为我们这些做产品的人，真正进入了客户的现场，把投手的工作搞懂了，才分得清哪些是该解决的真问题，哪些是深思熟虑过的合理选择。

写在最后

回过头看，这条路最符合我们自己的价值观。它不是坐在办公室里听汇报、拍脑袋、空谈，而是把中间的信息损耗减到最少，每一步路都走得很踏实。

我个人始终相信，做 2B、做产品，最怕的就是离真实的业务太远。你以为你懂客户，其实中间隔着好几层窗户纸；而真正能把这几层纸捅破的，往往就是这种不太性感、得亲自出差、亲手干活的笨办法。这也是 FDE 模式在我们三个人身上，最朴素的样子。

以上都只是我们在真实客户身上的一点阶段性体会，算不上什么定论，一家之言，供你参考。

本文作者曹犟正在和团队打造 Omni-Growth Agent，目标是用 AI 帮中国公司把海外营销做得更高效、更可控。文中这种“下到客户现场、把客户的生意先搞懂再做产品”的笨办法，就是我们做产品和服务客户的日常状态。目前主要服务两类需求：一类是把投放全托管给我们，按增长结果付费；另一类是给现有投手配一个 7×24 盯盘和诊断的 AI Copilot。更多信息可以看这里：https://omni-growth.ai

这是该系列第九篇，前八篇可在公众号历史文章中查看。

最后留个问题，欢迎你在留言区聊聊：你有没有遇到过，自己以为抓到了客户一个大 bug，结果发现是人家深思熟虑的业务选择？是哪个瞬间让你发现了差别？这个系列接下来我还想多写几个真实客户的故事，你想看哪一类，也欢迎告诉我。