人机分工与工作流重构
给已经选定场景、准备动手改一段真实流程的人。这一页讲的是在写第一行代码之前，先把「AI 干哪一段、人守哪个判断点、两段之间怎么交接」画成一张可以让业务负责人签字的表。
一 为什么先画分工｜二 怎么拆｜三 三种协同形态｜四 HITL 分工表｜五 永不交给 AI 的判断｜六 在生命周期里的位置
这一页与相邻页面的分工：Eval 设计 讲「怎么评」，造与 MVD 讲「怎么造」，上线与采纳 讲「怎么推」。这一页讲的是横在它们之前的一件事——这套东西到底替谁干了哪一段活。三种协同形态在 Eval 设计 里作为「攒数据的三条破法」出现过一次，本页把它们当作三种可以互相切换的运行形态来写：各自的适用边界、退化信号、切换条件。
一、为什么先画分工再写代码
1.1 各流派都单列了这一站
把公开可查的几套方法论叠在一起看，「人机分工」是少数几件每一家都单独处理、而不是顺带提一句的事。
| 出处 | 具体做法 | 一手程度 |
|---|---|---|
| 凯哥 Lean-FDE | 六周训战营的 W3 整周就叫「人机协同与工作流重构」，交付物是 Workflow Redesign / HITL Map / Solution Canvas 三件[1] | 招生页与官网产品页原文，学员成果无公开可核验材料 |
| 任鑫 / fde-arsenal | 三条铁律之一是「AI 控流程，人控判断点」；造与测那一站的 agent 编制表专门留了一列叫「你在这里守什么判断」[2] | 作者自述的方法论文本 + 模板实物 |
| OpenAI Forward Deployed Engineering | 大规模开发开始之前，和客户领域专家一起建评估集，并定义「专家轨迹」——领域专家解决这个问题会走的动作序列[3] | 对 FDE 负责人 Colin Jarvis 公开访谈的第三方整理，非官方流程文档 |
| Anthropic Applied AI | 企业推广指南提出最小可行治理：配不起专职团队的公司至少要指定一名 DRI（Designated Responsible Individual），即对配置有权限的责任人；大组织则要工程、信息安全、治理同席[4] | Applied AI 团队署名指南；配套白皮书截至 2026 年 9 月需留邮箱下载 |
| Distyl AI | CEO Arjun Prakash 的公开表述：「Without the subject matter experts, there's no chance we're able to go into production.」（没有领域专家，我们根本不可能上生产。）[5] | 公司自述口径，客户全部匿名 |
这五条讲的不是同一件事——Lean-FDE 讲的是交付物，任鑫讲的是纪律，OpenAI 讲的是评估集的前置动作，Anthropic 讲的是组织责任人，Distyl 讲的是谁必须在场。但它们指向同一个结论：AI 系统的边界不是技术决定的，是先被人画出来的，然后才被实现。
中文招聘市场已经把这件事写成了明写的考核项。从中文 AI FDE 岗位 JD 里能提取出重复率最高的三段话，其中第二段就是「划 AI 与人的边界」——美团写「判断哪些环节适合交给 Agent、哪些留给人工」，高顿写「识别『AI 可介入 vs 人工兜底』的边界」，上海链家写「设计 AI 驱动或人机协同的新流程」（抓取于 2026-08-30，逐条见 08 · 岗位与 JD）。本库把这项能力放在能力模型的判断力维度，编号 J2（见 03 · 能力模型）。
1.2 不先画的三种代价
第一，Eval 会评错东西。 评估集评的是 AI 段的输出。AI 段的边界没定，评估集就会在「模型判得准不准」和「这个人的活是不是变轻了」之间来回漂移。
第二，采纳阻力会落在没人预料的地方。 本库 反模式清单 第 23 条：某在线教育公司用 AI 全面接管课后答疑，效率涨了，续费率跌了，因为班主任从此不知道学员卡在哪里——被自动化掉的不是搬运，是关系触点。
第三，判断点会被 agent 悄悄拿走。 反模式第 17 条：代码 agent 主动加了一个「推荐判定」按钮，业务主管看到的第一句话是「这个谁负责」，当场关掉。硬约束只写在人脑子里、没写进给 agent 的指令，等于没写。
1.3 分工表可以谈，代码不能谈
一张画在纸上的分工表，业务负责人可以在会议室里改——把一格从「AI 出结论」改成「AI 出依据」，成本是一支笔；同一件事等系统做出来再改，成本是一次返工加一次信任损失。所以正确用法是当着业务负责人的面填、让他改，而不是自己填完发给他确认。实际操作中，这场会常常与 Eval 设计 那场 90 分钟定标会合并。
二、把一个流程拆成 AI 段 / 人段 / 交接点
2.1 分界线的理论出处：预测与判断
用得最广的一条分界来自三位经济学家 Ajay Agrawal、Joshua Gans、Avi Goldfarb。他们在《麻省理工斯隆管理评论》2017 年 2 月 7 日的文章里写：
"The task that AI makes abundant and inexpensive is prediction — in other words, the ability to take information you have and generate information you didn't previously have." （AI 让之变得充裕且廉价的那项任务是预测——也就是拿你已有的信息、生成你原本没有的信息的能力。）[6]
配套的学术论文（NBER 工作论文 24243，2018 年 1 月）把另一半定义为判断（judgment）：「the process of determining the payoffs」（确定各种结果各自值多少的过程）。[7]
一处中文转述常常省掉的细节：这篇论文的结论不是「预测变便宜所以人的判断一定变值钱」。原文的限定是 "Prediction and judgment are complements as long as judgment is not too difficult"（只要判断不是太困难，预测与判断就是互补品），并指出在状态数量庞大的复杂环境里，预测改进对判断重要性的影响取决于这些改进是否让决策可以被自动化。[7] 判断值不值钱要一个流程一个流程看，不能当通则用——这正是需要一张表逐格填的原因。
配套的 AI Canvas 七格工具已在 Eval 设计 第二节展开，本页不重复；本页用的是它那条分界线本身，用来切流程。
2.2 四步画法
第一步：画「今天」的流程，不画理想流程。 来源是 需求发现与问题定义 那一站的流程走查记录和「show me how you do this today」的观察笔记。粒度标准：一个动作 = 一个具体的人、在一个界面上、做完的一件事。比这更粗会藏掉交接点，比这更细会画不完。
第二步：给每个动作标三件事。
| 标什么 | 取值 | 为什么标它 |
|---|---|---|
| 产出的是什么 | 信息 / 决定 | 「信息」是预测题，「决定」是判断题 |
| 错了谁承担 | 具体到人或岗位 | 承担者不在场，这一格就不能定 |
| 有没有不可逆副作用 | 有 / 无 | 有副作用的动作不进 AI 段，见第五节 |
第三步：把「产出信息 + 可逆 + 出错代价低」的连续动作划成一个 AI 段。 注意是连续——把三个不相邻的小动作交给 AI，得到的是三个交接点和一个更碎的流程，人的总耗时可能不降反升。
第四步：段与段之间的每一次移交，定义成一个交接点。 合格的交接点写清四件事：
- 呈现物——人在这一刻看到什么。一条结论、一个排序，还是一份带依据的草稿。
- 判断标准——他凭什么判这条能不能过。最佳来源是 Context 工程 产出的判断卡，尤其是判断卡最后一列「什么情况下这个判断是错的」。
- 两个出口——接受和退回都必须一次操作完成。只有「接受」按钮的界面不是交接点，是通道。
- 留痕——谁在什么时候接受或退回了什么。没有留痕，后面所有退化信号都测不出来。
2.3 一条纪律：AI 段可以长，交接点必须少而清楚
同一条流程，把交接点从一个加到五个，通常不会让它更安全，只会让每一个确认都更敷衍。欧盟《人工智能法案》第 14 条第 4 款 (b) 项要求监督者「to remain aware of the possible tendency of automatically relying or over-relying on the output produced by a high-risk AI system (automation bias)」（对自动依赖或过度依赖高风险 AI 系统输出的倾向——即自动化偏见——保持警觉）。[8]
自动化偏见不是靠提醒解决的，是靠设计降低的。可操作的一条：每增加一个交接点，就要能说出这个点上人具体在看什么、以及他不看会怎样。 说不出来的交接点应该删掉或合并。
三、三种协同形态：影子运行、人在回路、按置信度分流
三种形态不是三个档次，是同一个系统在不同信任水位下的三种跑法。绝大多数项目会依次走过它们，也有项目会往回退。
3.1 三形态速查
| 影子运行 shadow | 人在回路 HITL | 按置信度分流 confidence routing | |
|---|---|---|---|
| 怎么跑 | 系统在后台跑，结果不进业务流程，只与人工结果比对 | AI 出结果，人确认后才生效 | 高置信度自动处理，中段人确认，低段转人工并说明缺什么 |
| 人的动作变了吗 | 没变 | 从「做」变成「审」 | 高置信度那段的人被移出流程 |
| 适用边界 | 上线前；出错代价未知；业务方不信任；数据不够 | 出错要花钱或丢面子（Eval 设计 的 B 档）；需要持续攒标注 | 出错代价已量化；有稳定的置信度信号；红线可枚举 |
| 主要收益 | 零风险取得证据与基线 | 人省时间 + 每次修改回流成一条标注 | 用户看到的准确率显著高于系统整体准确率 |
| 主要成本 | 不产生任何业务价值，只烧时间 | 人的总耗时可能不降（审比做慢的情况真实存在） | 阈值维护、抽检、分流逻辑本身的复杂度 |
| 典型停留时长 | 1–3 周 | 数周到长期（很多场景的终点就是这里） | 长期 |
置信度分流的具体参数怎么定——阈值怎么拆成「覆盖率 + 该段准确率」两个数、红线怎么绕过阈值直接转人工、「不知道」怎么设计专门出口——在 Eval 设计 第七节，本页不重复。
3.2 每一种的退化信号
这是本页最实用的一节。三种形态各有一种典型的烂法，而且都能被观测到。
影子运行的退化：永远在影子里。
- 信号：跑满四周，没有任何一次有人真的打开过对比报告；每周汇报都是「还在验证」。
- 根因：影子运行不改变任何人的动作，因此不产生任何压力，可以无限期延续。
- 处理：开跑那天就写死退出条件（例如「连续两周与人工结果一致率 ≥ X%，或第 3 周结束无论如何做一次去留决策」）。到期只有三个词：切换、调整、停止。
人在回路的退化：橡皮图章。
- 信号（按可观测性排序）：确认耗时中位数低于 3 秒；修改率长期低于 2%；出现「全选 → 批量确认」操作；人在会上说不出上周他退回过哪一条。
- 根因：就是上面那条 automation bias。人确认了，但没有判断。
- 处理：三条按代价从低到高排——① 在交接点上强制呈现依据而不只是结论；② 对高代价条目要求填一句退回理由或勾选依据项；③ 埋一批已知答案的样本进日常流量做「监督的监督」（这一条要事先告知，否则是对人的测谎，会毁掉关系）。
- 一条判断：如果修改率长期极低而抽检发现质量确实没问题，那说明这一段本来就该自动化，应该往置信度分流切；如果修改率极低但抽检发现有错漏，那是橡皮图章，要退回去修交接点。同一个信号，两种相反的结论，靠抽检区分。
置信度分流的退化：自动档偷偷变大。
- 信号：自动处理比例月月上升，但抽检量没跟着涨；「不知道」的比例连续两周上升；有人为了提高「自动化率」这个指标去调阈值。
- 根因：自动化率是个好看的汇报数字，而它的代价发生在别处、延后发生。
- 处理：把抽检量绑定成自动处理量的固定比例而不是固定条数；把「不知道」比例连续两周上升列为独立告警线（这条在 Eval 设计 第 8.2 节被称为最有价值的一条告警，因为它在出错之前就报警）；阈值的调整必须留痕并写明当时的权衡。
3.3 切换条件
三条切换纪律：
- 只能一档一档切，不能跳。 从影子直接切到自动分流，等于跳过了唯一能产出标注的那一段。
- 往回退不是失败，是设计好的动作。 退回去要有人拍板、有理由、有记录。没有人敢喊退的系统，最终会以一次事故的形式被迫退。
- 切换要通知到一线，用他们的话说。 「从今天起，置信度高的那批不再需要你点确认了，大约是你现在工作量的六成；剩下四成会标出来给你」比「我们上线了自动分流」有用得多。这属于采纳设计，展开见 上线与采纳。
3.4 agent 时代的两条补充
前三小节讲的是把一段判断交给模型。当交出去的不是一次判断而是一串自主动作时，还有两条要加。
Anthropic 工程博客《Building effective agents》（2024 年 12 月）先划了一条基础界线：
"Workflows are systems where LLMs and tools are orchestrated through predefined code paths." "Agents, on the other hand, are systems where LLMs dynamically direct their own processes and tool usage."[9]
这条界线的实际含义是：一张画完的人机分工表，同时也就决定了这个系统该做成 workflow 还是 agent。 交接点密、路径固定的，做成 workflow；确实无法预知步数的，才需要 agent——原文的说法是 "Agents can be used for open-ended problems where it's difficult or impossible to predict the required number of steps"，并同时提醒 "The LLM will potentially operate for many turns, and you must have some level of trust in its decision-making"。[9]
同一篇文章给了三条与本页直接相关的做法：
"Agents can then pause for human feedback at checkpoints or when encountering blockers." （agent 可以在检查点上、或遇到阻塞时，暂停下来等人的反馈。）
"The autonomous nature of agents means higher costs, and the potential for compounding errors." （agent 的自主性意味着更高的成本，以及误差累积的可能。）
"We recommend extensive testing in sandboxed environments, along with the appropriate guardrails." （我们建议在沙盒环境里做充分测试，并配上恰当的护栏。）
"It's also common to include stopping conditions (such as a maximum number of iterations) to maintain control." （常见做法还包括加入停止条件，例如最大迭代次数，以保持控制。）[9]
第二条补充来自同一家的《Effective context engineering for AI agents》（2025 年 9 月 29 日）。需要说明的是：这篇文章通篇没有讨论人工检查点，它讲的是长任务里的三种上下文技术——compaction（把接近窗口上限的对话压缩成摘要后重开）、structured note-taking（把笔记写到上下文窗口之外的记忆里）、sub-agent 架构。[10]
但这三种技术对分工表有一个直接推论（这是本库的推论，不是原文主张）：长程 agent 的检查点必须挂在产出物上，不能挂在对话上。 因为对话会被压缩，被压掉的东西人看不见；只有落到文件、工单、数据库记录上的产出物，才是人能够真正复核的对象。这也是为什么第 2.2 节把「呈现物」列为交接点的第一要素。
3.5 界面侧的现成参考
交接点的具体界面怎么做，有两份公开的成套材料可以直接抄，本库不重复造：
- Google PAIR《People + AI Guidebook》 的 Errors + Graceful Failure 一章：「When an AI system fails, often the easiest path forward is to let the user take over.」（AI 失败时，最简单的出路往往是让用户接管。）以及「Explain why a certain result couldn't be given and provide alternative paths forward.」（解释为什么给不出某个结果，并提供其他前进路径。）[11]
- 微软 HAX Toolkit《Guidelines for Human-AI Interaction》 的 18 条，按「初次接触 / 交互过程中 / 系统出错时 / 长期演进」四个时段分组。与交接点最相关的四条是 G2「Make clear how well the system can do what it can do」、G9「Support efficient correction」、G10「Scope services when in doubt」、G16「Convey the consequences of user actions」。[12]
四、一张可填的 HITL 分工表
4.1 表结构
一行一个步骤，按今天的流程顺序排。
| 列 | 填什么 | 填错的典型样子 |
|---|---|---|
| 步骤 | 一个具体的人在一个界面上做完的一件事 | 「智能处理」——这是一个模块名，不是一个步骤 |
| 谁做 | AI / 人 / AI 出建议人确认。写人名或岗位，不写「系统」「相关同事」 | 「由平台自动完成」——出错时找不到人 |
| 输入 | 这一步实际拿到的东西，含来源系统与字段 | 「客户信息」——没说是哪张表哪几个字段 |
| 输出 | 产出物形态，标明是信息还是决定 | 「处理结果」 |
| 判断标准 | 凭什么判这条对不对，可勾选。来源是判断卡 | 「根据经验判断」 |
| 出错代价 | 具体后果 + 谁承担 + 多久暴露 | 「影响较大」 |
| 回退方式 | 出错之后怎么撤，5 分钟内能做完，且演练过一次 | 「联系技术人员处理」 |
4.2 填写示例
例子沿用本库其他页面一直用的那个场景（客服工单分类与派单），便于对照 Eval 设计 的评估集和阈值设计。
| 步骤 | 谁做 | 输入 | 输出 | 判断标准 | 出错代价 | 回退方式 |
|---|---|---|---|---|---|---|
| 1 抽取要素 | AI | 邮件正文原文 + 附件文本 | 订单号 / 金额 / 涉及产品 / 情绪词（信息） | 订单号能在 ERP 里查到；金额与附件一致 | 抽错要素导致后续全错；1 小时内在人工确认环节暴露 | 该条整体转人工，原文直送坐席 |
| 2 归类与定紧急度 | AI | 第 1 步要素 + 历史同类工单 | 12 类之一 + 高/中/低 + 置信度 + 依据（信息） | 依据里必须能指出正文中的具体句子 | 投诉类误判为咨询类 → 客户多等 8 小时；由客服主管承担 | 见第 3 步 |
| 3 交接点：确认分类 | 人：一线坐席 | AI 的候选类别 + 依据句 + 置信度 | 确认或改判（决定） | 判断卡 C-03 / C-07；命中红线词一律不接受自动结论 | 橡皮图章式确认会让整套指标失真 | 一键退回并选原因，退回条目进当日复核队列 |
| 4 高置信度直通 | AI | 置信度 ≥ 0.85 且未命中红线 | 直接进队列（决定） | 阈值由 Eval 定；红线不参与阈值计算 | 该段错误直接触达客户；T+1 抽检暴露 | 关掉自动档，全量回到第 3 步（一个配置开关，已演练） |
| 5 红线复核 | 人：客服主管 | 命中红线词的全部条目，不看置信度 | 处置决定（决定） | L3 红线清单逐条 | 监管投诉被当成普通咨询 → 半夜接电话 | 无回退，此步不可省 |
| 6 电话安抚 | 人：坐席 | 第 5 步标记为高危的客户 | 一次通话（关系） | 不适用 | 自动化掉这一步会损伤关系资产，见反模式第 23 条 | 不适用 |
4.3 三条填表纪律
- 每一行的「谁做」必须落到人名或岗位。 填「系统」的那一行，出错当天没有人接。
- 「出错代价」必须写具体后果和暴露时延。 「多久暴露」这一列常被忘掉，而它决定了抽检频率——一个 T+30 才暴露的错误，需要的抽检强度远高于一个当场暴露的错误。
- 「回退方式」必须演练过一次。 没演练过的回退方案在事故当天等于不存在。演练记录写进 从 demo 到生产 的生产化清单。
4.4 这张表的验收动作
业务负责人在这张表上签字，和他在 Eval 及格线上签字，是同一场会的两件事。 顺序是先签分工表再签及格线——因为「评什么」取决于 AI 段的边界在哪。签字之前必须让他听到一句话：这张表里每一个写着「人」的格子，都是要占用你团队工时的；如果你希望这些格子少一点，我们现在就改，上线之后改的代价是一次返工。
五、哪些判断永远不交给 AI
先说清这张清单的用法：它禁止的是 AI 出结论，不是禁止 AI 参与。 同一件事，AI 可以出线索、出依据、出草稿、出排序、出检查表，这些都不受限制。受限制的是谁的名字落在那条最终记录上。
| # | 不交给 AI 的判断 | 依据 |
|---|---|---|
| 1 | 对个人权益有重大影响的决定：录用、辞退、处分、考核结论、授信与拒贷、差别定价 | 《个人信息保护法》第 24 条第 3 款：「通过自动化决策方式作出对个人权益有重大影响的决定，个人有权要求个人信息处理者予以说明，并有权拒绝个人信息处理者仅通过自动化决策的方式作出决定。」（2021-08-20 通过，2021-11-01 施行）[13]；欧盟 GDPR 第 22 条第 1 款给了数据主体「有权不受仅基于自动化处理、且对其产生法律效果或类似重大影响的决定约束」的权利，第 3 款要求至少保障「the right to obtain human intervention on the part of the controller」[14] |
| 2 | 高风险系统的最终否决权与停机权 | 欧盟《人工智能法案》第 14 条第 4 款要求监督者能够 (d)「to decide, in any particular situation, not to use the high-risk AI system or to otherwise disregard, override or reverse the output」（在任何具体情境下决定不使用该系统，或无视、推翻、撤销其输出），(e)「to intervene in the operation of the high-risk AI system or interrupt the system through a 'stop' button or a similar procedure」（介入其运行，或通过停止按钮或类似程序中断系统）[8] |
| 3 | 生物识别结果作为行动依据 | 同法第 14 条第 5 款：相关识别结果必须「separately verified and confirmed by at least two natural persons with the necessary competence, training and authority」（由至少两名具备必要能力、培训与授权的自然人分别核验确认）后，部署者才能据此采取行动[8] |
| 4 | 涉及人身安全、停产、不可逆损失的处置结论 | 本库 从 demo 到生产 与 安全、采购与法务 第六节 F 组第 33、36 题把它设为否决题：写不出失效机理、只写得出相关性的，统计模型只能当线索不能当结论。反面案例见 反模式 第 9、10、11 条——「用发生频率排列排查顺序」和「把免责声明当安全设计」 |
| 5 | 不可逆的写操作：付款、发货、删除、对外发送、生产参数下发 | Anthropic 建议对 agent「extensive testing in sandboxed environments, along with the appropriate guardrails」并加入 stopping conditions[9]；本库 造与 MVD 第六节把「写回」列为 demo 与生产的分界之一，Palantir 在 Ontology 里用 Action Type 这个原语把写回做成一等公民、显式建模权限与可追溯 |
| 6 | 对外说什么话 | fde-arsenal 的 agent 编制表把「哪句话能对外说、哪句话不能」明确列为人的判断[2]；《生成式人工智能服务管理暂行办法》（2023-07-10 公布，2023-08-15 施行）第九条规定提供者「应当依法承担网络信息内容生产者责任」，第十四条要求发现违法内容时「及时采取停止生成、停止传输、消除等处置措施」——责任主体是提供者这个法人，不是模型[15] |
| 7 | 承载关系的人际接触 | 反模式 第 23 条的原则句：自动化消除无价值搬运，不消除有价值的人际接触。判断方法是三问——这个环节是否承载关系建立？自动化后业务人员是否还能了解用户状态？这一步是「搬运」还是「接触」？ |
| 8 | 超出自己专业边界的领域结论 | Distyl 的公开表述「Without the subject matter experts, there's no chance we're able to go into production.」[5]；反模式 第 9 条的解法句：写不出机理，就把建模主导权交出去 |
关于第 1 条的一处中国现场提醒：《生成式人工智能服务管理暂行办法》第二条把「未向境内公众提供服务」的企业内部研发与应用排除在适用范围外，但**《个人信息保护法》第 24 条没有这条豁免**——只要处理的是个人信息、且决定对个人权益有重大影响，内部系统同样受约束。这条边界要在方案阶段画清楚，展开见 安全、采购与法务 与 中国现场特有的约束。
关于这张清单的边界：第 1、2、3 条是法定义务，写在条文里；第 4 到第 8 条是工程与商业上的经验共识，证据强度低于前三条，读者应按自己场景重新判断。本库不把它们并列成同一强度。
六、这一页落在交付生命周期的哪一段
分工表不是一个独立阶段，它横跨 交付生命周期 的 P2（Context）到 P4（造 / MVD），与其它几站的产出物互为输入输出。
四个具体的衔接动作：
- 分工表要在 Eval 定稿之前签。 评估集评的是 AI 段，AI 段的边界没定，评估集就得返工。
- 交接点的界面要和 AI 段同批造，不能排到下一期。 只做了 AI 段、把确认动作扔进 Excel 的项目，退化成橡皮图章的速度最快。
- 留痕从第一天就埋。 确认耗时、修改率、退回原因、自动处理占比——这四个字段在上线三个月后补不回来，而它们是第 3.2 节所有退化信号的数据来源。
- 人工干预率进汇报口径。 美团的 FDE 岗 JD 把「采纳率、任务成功率、人工干预率」并列为要跟踪的核心指标（抓取于 2026-08-30，见 08 · 岗位与 JD）。这个数字同时是算账材料和退化信号，写法见 算账与扩展。
延伸阅读
- 交付生命周期 — 本页在 P2–P4 的位置，以及每一站的产出物与过关标准
- Context 工程 — 判断卡怎么做出来；它的最后一列是交接点判断标准的最佳来源
- Eval 设计 — 阈值怎么拆成覆盖率与准确率两个数；红线清单怎么定；持续评估的四个节奏
- 造与 MVD — agent 军团四个岗位的分工，以及每个岗位上「人在这里守什么判断」
- 上线与采纳 — 形态切换怎么通知一线；采纳阻力怎么诊断
- 各家框架对照 — Lean-FDE 的 W3、任鑫的三条铁律、Distyl 的四段生命周期各自的原文与证据强度
- 05 · 反模式清单 — 第 9、10、11、17、23 条与本页直接对应
- 05 · 安全、采购与法务 — 第六节 F 组「决策与责任」四题，可当分工表的否决题用
- 03 · 能力模型 — 判断力维度 J2「人机边界」的能力描述与考察方式
- 06 · 模板与权威出处 — AI Canvas 与 Google PAIR 工作表的祖先出处
- Google PAIR《People + AI Guidebook》 — 6 章 23 个人机协作设计模式，附可打印工作表，是交接点界面设计最完整的免费材料
- 微软 HAX Toolkit《Guidelines for Human-AI Interaction》 — 18 条按四个时段分组的交互准则，配有设计模式库与示例
- 欧盟《人工智能法案》第 14 条全文 — 人类监督条款，五段，十分钟读完，是目前对「人要能做什么」写得最具体的一份法律文本
来源
- Lean-FDE 官方产品页（六周主题与交付物），核对日期 2026-09-06. https://www.leanfde.com/products ；史凯（SuperKai），《凯哥讲 FDE｜Lean-FDE 创始班学员招募》，微信公众号「凯哥讲故事系列」，2026-08-09. https://mp.weixin.qq.com/s?__biz=MzA4NDMyODMxMg==&mid=2647998162&idx=1&sn=4205bb3cfdeda65ab8cc9c22c9608198
- 任鑫（Mars），《培养旅程 · 06 造与测：一个人带一支 agent 军团》，fde-arsenal（中国 FDE 手册），CC-BY-4.0. https://github.com/ai-alchemy-lab/fde-arsenal/blob/main/02-方法论/培养旅程-06-造与测.md
- ZenML LLMOps Database，"OpenAI: Forward Deployed Engineering: Bringing Enterprise LLM Applications to Production"（对 OpenAI FDE 负责人 Colin Jarvis 公开访谈的第三方整理）. https://www.zenml.io/llmops-database/forward-deployed-engineering-bringing-enterprise-llm-applications-to-production
- Anthropic，"Scaling Agentic Coding Across Your Organization"（截至 2026 年 9 月需留邮箱下载）. https://resources.anthropic.com/scaling-agentic-coding
- Channel Dive，对 Distyl AI CEO Arjun Prakash 的报道（引语原文）. https://www.channeldive.com/news/billion-dollar-ai-startup-distyl-ai-openai-azure-anthropic/802806/ ；Distyl AI 官网. https://distyl.ai/about
- Ajay Agrawal, Joshua S. Gans, Avi Goldfarb, "What to Expect From Artificial Intelligence", MIT Sloan Management Review, 2017-02-07. https://sloanreview.mit.edu/article/what-to-expect-from-artificial-intelligence/
- Ajay K. Agrawal, Joshua S. Gans, Avi Goldfarb, "Prediction, Judgment and Complexity: A Theory of Decision Making and Artificial Intelligence", NBER Working Paper 24243, 2018-01. https://www.nber.org/papers/w24243 ；配套书《Prediction Machines》, Harvard Business Review Press, 2018（2022 年出增订版）；AI Canvas 见 "A Simple Tool to Start Making Decisions with the Help of AI", HBR, 2018-04-17. https://hbr.org/2018/04/a-simple-tool-to-start-making-decisions-with-the-help-of-ai（HBR 正文付费，本页引用的判断定义取自可公开访问的 NBER 版本）
- 欧盟《人工智能法案》（Regulation (EU) 2024/1689）第 14 条「Human oversight」. https://artificialintelligenceact.eu/article/14/
- Anthropic，"Building effective agents"，Anthropic Engineering Blog，2024-12. https://www.anthropic.com/engineering/building-effective-agents
- Anthropic，"Effective context engineering for AI agents"，Anthropic Engineering Blog，2025-09-29. https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents（该文未讨论人工检查点；本页引用的是其 compaction / structured note-taking / sub-agent 三项长任务技术，并注明由此得出的检查点结论是本库推论）
- Google PAIR，《People + AI Guidebook》"Errors + Graceful Failure" 章. https://pair.withgoogle.com/chapter/errors-failing/
- Microsoft，HAX Toolkit，"Guidelines for Human-AI Interaction"（18 条列表核对日期 2026-09-06）. https://www.microsoft.com/en-us/haxtoolkit/ai-guidelines/ ；原始论文 Saleema Amershi 等，"Guidelines for Human-AI Interaction", CHI 2019
- 《中华人民共和国个人信息保护法》第二十四条，2021-08-20 通过，2021-11-01 施行（英文译文引自斯坦福 DigiChina 项目，中文条文以全国人大公布文本为准）. https://digichina.stanford.edu/work/translation-personal-information-protection-law-of-the-peoples-republic-of-china-effective-nov-1-2021/
- 欧盟《通用数据保护条例》（GDPR）第 22 条「Automated individual decision-making, including profiling」. https://gdpr-info.eu/art-22-gdpr/
- 国家互联网信息办公室等七部门，《生成式人工智能服务管理暂行办法》，2023-07-10 公布，2023-08-15 施行. https://www.cac.gov.cn/2023-07/13/c_1690898327029107.htm
- 中文 AI FDE 岗位 JD 集（美团 CatPaw FDE、高顿、上海链家德佑、滴滴等公开招聘页面，抓取日期 2026-08-30），逐条整理见本库 08 · 岗位与 JD