中国案例
给想知道「FDE 这套打法在中国现场长什么样」的人。15 条有公开来源的案例，其中 2 条在 README 索引 里标为「败」（C2 澜码、C14 专业边界），另有 1 条结构性困境（C15 岗位分布）与 1 条数字通胀标本（C7）。中文材料的证据质量普遍低于英文，所以这一页对每条数字的口径写得更细。
阅读前请先看 README 里的证据等级约定：A = 一手可独立核对，B = 一方自述、来源可点开但无第三方核实，C = 二手转述或行业流传。等级低不等于假，等级低意味着不能拿去当统计引用。（这套等级与 05 章 的【一手】/【转述】/【复合案例】的对应关系，见 README 的对照说明。）本页要额外提醒三件事：
- 中文 AI 落地材料里「效率提升 300%」「准确率 100%」这类表述极常见，几乎全部是没有分母的营销口径。 本页把它们保留下来当反面教材（见 C7），但不引用为事实。
- 公众号文章的永久链接容易失效。 本页对只在公众号发布的来源，同时给出「公众号名 + 标题 + 发布日期」，链接失效时可按标题回搜。
- 公开的中国企业内部 FDE 样本极少。 截至 2026 年 9 月，公开材料完整到能写成案例的，只有安克创新一家。这个空白本身就是一条重要信息。
本页按四组排列：企业内部推动（C1、C5、C6）、外部交付商（C2–C4、C7–C10）、生态动作（C11、C12、C15）、行业流传的教学素材（C13、C14）。编号按 README 索引 排，正文按主题分组，因此不连号。
本页目录
- 一、企业内部推动：C1 安克创新｜C5 平安人寿｜C6 晋商银行
- 二、外部交付商：C2 澜码科技｜C3 澜码 × 桃李中文｜C4 澜码 × 国网浙江｜C7 实在智能｜C8 循环智能｜C9 毕昇 BISHENG｜C10 嘉环科技
- 三、生态动作：C11 Datawhale｜C12 南京 AI-FDE 大会｜C15 岗位市场数字
- 四、行业流传的教学素材：C13 日活 12 到 1800｜C14 专业边界
- 未收录但值得跟进的线索｜延伸阅读｜来源
一、企业内部推动
C1 安克创新，AI 代码采纳率从 30% 到突破 50%
证据等级 A。
背景。 安克创新 2011 年 12 月成立，创始人阳萌是德州大学奥斯汀分校计算机硕士，创业前在 Google 做高级算法工程师。2023 年营收在 200 亿元量级，员工三年从 2000 人涨到 4000 人。2025 年研发投入 28.93 亿元，同比增长 37.2%。2023 年阳萌提出 All in AI，公开说法是「提升 AI 含量是我今年最重要的三件事之一」。执行这句话的是 CIO 龚银和他带的 IT 与数字化团队。
这个案例的特殊性。 安克没有请外部咨询公司，也没有把这件事外包给服务商。推 AI 的是原本就在公司里、原本就懂业务系统的那批人。这是中国目前公开材料最完整的一个内部 FDE 样本。
难在哪。 四千人里有多少人会在自己每天的活里真的用 AI，这是个组织问题不是技术问题。同时钱在收紧：研发投入年增 37.2%，而 2025 年经营活动现金流净额只有 4.81 亿元，比 2024 年跌了 82.49%。龚银把两难说得很直白：「对创新一旦设立很短期的 ROI，创新就变了……但是你说没有 ROI，好像这个事情又证明不了。」
做了什么（四个可以直接抄的动作）。
- 先玩起来再谈立项。 对外讲的路径是三步：玩起来、可推广、深入应用。第一阶段不挑重点项目，大面积铺开，一年内办了多次 AI 专场 Hackathon，产出 50 多个「业务 + AI」的候选场景——是候选，不是项目。
- 把使用变成看得见的行为。 全员开放可自由探索的 AI playground；飞书机器人每周把使用 AI 次数最多的员工排名推送给所有人；飞书「安克圈」里沉淀了 700 余条 AI 使用经验的热门帖。
- 责任挂到一号位。 AI 提效被列为部门一号位的 OKR，阳萌原话是「我自己也会每周 review 各项 AI 提效的进展」。
- 团队一分为二，只让三分之一背 ROI。 约三分之一承担明确 ROI 指标和严格时间节点，其余三分之二专注不确定性领域的探索，不设短期 ROI，但定期汇报进展。（这条被 ../05-practice/china-specifics.md 第十一节收进「内部 FDE 组织安排」的六条实务。）
工具全部自研：AcPilot（编程插件，给近千位软件开发和测试工程师用）、AIME（智能体平台，龚银称其「关键作用是普及 AI 能力，让营销、服务、供应链等非技术岗位员工也可以使用」）、Vela（内容生产平台，设计团队效率提升超 50%）。场景能不能上，看业务、技术、团队三个成熟度，其中业务侧的关键一条是「有没有责任人」。
结果。 AI 代码采纳率：2023 年 30%，2024 年 37%，2025 年突破 50%。 这是本案例唯一建议对外引用的效率数字，理由是三年连续、口径一致、出自 CIO 本人公开表述。
主动承认的失败。 2023 年做的 AI 内容中台，到 2024 年下半年因模型能力整体变化，价值点转移。龚银原话：「我们果断把这个平台重新做了，接受失败」，以及「AI 平台一旦过时，我们将毫不犹豫地选择重构」。
另一面。 创业小组制对事业部负责人要求极高，公开报道称社招高 P 被动离职率偏高；2025 年 3 月具身智能负责人刘方离职，4 月前 3D 打印机负责人王志宇带着近 30 人团队离职创业。
教训。
- 听到老板说「我们要 All in AI」，先别去比选工具。把这句话翻译成两个可检查的动作：部门一号位的 OKR 里有没有这一条，老板本人愿不愿意每周花时间 review。 缺一条，后面所有工具都会变成打开率报表。
- 面对「工具发下去没人用」，不要往考核里加惩罚，先往环境里加三样：零门槛试玩场、每周公开的使用排名、能互相抄作业的内部社区。惩罚只买得到打开次数。
- 有人建议「先挑三个重点场景立项」时，反问一句你手上有多少个候选。候选不到几十个就直接立项，本质是在信息最少的时候押注。 安克是先铺出 50 多个候选再收敛；毕昇 BISHENG 团队跟上百家企业聊完后给的建议是先拿 200 到 300 个场景做尝试（见 C9）——两个互不相干的来源指向同一个动作。
- 给 AI 团队定 KPI，把队伍按三分之一和三分之二切开。不切开的结果只有两种：要么全员做确定性的小活，要么全员在做无法交代的探索。
- 发现去年建的平台价值点已经转移，公开承认并重做比继续给它找用途便宜。 承认失败在这里不是姿态，是成本控制。
来源。 腾讯云开发者社区《All in AI 两年，AI 代码采纳率突破 50%》龚银专访（本卡最主要的一手来源）；飞书官网，安克创新 CEO 阳萌分享 AI Ready 之路（排行榜、安克圈 700 余条帖子、阳萌原话出处；飞书自家营销稿，引语可信、效果数字有美化嫌疑）；爱云资讯，安克与飞书「三步走」；36 氪《安克创新「浅海」遇礁》，2026 年 5 月（组织问题、高 P 离职、现金流数据出处；负面视角，含匿名信源）。
保留意见。 公开材料里客服相关的两组数字互相冲突（一处称接近 70% 的邮件由 AI 自动回复，另一处称邮件回复成功率 40%），口径不明，本卡一律不用。「300+ 活跃 AI 智能体」出自转述，未在一手采访中找到，不用。推 AI 那支团队的规模、成员原本的岗位、汇报关系，公开资料查不到——这恰恰是最想知道的部分。
C5 中国平安人寿，数字员工平台
证据等级 B。（企业选送、第三方机构评审收录，无独立审计。）
背景与问题。 平安人寿内部存在大量重复性办公劳动；同时保险条款、核保规则、合规制度专业性极强，对员工专业能力要求高。传统的人力密集模式撑不住。项目目标是把员工从重复劳动中解放出来。
做了什么。 以「AI 原生」为理念，构建「1 个认知中枢 + N 个智能场景」的企业级智能体体系，2025 年初正式上线。
- 认知中枢：基于增强型 RAG 的企业级动态知识图谱，实时整合 PDF、Word、Excel、数据库等异构数据，采用语义路由与动态知识切片，做语义 + 关键词双召回。
- 专岗智能体：智能合规引擎（自动生成迎检合规报告初稿）、AI 风控先锋（内部合规评审的多维风险扫描）、智能客诉洞察官（投诉文本的语义分析与实时决策支持）。
- 技术侧：在企业核心生产环境部署全参数千亿级大模型（DS-R1/V3），基于 sglang 推理框架；自研异构模型（含 Qwen3-235B）与异构算力（含国产芯片/框架）的动态调度平台。
- 治理侧：RBAC 知识分级、端到端加密、AI 内容实时过滤、全流程合规审计，获中国信息通信研究院最高等级认证。
结果（企业选送材料口径，截至 2025 年 9 月底）。
| 指标 | 数字 |
|---|---|
| 核保审核效率 | 提升 50% |
| 迎检报告生成效率 | 提升超过 80% |
| 内勤用户覆盖率 | 88% |
| 累计内勤用户数 | 2.4 万人 |
| 平台活跃度 | 日活稳定居公司内部 IT 系统前 10 位 |
注意：项目目标是「2025 年内勤覆盖率超 80%、累计使用量突破 300 万次」，而覆盖率 88% 是已实现结果，累计使用量的实际数字材料中未给出。目标和结果不要混着引。
教训。
- 「1 个认知中枢 + N 个智能场景」这个架构在中国大型金融机构的公开案例里反复出现，本质是把 Context 层做成公司级的公共品，再让各业务线在上面长应用——和 G1 的概念映射层是同一个判断。
- 强监管行业的 AI 项目，治理能力就是交付能力的一部分。 权限分级、脱敏、审计追溯不是合规部门的附加要求，是这类项目能不能上生产的门槛。
- 覆盖率 88% 与「日活居内部系统前 10」放在一起，比任何单项效率百分比都更能说明这个平台真的在被用。评估内部 AI 平台，先要这两个数。
来源。 中关村互联网金融研究院公众号，《优秀案例｜中国平安人寿保险股份有限公司：平安人寿数字员工平台》，2026 年 2 月 21 日。该文属于中关村互联网金融研究院与中关村金融科技产业发展联盟主办的「2025 年数字金融服务创新与场景应用案例征集」系列，最终遴选出 64 项优秀案例并逐篇展示。该文为微信公众号发布，永久链接不稳定，请按公众号名 + 标题检索。
C6 晋商银行，智能保函审核
证据等级 B。
背景与问题。 晋商银行大力发展分离式保函业务，规模扩大后传统审核流程的问题暴露出来：环节多、周期长；银行无法强制客户使用制式合同，缺乏统一审核标准，不同审核人员对同一笔业务的判断可能不一致；风控人员要人工汇总企查查、法人征信、司法等多源外部数据，来源杂乱、质量参差。
做了什么。 三件事叠在一起：
- 用大模型对多源外部数据（企查查、司法公开数据、征信）做自动整合与深度挖掘，把风险判断从「事后发现」推到「事前预警」。
- 用大语言模型替代传统 NLP，解析非标准化合同条款，识别歧义表述、权利义务模糊等深层语义风险。
- 规则引擎 + 案例检索的双重审查框架，官方表述是「规则为骨、案例为血」：规则引擎检测合同结构完整性与条款齐备性，案例检索匹配真实负面案例给出实战化风险提示。
流程是：客户经理上传合同 → 系统自动提取文本并调用外部数据完成风险评估 → 结合内嵌审核规则与历史负面案例知识库深度审查 → 生成结构化审查报告。
结果（企业选送材料口径，截至 2025 年案例征集时点）。 保函审核平均时间缩短至 2 小时以内；风险点识别准确率超过 95%。「准确率超过 95%」的分母（识别出的风险点总数？还是全部应识别的风险点？）材料中未给出，引用时必须带这句限定。
教训。
- 「不同审核人员对同一笔业务判断不一致」是一个被严重低估的 AI 机会。 它不是效率问题，是一致性问题；而一致性恰好是模型比人强的地方。找场景时，除了「慢」和「贵」，多问一句「同样的输入，不同的人会不会给出不同的结论」。
- 「规则为骨、案例为血」是纯 RAG 之外一条更稳的路：规则保证不漏掉硬约束，案例提供实战化的风险直觉。 在有明确合规底线的场景里，纯检索增强通常不够。
- 「2 小时以内」是绝对值，比「效率提升 X%」可信得多，也更容易被客户内部验证。写案例时优先给这类数字。
来源。 中关村互联网金融研究院公众号，《优秀案例｜晋商银行股份有限公司：智能保函审核》，2026 年 1 月 22 日。同属「2025 年数字金融服务创新与场景应用案例征集」64 项优秀案例系列。微信公众号发布，请按标题检索。
二、外部交付商
C2 澜码科技：方法讲得最准的那家，倒得也最快
证据等级 A（经营事件），B（案例数字）。
这一条讨论的是一种交付模式在中国面临的结构性处境，不是对某家公司或某个人的能力评价。一家公司的结局定不了一个模式的生死。
背景。 澜码科技 2023 年 2 月成立，创始人周健是 ACM 世界冠军，有 Google 和阿里的技术背景，李开复公开背书。2023 年 8 月完成数千万元 A 轮（IDG 资本、Atom Capital、联新资本）。产品 AskXBOT，定位企业级 Agent 平台。
周健的三步方法论是：专家知识数字化 → 基于 CUI 的柔性交互 → 领域知识的循环沉淀。他们不做通用工具，只啃一个行业里的专家知识。同期不少同行在堆客户 Logo 和「效率提升 300%」这类没有分母的百分比，澜码讲的是周数、条数、金额。
公开案例（公司自述口径）。 保险行业项目沉淀寿险产品与销售的专家知识，积累 10 万余条，支持本地大模型部署，Agent 用户满意度 90%。「10 万余条专家知识」是中文材料里少见的一个不衡量效率、而是衡量搬运量的指标——它数的不是省了多少人力，是从人脑里搬出来多少东西。
难处出在这个硬活上。 把寿险专家脑子里的 10 万条知识挖出来，需要多长时间、什么级别的人、占掉团队多少个月——这些成本几乎全部落在乙方。挖出来的东西又高度绑定这一个客户：产品结构、销售话术、核保口径、内部黑话，换一家保险公司就要重来。而客户付钱的方式是按项目付的，合同上写的是交付一个系统、上线几个模块、验收几个指标，没有一条写「我们一起养一个知识库，它以后越用越值钱，收益分你一部分」。于是乙方投入最重、最不可替代的那段工作，在定价上接近于免费赠送。
结果（公开报道）。
| 时间 | 事件 |
|---|---|
| 2024-10 | 首次曝出资金链紧张，创始人多次融资未果 |
| 2025-01-06 | 以「客观情况发生重大变化」为由，向约 50 名员工发出解除劳动合同通知，未支付赔偿金 |
| 2025-02-24 | 界面新闻报道：工资自 2024 年 9 月起延迟发放，截至报道时 2024 年 12 月与 2025 年 1 月工资未发；「澜码信息」46 人被协商解除合同，留守约 20 人；公司负责人称这批人的公积金与社保「不要指望了」。报道未给出欠薪总额与裁员比例 |
| 2025-02 | 周健公开回应，称正在寻求被并购 |
教训（落在商业结构上，不落在人身上）。
- 要为一个客户做深度知识沉淀之前，先把三个问题写在纸上：挖这些知识的成本谁承担，挖出来的资产归谁，第二个客户能复用多少。 三个答案如果分别是乙方、甲方、很少，那么这单做得越好，你的现金流越紧。这不是执行问题，是结构问题，加班和降价都解决不了。
- 看到一份漂亮的交付案例，先找里面最重的那段工作，然后问它在合同里值多少钱。 如果接近于零，说明这家公司正在用融资补贴客户的知识资产。
- 判断一段工作该由内部人做还是外部人做，比四件事：知识的获取成本、信任的建立成本、资产的归属、人的薪资已经付在哪里。这不等于外部交付走不通，它说明的是这条路在中国要额外背四份成本，定价上必须先把它们装进去。
- 有人说「中国的 AI 落地不行是因为企业不懂 AI」时，可以把这个案例摆出来。澜码不是不懂 AI 的一方，是最懂的那一批。
来源。 腾讯新闻《对话澜码科技创始人周健》（三步方法论一手表述）；新浪，AskXBOT 发布会报道；王吉伟频道，AskXBOT 产品详解（行业分析师视角）；界面新闻《澜码科技因融资不顺陷欠薪风波》（欠薪与裁员数字出处）；腾讯新闻，周健独家回应正寻求被并购；新浪财经复盘报道，2025 年 4 月。
保留意见。 中文圈广泛流传的「欠薪超过 800 万元、裁员比例 66%、社保拖欠 5 个月」这组数字，本库于 2026-09-06 回溯界面新闻原文（https://www.jiemian.com/article/12388136.html）后确认**原文没有这些数字**，也未找到其他一手出处，因此本卡不采用，只保留原文有的表述。[../01-lineage/china-lineage.md](../01-lineage/china-lineage.md) 与 ../00-start/myths-and-misquotes.md 同此口径。
C3 澜码 × 桃李中文，5 周完成 13 类题型验证
证据等级 B。
背景与做法。 客户是中文教育机构桃李中文，场景是基础题型的自动生成与验证。
结果（公司自述口径）。 5 周完成 13 类基础题型的验证；原本需要 1 年、100 万元以上的过程被压缩到 3 个月。
教训。 这是一个合格的案例写法示范：有起点、有终点、有对照（5 周 vs 1 年，3 个月 vs 1 年，100 万元的成本基准）。中文 AI 落地材料里能做到这三点的很少。写你自己的案例时，照这个格式写。
来源。 见 C2 的来源清单，该案例出自澜码公开材料与产品详解报道。
C4 澜码 × 国网浙江智能结算审核
证据等级 B，结果未知**。**
背景与做法。 客户是国网浙江电力，场景是智能结算审核。该项目入选中国信息通信研究院大模型「揭榜挂帅」优秀案例。
为什么标「未知」。 公开材料里只有「入选优秀案例」这个事实，没有任何效率、成本或质量的量化结果。
教训。 「入选某某优秀案例」是一个评审事件，不是一个交付结果。这两者在中文材料里经常被混为一谈。看到只有奖项没有数字的案例，把它归到品牌背书，不要当交付案例引用。
来源。 见 C2 的来源清单。中国信息通信研究院大模型「揭榜挂帅」优秀案例名单请以信通院官方发布为准，本次调研未取得该名单的官方原始链接【待核实】。
C7 实在智能：Logo 墙打法与效果数字通胀的标本
证据等级 C，结果未知**。**
这一条收录的目的是教读者怎么读一份 AI 落地案例，不是评价这家公司的技术或交付能力。下面照录的数字全部来自该公司官网营销页，本库不认可这些数字为事实。
背景。 杭州公司，RPA 出身，现在讲「Agent + RPA」，主打「数字员工」。核心技术叫 ISS（屏幕语义理解）：不接 API，让 Agent 像真人一样看屏幕、点软件。自研模型 Tars。宣称已服务国内外 2000+ 大中型客户，2025 年入选工信部人工智能应用典型案例。
它公开的案例（官网口径照录）。
| 客户 | 场景 | 宣称结果 |
|---|---|---|
| 吉利 | 财务共享中心，覆盖 6 大财务流程 | 效率↑300%／数据准确性↑100%／人力成本↓70% |
| 中国烟草 | 网银登录、银行回单分类打印 | 节省 80% 人工时间，准确率 100% |
| 华夏银行 | 多业务流程自动化 | 自动化覆盖率 1 万+／操作准确率↑100%／人工成本↓40% |
| 视源股份 | 合同审核 | 审核效率↑10 倍／数据准确性↑100%／人力成本↓70% |
| 某电力企业 | 系统集成、财务流程 | 单站省 3 人次／财务流程省 7 个工作日／成本节约 100 万元 |
| 某电商企业 | 多平台数据采集分析 | 年省 1300 工时／效能↑1000%／数据驱动增长↑30% |
怎么读这张表。
- 「准确率 100%」出现了四次。 100% 不是一个结果，是一个口径——通常意思是「在我们定义的那部分任务里没出错」。正确的问法是：分母是什么？漏掉的、退回人工的算不算？
- 「效率提升 300%」「效能提升 1000%」没有基准。 提升 300% 是从什么到什么？没有基准的百分比等于没说。
- 「数据准确性↑100%」在语法上就不成立。 如果原来是 60%，提升 100% 是 120%？这句话说明是市场部写的，不是交付团队写的。
- 「年省 1300 工时」「成本节约 100 万元」这类绝对值反而更可信，因为它能被审计。看别人案例的第一原则：找绝对值和有分母的数字，跳过百分比。
- 场景选择很诚实，这一点值得抄。 抛开数字，他们反复押注的场景——回单分类、凭证录入、对账、合同审核——全是规则明确、有客观对错、单点闭环的活。这说明他们内部很清楚 AI 现在能干什么。
来源。 实在智能官网客户案例页（自家营销页，数字为宣传口径）；入选工信部典型案例新闻（事件本身可信，效果描述不可信）。保留意见：该公司的真实续费率与交付人力成本，公开资料完全查不到。
C8 循环智能 × 招商信诺人寿，把指标咬在成单率上
证据等级 B。
背景。 循环智能做 SalesTech，从企业与客户的对话数据里挖提效方法，客户在银行、保险、地产、汽车。产品三块：一线业务员的沟通助手、管理者的过程分析系统、合规质检。
结果（公司案例页口径）。 在招商信诺人寿的目标客户筛选场景，组合模型方案相比单独的结构化数据模型，成单转化率提升约 30%；筛出的头部线索成单率达到随机沟通的 3 倍。
教训。
- 它的指标咬在「成单转化率」和「成单率倍数」上，不是「节省了多少工时」。 这是国内少见的、优化函数放在收入侧而不是成本侧的例子，可以当作 G18 Kavak 那条论述的中国配角。
- 「相比单独的结构化数据模型提升 30%」有对照组。 有对照组的百分比才有意义，这是好案例写法的示范。
保留意见。 该公司宣称的「零样本建模把建模效率提升 10 到 1000 倍」区间过宽，属于典型营销数字，本库不引用。该公司 2025–2026 年的经营与融资近况，本次调研未核实。
来源。 循环智能，招商信诺人寿案例页（自家案例页，但有对照组）；循环智能银行案例页。
C9 毕昇 BISHENG：跟上百家企业聊完之后写下的失败清单
证据等级 A（作为一手行业观察），结果未知**（无单一交付项目的量化结果）。**
背景。 毕昇 BISHENG（DataElem 数据项素）做开源企业级 LLM 应用开发平台，底层基于 Langchain + Langflow，宣称已交付 160+ 中大型企业。GitHub Star 超过 9k 是开源约一年后（2024 年）的口径；截至 2026-09-06 的实时数字是 11,927 ★，见 ../06-toolbox/agent-dev-stack.md 的低代码平台表。
为什么收录。 他们发过一篇《跟上百家企业聊完大模型应用，大家关心的：应用场景、困难、解法》。这是中文世界里少见的、主动写失败与边界的一手落地材料，而且出自一个本该卖工具给你的人。
他们观察到的四个困难（照录）。
- 应用效果不及预期（核心困难）：「大模型就是不可靠的，作为概率系统，输出不可控且不可解释」；B 端场景比 C 端复杂得多，「直接依靠大模型本身或简单 RAG 根本无法解决问题」。
- 缺乏高质量数据：企业数据治理尚在起步；新场景没有历史真实使用数据，形成**「先有鸡还是先有蛋」困境**——效果差的时候给用户用会损害信任，不给用户用又拿不到数据。
- 基座模型选不出来：企业缺乏「清晰、权威、客观的方式来选择模型」。
- 效果难以评估：同样输入每次输出不同，评测比传统软件难得多。
他们给的解法（四阶段）。
- 阶段 1，探索与勇气：「不应只拿 2~3 个场景做立项，而是应该先拿 200~300 个场景做尝试」「要有勇气承认失败。大模型不是万能的」，借助成熟脚手架做「小时级别」的快速验证。
- 阶段 2，建立认知：给每个场景建档案，评定成熟度四档——成熟 / 有希望 / 不确定 / 不靠谱；持续积累验证过程中产生的真实用户测试数据；邀请业务人员代表和领导一同参与。
- 阶段 3，寻找并扩大价值：优化不要先动模型，从「代价低、性价高的方向入手」；「通过实践培养组织内的人才」可能是最可靠的方法。
- 阶段 4，组织重塑：AI 员工加入会改变组织形态。
他们的场景成熟度判断（一手，很有用）。 NL2SQL 离业务可用较远（判断标准是「需无需微调即可达 90% 以上准确率」）；智能 BI / 仪表盘成熟度较高；系统统一导航落地案例少且不是痛点场景。还有一句很扎心的观察：因为准确率永远到不了 100%，最终能产生价值的往往只是「一些无关痛痒的边缘场景」。
教训。
- **「200~300 个场景先试，而不是 2~3 个立项」**这条建议和安克用 Hackathon 一年铺 50+ 候选场景（见 C1）是互相印证的，两个独立来源指向同一个做法。
- 四档场景成熟度评级可以直接做成场景评估表，而且有出处。
- 「通过实践培养组织内的人才可能是最可靠的方法」这句话出自一家卖平台的厂商，分量因此更重。
保留意见。 该文的技术判断（如「Command R plus 经优化后 Function Call 能力达 GPT-4 约 90% 效果」）是 2024 年的口径，现已过时，只能当「当时他们怎么判断」的例子用。毕昇的客户续费率、项目成功率、交付团队规模，公开资料查不到。
来源。 《BISHENG 视角：跟上百家企业聊完大模型应用，大家关心的：应用场景、困难、解法》，2024 年 5 月 28 日。本次调研读到的是 53AI 转载版，引用时建议回溯毕昇官方公众号原文。开源仓库见 github.com/dataelement/bisheng（06 章核实的主仓库地址）与国内镜像 gitcode.com/dataelem/bisheng。
C10 嘉环科技：把 FDE 做成一条产品线
证据等级 B，结果未知**。**
背景。 嘉环科技（603206.SH）1998 年成立，业务网络覆盖全国 31 个省级行政区、300 余个地级行政区，2026 年是南京软件谷 FDE 联盟的首批核心成员。
做了什么。 组建专职 FDE 团队，每支 FDE 小队配齐方案、交付、运营三类角色，对外提供两套路径：
- 人才输送模式：向企业输出经过体系化训练的 FDE 工程师，入驻客户企业内部，成为企业自有的 AI 建设力量。
- 驻场陪跑模式：派遣完整 FDE 小队进驻客户现场，深度参与业务改造，陪伴企业完成 AI 平台搭建、流程重构与能力沉淀。
公司业务负责人李俊霖在 2026 年 8 月 28 日的行业大会上的公开表述是：「现在行业交付逻辑变了——不是把产品、模型、应用交给客户就结束，而要走到客户现场，点对点提供专业服务，长期陪跑。以往是甲乙关系，如今我们要与客户共创。」公司称 FDE 团队已驻场多家制造企业，统一管理企业内部分散的智能体资产，搭建企业专属 AI 平台，同步协助完成业务流程重构。
为什么标「未知」。 公开材料里没有任何客户名、场景细节或量化结果，只有交付模式的描述。
教训。 这条最值得注意的是那个组织设计：一支 FDE 小队 = 方案 + 交付 + 运营三类角色。 中文材料里少见地把 FDE 写成一个「小队」而不是一个「岗位」。同时注意「人才输送」和「驻场陪跑」这两条路的差别——前者本质上是在帮客户长出内部 FDE，后者是替客户做，两者的商业结构完全不同（对照 C2 的结构性困境）。
来源。 嘉环科技公众号，《联合打硬仗 FDE，交付硬核 AI 结果｜嘉环科技亮相 2026 AI-FDE 赋能制造业大会，助力 AI 落地产业第一线》，2026 年 8 月 31 日。微信公众号发布，请按标题检索。
三、生态动作
C11 Datawhale 长三角 FDE 联合行动与 FDE 100
证据等级 A（事件本身），结果未知**。**
背景。 Datawhale 在 2026 年发起「长三角 FDE 联合行动」，先后走进杭州、上海、南京。它对 FDE 的定义写得很直白：「深入企业一线，使用真实业务数据完成场景判断、方案设计和落地验证的人。」
三站的公开数字。
| 时间 | 地点 | 情况 |
|---|---|---|
| 2026-08-24 | 杭州云谷中心 | 原定 20 人的 FDE 企业 AI 落地班收到数百份报名；最终到场的 20 家企业中 13 家营收过亿，近七成由创始人、董事长、CEO 或总经理亲自带队 |
| 2026-08-26 | 上海虹口 | 在上海市虹口区科技和经济委员会指导下举行，上海交通大学安泰经济管理学院、上海虹口隐形冠军企业促进中心、商汤科技等联合支持 |
| 2026-08-28 | 南京建邺 | 河西中央科创区与南京阿里中心联合支持 |
FDE 100 人计划。 2026 年 9 月 1 日开放报名，「不看资历，只看案例」。判断一个案例是否成立看四点：
- 解决过谁的什么问题（企业主体和痛点都具体）；
- 结果可核验（效率、成本、质量、决策任一维度有变化）；
- 方法可复用（讲得清为什么这么做）；
- 真实的交付角色（主导或深度参与，不是转述）。
这四条和本库 case-template.md 的收录标准高度重合，可以互相参照。
为什么标「未知」。 10×100 首批场景清单、FDE 100 案例库与首批 FDE 100 人名单，计划在 2026 年 9 月 6 日于上海交通大学徐汇校区发布。本页写作时（2026 年 9 月 6 日）尚未看到公开的清单与案例内容，因此无法引用其中的具体案例。报名截止时间为 9 月 30 日，报名和入选均不收费。
教训。 「不看资历只看案例」这条筛选标准，加上它给出的四条判断，对任何想入行的人都是一份现成的自检清单：你手上有没有一个能同时过这四条的案例。 没有，那就先去做一个。
来源。 Datawhale 公众号，《我们将在上海交大，发布首个 FDE 100 人！》，2026 年 9 月 1 日（FDE 100 计划与四条判断标准的出处）；Datawhale 公众号，《企业 AI 落地难？广州专场半天做出 FDE 案例》，2026 年 8 月 26 日（活动形式与办法的出处，该篇写的是广州专场，不属于长三角三站）。上表杭州、上海、南京三站的时间、地点与到场企业数字来自 Datawhale 同一系列的分站推文，本次调研未取到可回链的单篇地址，请按站点名 + 日期在公众号内回搜核对【待核实】。 微信公众号发布，永久链接不稳定。
C12 南京 AI-FDE 赋能制造业大会与三份白皮书
证据等级 B，结果未知**。**
事件。 2026 年 8 月 28 日，2026 AI-FDE 赋能制造业大会在中国（南京）软件谷举办，近 50 位行业专家、数百家制造企业与科技服务商参加。会上发布三份白皮书：
- 《FDE 赋能制造业 AI 应用场景白皮书》
- 《FDE 驻场服务全流程作业指南白皮书》
- 《FDE 素养能力标准与测评体系白皮书》
同时成立 AI-FDE 联合工场——不是实体办公空间，而是一套产教融合协同机制，打通制造企业真实需求、高校人才培养与技术厂商解决方案。此前 2026 年 8 月初，南京首个 FDE 联盟已经成立。区域背景是江苏提出三年建设 5000 家智能工厂。
为什么重要。 这是中国第一次由地方产业园区牵头，为 FDE 这个岗位出场景清单、作业指南、能力标准与测评体系三件套。岗位标准化通常发生在一个职业从「个别公司的做法」变成「行业通用配置」的转折点上——对照海外，G11 OpenAI Deployment Company 是同一个转折的另一种形态。
保留意见。 三份白皮书的完整内容、发布方与获取方式，本次调研未取得**【待核实】**。会议报道来自参会企业的公众号，属一方叙述，无独立报道交叉印证。
来源。 嘉环科技公众号，2026 年 8 月 31 日（见 C10 来源）。
C15 中国 FDE 岗位市场的公开数字
证据等级 C。
流传中的数字（口径不统一，谨慎使用）。
- FDE 相关岗位从 2025 年 4 月的 643 个涨到 2026 年 4 月的 5,330 个；2025 年 FDE 相关招聘量同比增长超过 800%（另有报道称「暴增 729%」，口径不同）。
- 在招例子：字节「抖音 AI LLM FDE」3.5–7 万元/月（15 薪）；蚂蚁 B2B FDE 4–6 万元/月（15 薪）；智谱 FDE 负责人 6–8 万元/月；腾讯云招「AI 交付解决方案工程师（FDE 方向）」。
- 岗位描述的共同点是端到端交付：独立完成客户需求访谈、方案输出、现场调试、问题排查、项目复盘、持续迭代。
为什么标 C 级。 这些数字来自求职聚合站与媒体转述，同一件事有 729% 和 800% 两个口径，且没有一个来源说明统计方法（岗位定义、去重规则、时间窗口）。引用前建议自己去猎聘或 BOSS 直聘搜一次当天的岗位数，这样更硬也更有现场感。
一个值得玩味的结构性观察。 这些高薪 FDE 岗位几乎全在 AI 厂商那边（字节、蚂蚁、智谱、腾讯云），而不在需要 AI 的传统企业那边。也就是说，中国市场目前的默认解法仍然是「外部 FDE 上门」，而不是「企业长出自己的 FDE」。这个分布和 C1 安克是唯一一个公开完整的内部样本这件事，是同一个现象的两面。
来源。 36 氪，硅谷热门岗位落地中国；新浪财经《年薪百万！AI 落地工程师爆火》，2026 年 5 月；腾讯云开发者社区 FDE 解析。岗位与薪酬的系统梳理见 ../08-career/README.md。
四、行业流传的教学素材
下面两条证据等级 C。细节来自中文互联网公开流传的叙述，未经独立核实，数字无法回溯到一手来源。保留它们的理由是教学价值，请勿作为行业统计或事实引用。
C13 设备检修知识库，日活 12 到 1800
背景。 一家大型制造企业上了一套设备检修 AI 知识库。立项逻辑很顺：老师傅陆续退休，检修经验散落在人脑子里和几千份维修记录里，喂给大模型让年轻工程师随时能问。系统按期上线，检索链路通了，测试集上的回答准确率也过得去。
然后日活出来了，12。 全厂几百名检修工程师，每天打开系统的只有 12 个人，其中还包括项目组自己的人。
项目组内部的分歧。 技术侧认为是模型能力问题，该换更大的模型、继续调检索精度；业务侧认为是推广问题，该让厂里发文把使用率写进考核。两边都有道理，也都拿不出证据。
接手的团队做了个当时看起来很不划算的决定：停止改系统，进厂跟着检修工程师上 10 天班，倒班也跟着倒。 这 10 天里项目在管理层眼里毫无进展。
跟班回来的结论。 问题根本轮不到「AI 不准」。真正的问题有三个：回答太慢，工人在设备边上等不了；回答太标准，大段照抄规程手册，现场没人有耐心读；最关键的是回答不像老师傅说话——老师傅被问「温度报警怎么办」，第一句是「八成是探头脏了，先擦探头」，先给经验判断，再给排查步骤；系统的第一句是「请按照以下规程逐项检查」，年轻工程师听两次就不再问了。
改了三件事。 按老师傅的说法重组语料，把维修记录改写成「现象、老师傅怎么判断、动手顺序」的口语结构；把回答结构翻过来，先给经验判断和最可能的原因，再附标准步骤备查；加语音输入——检修现场戴着手套、满手油污，打字这个动作本身就把大多数人挡在了门外。
结果（流传版本口径，无法核实）。 日活从 12 涨到 1800，单次排障时间从平均 47 分钟降到 22 分钟。三件事都和模型能力无关。
教训。
- 上线后没人用，第一反应别去改模型。先看一组数：准确率不低而日活极低，问题几乎必然出在交互、速度或信任上，这三样在测试集里都测不出来。
- 判断语料质量的方法是念出来。把系统的回答念给一位老师傅听，他皱眉说「谁这么修啊」，这条语料就该重写。
- 回答顺序要匹配现场的决策顺序。 工人在故障设备前面要的是「先看哪」，规程步骤是兜底，把兜底放在第一句等于告诉他这系统帮不上忙。
- 输入方式是门票，不是加分项。 进任何现场，先看用户的手：戴手套、油污、单手扶设备，都意味着键盘方案直接出局。
为什么保留。 「驻场观察打败模型调优」这个结构，与 G1 Airbus、G13 Distyl 等可查证案例的方法论一致，可以互相印证。这一条对应 05 章反模式 第 15、19、21 条（追测试集分数、逼一线学新门户、没有埋点的上线），那边标的是【转述】，等同本页的 C 级。
来源。 案例细节来自中文 FDE 社区公开流传的行业叙述，具体企业、时间、地点在流传版本中均已隐去，未经独立核实，无法回溯到一手来源。fde-arsenal 案例库收录了同一故事的两个版本（任鑫整理），其中「恒岳重工」版本明确标注为根据真实情况脱敏虚构的书稿正典，「日活 12 到 1800」版本标注为行业流传形态。本库只收后者并标为 C 级，不收虚构版本。
C14 专业边界，统计经验差点酿成的事故
背景。 同样是设备检修场景，主角换成一位 IT 出身的工程师。他的履历很标准：做过数据平台，会分析工单，学东西快。在他眼里，厂里几年攒下的报警工单就是一座金矿——每条报警都有最终定位的故障原因，把统计规律挖出来喂给 AI，系统就能在报警响起时直接给出排查建议。
第一版建议功能。 逻辑简洁有力：报警一来，系统提示「过去 30 天，73% 的同类报警最终定位为 PLC 通讯故障，建议优先检查通讯链路」。数据是真的，统计是对的，界面也干净。
设备专业工程师的反应不是欣赏，是警觉。 他的质疑落在一个具体例子上：「温度数据异常」这一类报警，背后至少有三类成因——传感器或采集链路的问题（数据是假的，设备没事）、冷却系统或运行工况的问题（设备正在真的变热）、机械磨损的早期征兆（比如轴承劣化，温度只是它露出来的一角）。三类成因指向完全不同的部件、完全不同的处置动作，风险等级也完全不同。
按频率排序的建议会把最常见的那一类顶到第一位，而最危险的那一类（早期机械磨损）恰恰是最罕见的。统计频率与风险等级在这里是错位的。
教训。
- 在有安全后果的场景里，「最常见」和「最该先查」是两件事。按频率排序的推荐会系统性地把低频高危项排到后面。
- 建模的主导权应该在专业方，不在数据方。 IT 出身的人负责把专业判断变成系统，不负责替代专业判断。判断信号很简单：当专业人员说「这个建议不对」，而你只能用统计数字回应时，你已经越界了。
- 这一条与 C13 是同一个检修场景的正反两面，建议对照阅读。方法层的完整写法见 05 章反模式 第 9、10、11 条（越界替业务做专业判断、用发生频率排列排查顺序、把免责声明当安全设计），那三条与本卡同源、同为【转述】，等同本页的 C 级。
来源。 智盛汇公众号《六刀剑指「主流」FDE 定义》一文及其引发的行业讨论（微信公众号按标题检索）。案例细节来自公开流传的行业叙述，未经独立核实，73%、三类成因等具体表述出自流传版本，用于教学演示，勿作事实引用。「温度异常有多类成因、统计频率与风险等级错位」符合设备工程通识，这部分论证本身可由任何设备专业人员独立验证。
未收录但值得跟进的线索
诚实标注：下列内容在本次调研中没有找到足以支撑一张案例卡的公开材料，因此不收录，但值得后续跟进。
| 线索 | 现状 | 缺什么 |
|---|---|---|
| 华住集团 | 2026 年 8 月在招「AI-Agent 全栈开发工程师」（上海），说明有内部 AI 团队；2023 年石基与阿里云共建酒旅大模型的报道中提及华住 | 没有任何内部 AI 落地的机制、数字或负责人信息 |
| 商汤、阿里、字节、腾讯的企业 AI 交付 | 均有公开的行业解决方案页与站台活动（例：商汤小浣熊技术专家在 Datawhale 广州场分享） | 找不到带客户名 + 可核对数字 + 交付过程描述的完整案例 |
| Datawhale FDE 100 案例库 | 计划 2026 年 9 月 6 日发布 | 清单与案例内容尚未公开 |
| 三份 FDE 白皮书 | 2026 年 8 月 28 日在南京发布 | 完整内容与获取方式未取得 |
| 毕昇 BISHENG 的 160+ 交付客户 | 有总数，无单个案例细节 | 客户名、场景、结果、续费率 |
| Xmind、鹿客等「小而美」公司的内部 AI 机制 | 只有公司背景与产品侧 AI 功能的公开资料 | 内部怎么推 AI、有没有专门团队、有没有数字，一个字都查不到 |
这份空白清单本身就是一条结论：截至 2026 年 9 月，中文世界里能公开回溯的、完整的企业内部 FDE 案例，仍然只有安克创新一个。
延伸阅读
- global-cases.md — 海外案例，与本页对照读。特别推荐把 C1 安克 与 C2 澜码 成对读，一内一外，正好是路径之争。
- case-template.md — 本页大量使用的口径规则与证据等级判定表。
- ../05-practice/README.md — 中国现场的特殊约束（数据、采购、组织）。
- ../08-career/README.md — C15 里的岗位与薪酬数据在职业路径章有更完整的梳理。
- ../03-role/README.md — C10 里「一支 FDE 小队 = 方案 + 交付 + 运营」这类角色拆分的对照。
来源
按正文出现顺序（同一来源仅列一次）：
- 腾讯云开发者社区，《All in AI 两年，AI 代码采纳率突破 50%》龚银专访。https://cloud.tencent.cn/developer/article/2538636
- 飞书官网，安克创新 CEO 阳萌分享 AI Ready 之路（约 2023 年底）。https://www.feishu.cn/content/wechat_post_5510
- 爱云资讯，安克与飞书探索 AI「三步走」。https://www.icloudnews.net/a/76564.html
- 36 氪，《安克创新「浅海」遇礁》，2026 年 5 月。https://36kr.com/p/3810099235053318
- 中关村互联网金融研究院公众号，《优秀案例｜中国平安人寿保险股份有限公司：平安人寿数字员工平台》，2026 年 2 月 21 日。微信公众号发布，按标题检索。
- 中关村互联网金融研究院公众号，《优秀案例｜晋商银行股份有限公司：智能保函审核》，2026 年 1 月 22 日。微信公众号发布，按标题检索。
- 腾讯新闻，《对话澜码科技创始人周健》，2024 年 1 月 16 日。https://news.qq.com/rain/a/20240116A039T200
- 新浪，AskXBOT 发布会报道，2023 年 12 月 21 日。https://news.sina.cn/sx/2023-12-21/detail-imzyuaxa7902676.d.html
- 王吉伟频道，AskXBOT 产品详解。https://www.cnblogs.com/javewung/p/17918852.html
- 界面新闻，《澜码科技因融资不顺陷欠薪风波》。https://www.jiemian.com/article/12388136.html
- 腾讯新闻，周健独家回应正寻求被并购，2025 年 2 月 24 日。https://view.inews.qq.com/a/20250224A01GHK00
- 新浪财经，澜码科技相关复盘报道，2025 年 4 月 16 日。https://finance.sina.com.cn/stock/aigcy/2025-04-16/doc-inetiwez4561005.shtml
- 实在智能官网客户案例页。https://www.ai-indeed.com/customerCase/6.html
- 实在智能，入选工信部典型案例新闻。https://www.ai-indeed.com/aboutNews/29273.html
- 循环智能，招商信诺人寿案例页。https://www.rcrai.com/about-us/news/company/data_123.html
- 循环智能，银行案例页。https://www.rcrai.com/cases/yinhanganli
- 《BISHENG 视角：跟上百家企业聊完大模型应用》，2024 年 5 月 28 日，53AI 转载版。https://www.53ai.com/news/Bisheng/2024052849352.html
- 毕昇 BISHENG 开源仓库。https://gitcode.com/dataelem/bisheng
- 嘉环科技公众号，《联合打硬仗 FDE，交付硬核 AI 结果｜嘉环科技亮相 2026 AI-FDE 赋能制造业大会》，2026 年 8 月 31 日。微信公众号发布，按标题检索。
- Datawhale 公众号，《我们将在上海交大，发布首个 FDE 100 人！》，2026 年 9 月 1 日。微信公众号发布，按标题检索。
- Datawhale 公众号，《企业 AI 落地难？广州专场半天做出 FDE 案例》，2026 年 8 月 26 日。微信公众号发布，按标题检索。
- 36 氪，硅谷热门岗位落地中国。https://eu.36kr.com/zh/p/3883637733093638
- 新浪财经，《年薪百万！AI 落地工程师爆火》，2026 年 5 月 18 日。https://finance.sina.com.cn/wm/2026-05-18/doc-inhyimem8115024.shtml
- 腾讯云开发者社区，FDE 解析。https://cloud.tencent.com/developer/article/2674646
- 智盛汇公众号，《六刀剑指「主流」FDE 定义》及其引发的行业讨论。微信公众号按标题检索。
- fde-arsenal 案例库（任鑫整理，2026 年 8 月），本页 C1、C2、C3、C13、C14 五条的结构与部分表述参考自该库的中文教学案例，并已逐条回溯到上列公开来源。
全页保留意见。（一）C5、C6 两条的来源为微信公众号文章，永久链接不稳定，本页给出公众号名 + 标题 + 日期供检索。（二）C4 提到的信通院「揭榜挂帅」优秀案例名单、C12 提到的三份 FDE 白皮书，均未取得官方原始链接。（三）C7、C13、C14、C15 四条为 C 级，不可作事实或统计引用。（四）本页涉及在世公司经营困难与人员变动的内容（C2 的欠薪与裁员、C1 的高 P 离职），全部依据已公开的媒体报道，本库不作评价。