FDE 交付闭环：
从现场观察到可复用 skill

当 AI 项目进入真实团队，最先暴露的通常不是模型能力，而是流程、权限、数据和协作方式。用户说“想要一个 agent”，背后可能是三套不同的工作习惯、一个没有 owner 的表格，以及一段谁都不敢改的旧流程。

先进入现场，再决定该做什么。交付的第一件产品，是对问题边界的共同理解。

01 / Discover：画出工作流，而不是收集愿望

用半天到一天跟着用户走完整个任务，记录触发条件、输入、判断点、例外和交接人。不要急着问“你想要什么功能”，先问“你现在是怎么完成它的”。

• A把任务拆成可观察的步骤，保留原话和真实样例。
• B标出高频、低风险、可验证的第一个切口。
• C和现场 owner 一起写下 success criteria，避免 demo 自嗨。

02 / Build：先做最小闭环，再扩张能力

第一个版本可以很小：一个清晰的输入、一个受控的工具调用、一个可审阅的输出。MCP 负责连接上下文，skill 负责复用动作，agent 负责在边界内做判断。

每个组件都要回答三个问题：它拿到了什么上下文？它能改变什么？失败时谁能接手？答案越清楚，交付越可靠。

03 / Evaluate：让“好用”变成证据

把现场真实任务整理成小型数据集，为每个任务写出 rubric：正确性、完整性、可执行性和安全边界。先建立基线，再做 prompt、工具或模型的改动，最后跑回归。

• 01任务集：覆盖高频路径，也保留至少一类边界案例。
• 02评分表：让不同的人按同一标准判断，不依赖“感觉不错”。
• 03回归：每次变更都留下结果、失败样例和下一步假设。

04 / Enable：把交付交给团队

真正的完成不是你演示成功，而是现场的人可以理解、使用、修改和继续维护。交付包应包含 quickstart、失败处理、权限说明、评测样例和一场短培训。

05 / Share：沉淀成下一次的起点

把一次项目里的判断写成 README，把重复动作封装成 skill，把连接层整理成 MCP，把结果同步到公开渠道。公开构建不是表演，而是给未来的自己留下更快的起跑线。