FDE能力矩阵

02｜能力矩阵 V1.0

AI Native × AI产品经理 × FDE：从潜质到真实交付的能力地图

**定位：**本文件是《FDE个人升级训练总纲》的执行层文档。后续训练、测评和复测必须以本文件定义的维度、证据与 Gate 为准，不靠聊天印象临时判断。

1. 这份矩阵解决什么问题

核心用途： 把“感觉你会/不会”改成“有哪类可观察证据、在什么条件下稳定做到、还需要多少提示”。矩阵不是简历评分表，而是训练与复测的控制面。

• 不把“没学过”误判成“能力差”；知识、能力、经验分别记录。

• 不根据过去项目或做事风格直接给能力结论；过去行为只用于设计测试和寻找假设。

• 任何能力结论必须有多样本证据，并包含迁移测试；单题只产生“观察”，不产生定性。

• 训练不是平均补齐。先找瓶颈能力，再决定训练强度；强项可快进，但 Gate 不跳过。

• L4 不是“懂得多”，而是在高不确定、多约束下仍能闭环，并把有效模式复用。

2. 统一能力等级（L0-L4）

等级	行为锚点	解释
L0｜未形成	只能复述术语或凭直觉作答；无法稳定解释依据。	不作为职业能力证据。
L1｜理解	获得提示/框架后能理解并完成局部分析。	说明可学，不等于可独立使用。
L2｜应用	在简单、信息较完整场景中可独立使用。	具备基础应用能力，但对复杂度敏感。
L3｜稳定	陌生或信息不完整场景中能判断、取舍、验证并推进落地。	进入职业可用区。
L4｜迁移闭环	高不确定、多约束下可闭环，能复盘并形成可复用模式。	高阶目标，不要求所有能力都到L4。

3. 能力矩阵总表

阅读方法： “训练阶段”表示主要形成期，不代表只在该阶段使用；“Gate”表示至少达到什么证据才允许把该能力视为阶段通过。当前基线统一为“未正式测评”。

A. 底层认知

能力	定义	可观察行为	测试方式	主训练阶段	Gate	当前状态
问题定义	把现象、诉求、原因、约束、方案分开，找到真正需要解决的问题。	不急着接受题面；能指出“已知/未知”；能把核心问题压成一句可验证陈述。	日常场景辨析、反向提问、问题重写、跨场景迁移	S1	陌生非专业场景中连续3次能正确区分现象/假设/问题。	未正式测评
逻辑拆解	把复杂问题拆成相互关系清楚、可处理的子问题。	拆分有层级；避免明显重复与遗漏；知道先后依赖。	分类题、结构重组、约束规划、流程拆解	S1	能独立形成可执行结构，并解释拆分依据。	未正式测评
因果推理	区分相关、原因、结果、共同原因和偶然性。	不因单一相关就下结论；主动寻找替代解释；知道需要什么证据。	因果案例、反事实、变量控制、证据补充	S1	面对干扰信息仍能保留至少2个竞争假设并设计验证。	未正式测评
信息分层	把事实、推断、观点、假设、未知、噪声分开。	引用信息时标注证据等级；不会把“听起来合理”当事实。	混合材料阅读、证据标注、真假冲突题	S1	高噪声材料中关键事实识别稳定，错误归因可复盘。	未正式测评
优先级与收敛	在目标与资源约束下决定先做什么、暂不做什么。	能明确主目标、关键路径、停止项；不把所有正确事情同时做。	有限资源任务、多目标冲突题、Scope压缩	S1	复杂题中能给出明确Top1/Top3及舍弃理由。	未正式测评
不确定性处理	信息不足时建立假设、管理风险、逐步验证，而不是脑补成事实。	会说明前提；优先询问高信息价值问题；用小实验减少未知。	信息不完整题、逐步揭示题、假设更新	S1	新增信息后能及时更新结论，不固守初始方案。	未正式测评
抽象与迁移	从具体案例提炼可复用结构，并迁移到表面不同的场景。	能说出“不变的结构”；新题不用照抄表面步骤。	规则归纳、类比迁移、跨域同构题	S1	至少2个跨领域新场景中独立迁移成功。	未正式测评
反证与自我纠错	主动寻找可能推翻自己结论的证据，并根据证据修正。	能指出自己最可能错在哪；不会为原方案找借口。	反例注入、错误答案复盘、立场反转题	S1	面对反证能改结论并说明“哪个假设被推翻”。	未正式测评
学习速度	短时间吸收一个新框架并在新题中应用。	能抓核心变量；少依赖术语；第二次使用明显减少提示。	微教学→即时应用→延迟迁移	S1-S4	同一方法从带练到独立应用，提示依赖显著下降。	未正式测评
表达压缩	把复杂思考转成结构清楚、信息密度高、可决策的表达。	先结论后依据；层级清楚；不会用长篇覆盖不确定性。	一分钟结论、摘要压缩、会议答题	S1	复杂材料能压缩成“结论-依据-风险-下一步”。	未正式测评

B. AI Native

能力	定义	可观察行为	测试方式	主训练阶段	Gate	当前状态
AI能力边界判断	知道当前模型更擅长什么、不擅长什么，以及何时需要规则、检索、工具、人审。	不会把模型当万能黑盒；能识别高幻觉/高风险任务。	模型能力案例、方案对比、失败归因	S2-S4	能为不同任务选择合理的AI/规则/工具/人工组合。	未正式测评
人机任务拆解	按任务性质、风险、可验证性分配给人或AI。	不是“AI全做”或“AI辅助”；明确决策点与接管点。	工作流重构、人机边界题、交接设计	S2	能设计含人审/升级/回退的人机协作流程。	未正式测评
AI失败诊断	AI输出不好时定位是Context、任务拆分、工具、数据、模型还是Eval问题。	先定位失败类型再改；不只反复换Prompt或换模型。	故障样本诊断、Prompt/Context对照实验	S2	面对同一失败能提出可区分原因的实验。	未正式测评
工作流优化	把一次性AI帮助转成稳定、可重复、可观察的工作流。	有输入/过程/输出/验收/回流；减少人工重复修正。	重复任务自动化、流程再设计、稳定性测试	S2	同类任务可重复运行，结果质量可测且人工介入下降。	未正式测评
动态更新/会学会忘	模型和工具变化后能重新验证旧方法，不形成僵化路径依赖。	知道哪些规则是暂时最佳实践；会重新Benchmark。	新旧方案对比、能力变化重构题	S2-S4	能根据新能力重新设计流程，而非机械沿用旧架构。	未正式测评
AI协作验证	对AI建议进行事实核验、反证、测试和结果验收。	不把“模型自信”当正确；关键输出有验证面。	AI答案审计、代码/数据/事实验证	S2-S7	高风险输出有明确校验或人工批准机制。	未正式测评

C. AI产品判断

能力	定义	可观察行为	测试方式	主训练阶段	Gate	当前状态
技术判断	理解新技术改变了什么能力边界，以及对产品/业务的影响。	不沉迷术语；能从能力变化推到用户价值和新产品形态。	新技术解析、产品影响推演、技术替代题	S3-S4	陌生技术在获得必要资料后能形成“能力→场景→影响→边界”判断。	未正式测评
机会判断	判断某问题是否值得用AI解决、价值有多大、为何现在做。	先用户与任务，再AI；能比较不用AI/规则/AI方案。	机会Case、竞品动作、场景筛选	S3	能给出明确Go/No-Go/先验证，并说明价值与风险。	未正式测评
方案判断	在多种可行方案中根据目标、成本、风险和能力边界做取舍。	说得清为什么选A不选B；能收敛MVP。	多方案比较、约束设计、0→1题	S3-S5	信息不完整时仍能明确假设、关键路径和第一版范围。	未正式测评
评测/结果判断	定义什么叫好，建立过程指标、结果指标和Bad Case回流。	有baseline、acceptance criteria、错误分类和复测。	指标设计、Eval集、Bad Case分析	S3-S7	能把主观“效果好”转换成可执行的评测体系。	未正式测评

D. 技术与工程底盘

能力	定义	可观察行为	测试方式	主训练阶段	Gate	当前状态
系统结构理解	理解前端、后端、数据库、API、模型、工具、队列、日志等基本关系。	能读懂简化架构图；知道数据和调用怎么流动。	架构图阅读、故障定位、组件选型	S4	能解释一个AI应用从输入到输出的数据/调用链。	未正式测评
数据与集成	理解数据质量、Schema、权限、API/工具集成对AI系统的影响。	先审计数据可用性；知道不完整数据不能直接当真值。	数据样本审计、接口设计、字段映射	S4-S6	能指出关键数据依赖、质量风险与最小集成方案。	未正式测评
成本与性能判断	能拆解模型、工具、基础设施、工程、运维的成本和延迟/并发约束。	不会只问模型单价；能做数量级估算和敏感性分析。	成本估算、方案对比、预算约束题	S4-S6	能在给定调用量下做粗估并据此调整架构。	未正式测评
安全与可靠性	识别权限、数据泄露、越权、错误执行、回滚和监控风险。	高风险动作有审批、最小权限、日志、回退。	风险审计、权限设计、故障演练	S4-S7	方案包含明确Guardrail、可观测和回滚路径。	未正式测评

E. FDE闭环

能力	定义	可观察行为	测试方式	主训练阶段	Gate	当前状态
Discovery / 需求澄清	快速进入陌生业务，理解用户、工作流、约束、成功标准。	问高信息价值问题；区分客户诉求与真实问题。	材料学习、访谈模拟、流程还原	S5-S6	在提供必要行业材料后能复原关键工作流与痛点。	未正式测评
Solution Framing / Scope	把业务结果翻译成技术范围、里程碑、验收标准和关键路径。	能保护Scope；定义MVP与“不做”。	需求→技术计划、里程碑、验收标准	S5-S7	能形成有依赖、有验收、有取舍的实施范围。	未正式测评
Prototype & Build	用AI coding和现有工具快速做出可验证原型/系统。	不是只写PRD；能把核心假设变成可运行物。	原型任务、API集成、小应用	S5-S7	核心链路可运行，可被真实或模拟用户验证。	未正式测评
Eval & Launch Readiness	用评测、基准、风险检查判断能否上线。	有离线评测、模拟、灰度/Shadow、发布门槛。	Eval设计、发布清单、失败注入	S5-S7	上线前有明确接受标准，不以Demo可跑代替可上线。	未正式测评
Deployment & Adoption	推动系统真正进入用户工作流并被采用。	关注接入、培训、变更、使用率、接管/退出机制。	上线计划、用户采用、变更管理	S6-S7	能解释“为什么用户会用/不用”并设计落地路径。	未正式测评
Business Outcome / ROI	把部署结果与业务目标连接，建立baseline、KPI和价值案例。	能区分节省成本、增量收入、风险避免和错误成本。	价值模型、前后测、ROI敏感性	S6-S7	能用真实数据给出继续/停止/扩大建议。	未正式测评
复用与沉淀	把一次交付中的有效模式抽成Playbook、Skill、工具或组件。	先证明有效再抽象；标注适用边界。	复盘、模式提炼、跨项目复用	S7-S8	产出可被第二个场景复用并通过迁移验证。	未正式测评

4. 能力证据怎么记录

每次训练或测评只写“证据”，不直接写人格化结论。建议统一记录以下字段：

字段	示例/取值	为什么要记
任务ID	例如 S1-Causal-03	可追溯，不靠聊天记忆。
场景类型	日常 / 抽象 / AI / 半真实 / 真实	判断是否只会某一类题。
是否学过	未教 / 已讲解 / 已带练 / 已迁移	防止把知识空白误判成能力差。
提示依赖	无 / 轻 / 中 / 重	区分“会”与“提示下会”。
结果等级	L0-L4	统一尺度。
关键行为	做了什么，而不是“感觉怎样”	保留原始证据。
Bad Case	错误触发条件与类型	训练直接从错误生成。
迁移情况	换题后是否仍成立	验证真正理解。
置信度	低 / 中 / 高；取决于样本数与一致性	避免单样本过度结论。

5. 结论生成规则（防止“贴标签”）

• 单题：只允许写“出现了某行为证据 / 某风险信号”，禁止写“你就是……”。

• 同一能力至少需要多个不同表面场景；至少一次是迁移题。

• 若失败发生在“未学过专业知识”的题中，先标记知识/经验缺口，不直接扣底层能力。

• 若已完成讲解与带练，换场景仍持续出现同类错误，才升级为能力训练缺口。

• 强项也要经过反例/压力题。容易题高分不直接判高阶。

• 每个结论必须能指出对应样本ID；无法追溯的印象不进入正式能力画像。

6. 阶段 Gate 总览

阶段	目标	通过含义
S0	测量系统	完成S0基线与可学习性测试；形成“能力假设”而非职业定性。
S1	底层认知	核心底层能力达到可迁移的基础水平；明显逻辑漏洞进入专项训练。
S2	AI Native	能重构人机分工、定位AI失败，并把一次任务变成可重复流程。
S3	AI产品判断	四类判断能在信息不完整场景下独立完成，并给出取舍与Eval。
S4	技术底盘	能读懂/解释AI应用基本架构、成本、数据、可靠性与集成约束。
S5	FDE方法	能把业务目标翻译为技术范围、原型、Eval、上线计划。
S6	半真实业务	在提供必要行业材料后，能完成Discovery→方案→原型→评测闭环。
S7	真实业务	真实用户/项目中产生可验证结果，并能处理Bad Case与采用问题。
S8	职业化	把交付转成Case、Playbook、作品集和面试表达。

7. 当前基线状态

当前正式状态： 所有能力均为“未正式测评”。此前 Sales Agent 对话保留为观察材料，但不进入能力等级计算。下一步先执行《FDE S0底层能力测评》。

8. 设计依据与版本说明

本矩阵综合两类输入：

• 项目输入：用户提供的AI产品经理课程内容，重点包含技术判断、机会判断、方案判断、评测/结果判断，以及AI Native的学习方式、人机协作与问题解决方式。

• 行业校准：截至2026-09，OpenAI FDE岗位强调 discovery、technical scoping、system design、build、production rollout、adoption、measurable workflow impact、eval-driven feedback、scope/speed/quality trade-off，以及把模式沉淀为tools/playbooks。

官方参考：OpenAI Forward Deployed Engineer；OpenAI Technical Deployment Lead, FDE；OpenAI Deployment Company

版本策略：矩阵允许随着真实训练和行业变化迭代，但任何维度增删必须写入版本变更记录，避免训练目标在对话中漂移。