FDE个人升级训练总纲

先训练底层能力，再进入业务；先教会，再带练，再迁移，再测评。不以陌生业务经验缺口冒充能力缺口。

训练原则

这不是普通课程目录，而是后续训练的主约束。新增训练建议必须说明所属阶段、训练能力、前置门槛和验收方式。

1. 不凭经历直接定性。 既往经历只用于出题和观察，不直接得出能力结论。
2. 知识、能力、经验分开。 不会某行业知识，不等于逻辑能力差。
3. 先教会，再测评。 遵循讲解、示范、带练、半独立、迁移、正式测评。
4. 真实案例不做早期底测。 具备必要知识和方法后，真实业务才能作为综合验收。
5. 多样本、跨场景。 任何能力不能由一道题定性，正式判断必须包含迁移测试。
6. 允许快进，不允许跳过门槛。 通过门槛就加速，未通过则针对缺口补练。
7. 目标是闭环，不是背框架。 能判断、能取舍、能落地、能评测。
8. Bad Case 必须回流。 错误和误判要沉淀成下一轮训练资产。

最终能力目标

目标不是“会答面试题”，而是形成三层可独立验证、又能互相叠加的能力。

底层问题解决能力

面对复杂、模糊、信息不完整的问题，能够分清事实、假设、现象与根因，建立优先级并收敛。通过非业务逻辑题、信息不完整题和迁移题验收。

AI Native 工作方式

把 AI 当作核心执行能力而不是一次性辅助；会拆解人机分工、定位失败原因、调整工作流并稳定复用。通过 AI 协作实操、迭代记录和稳定性测试验收。

AI 产品与 FDE 闭环

从业务问题发现、技术与机会判断，到原型、评测、部署、采用、ROI 和复用完成闭环。通过半真实业务、真实项目及结果复盘验收。

能力地图

训练不按热门名词组织，而按真正能够观察和验收的能力行为组织。

底层认知与问题解决

共同底盘包括问题定义、逻辑拆解、因果推理、信息分层、优先级与收敛、不确定性处理、抽象迁移、反证纠错、学习速度和表达压缩。

• 会用产品术语，不等于会定义问题。
• 列出很多点，不等于完成逻辑拆解。
• 自信表达，不等于完成信息分层。
• 做得越全，不等于拥有优先级。
• 立即给答案，不等于会处理不确定性。

AI Native

掌握 AI 能力边界判断、人机任务拆解、失败诊断、工作流优化、稳定性意识、边做边学与复用沉淀。从一次 Prompt，逐步升级到明确的人机分工、Eval、Workflow 和可复用的 Skill 或 Agent。

AI 产品判断

核心是四类判断，而不是四套模板：

判断	需要回答的问题
技术判断	技术变化会改变什么能力边界、产品形态、业务流程和机会？
机会判断	谁在什么场景有何真实问题，AI 能否产生增量，是否值得做？
方案判断	信息不完整时，如何共识、收敛、比较方案并解释取舍？
评测判断	什么叫好，如何量化，Bad Case 如何回流？

开放题统一采用“前提 → 假设 → 判断 → 证据 → 取舍 → 结论”的表达结构。

技术与工程底盘

理解模型、API、数据、Agent、Workflow、RAG、工具、成本、部署与安全的基本边界。目标不是培养传统程序员，而是能够判断 AI 方案和 AI 生成代码是否可靠。

FDE 闭环能力

完整工作链包括 Discovery、Solution Framing、Technical Framing、Prototype & Build、Eval & Safety、Deployment、Adoption、Business Outcome 和 Playbook。

上线不是终点。必须继续观察真实采用、行为变化和结果指标，再决定扩大、调整或停止。

S0—S8 训练路线

路线按前置依赖排列。训练允许加速，但不能跳过依赖和阶段门槛。

阶段	训练重点	通过标准
S0	测量系统与基线	诊断可追溯到证据、训练状态和样本数
S1	逻辑与问题解决底盘	多类场景中稳定完成问题定义、收敛和验证路径
S2	AI Native 工作方式	将重复任务改造成可复用流程，并用 Eval 说明稳定性
S3	AI 产品四类判断	未知案例中独立完成判断并解释取舍
S4	技术与工程底盘	能做粗成本与架构取舍，能审查 AI 生成的小型系统
S5	FDE 方法训练	在引导案例中完成完整闭环，并解释关键步骤
S6	半真实业务项目	新行业资料下快速学习并完成大部分任务
S7	真实业务独立闭环	完成真实问题、真实使用、真实结果和可复现复盘
S8	职业化与作品集	用证据解释做过什么、为什么做、结果如何

S0：测量系统与基线

建立“知识、能力、经验”三栏分开的能力矩阵，用非业务题观察逻辑、因果、信息分层、抽象迁移、纠错和学习速度。基线是起点，不是判决。

S1：逻辑与问题解决底盘

训练问题定义、因果与反事实、信息分层、优先级、收敛、抽象迁移和自我纠错。核心不是“更会分析”，而是更快抓住关键、建立验证路径并停止无效发散。

S2：AI Native 工作方式

把任务拆成人类判断、AI 生成、工具执行、人工审批和 Eval；定位差输出来自上下文、任务粒度、工具、数据、模型还是流程，并把一次性操作改造成稳定工作流。

S3：AI 产品四类判断

围绕技术、机会、方案和评测形成统筹能力。AI 能力不等于用户需求，“能做”也不等于“值得做”；价值、频率、成本、风险和现有工作流必须一起判断。

S4：技术与工程最小底盘

掌握模型边界、API 与系统、数据、Agent 与 Workflow、RAG 与工具、成本、部署和 AI Coding 的最低必要知识，能够读懂关键结构、测试、报错和修改方向。

S5：FDE 方法训练

第一次会议完成 Discovery，随后明确做与不做、人类与 AI 的分工、最大不确定性、离线评测、Shadow、试点、采用、ROI 与 Playbook。

S6—S8：项目与职业化证据

半真实阶段先提供行业、角色、流程、数据字段和指标资料；真实阶段在真实用户与约束下完成最小试点；职业化阶段将判断、取舍、实现、Eval、结果与复盘组成可验证证据链。

标准训练循环

任何新能力都不能直接考试，统一采用七步循环：

1. 最小讲解： 只讲当前能力所需的核心概念。
2. 示范： 完整演示一次思考和判断过程。
3. 带练： 一问一答，卡住时立即纠偏。
4. 半独立： 减少提示，只在关键点介入。
5. 迁移： 更换表面场景，保留底层结构。
6. 正式测评： 使用陌生题、有限提示并记录过程。
7. Bad Case 回流： 分类错误，安排专项复练。

测评与等级

等级	定义
L0 未形成	只能复述概念，场景变化后无法使用
L1 可理解	能在提示下分析，但结构不稳定
L2 可应用	能在简单或熟悉场景独立使用
L3 稳定能力	陌生场景仍能解释前提、取舍、验证并落地
L4 迁移与闭环	高不确定、多约束场景中完成闭环并沉淀方法

每项能力至少需要三个独立样本；正式“稳定”判断必须包含一个迁移样本。评分同时保存结果、过程证据、提示次数、修正速度和迁移表现。

训练记录系统

长期训练不能依赖聊天记录。训练总纲、能力矩阵、训练日志、Bad Case 库和作品集证据库共同组成可回放的证据系统。

当前状态与下一步

当前处于 S0：训练系统重构阶段。早期案例只保留为观察样本，不作为正式能力评分依据。

下一步建立《能力矩阵 V1》和《底层认知基线题库》。题库以非行业、非专业知识场景为主，测量逻辑、因果、信息、收敛、抽象、迁移、纠错与学习速度。

真正训练的，是把不确定性推进成结果的能力：理解问题 → 形成判断 → 搭建方案 → 验证效果 → 真实采用 → 业务结果。