FDE 作品集策略：一个生产级项目胜过十个 Demo
在准备 FDE（现场部署工程师）求职材料时，很多人会陷入一个数量陷阱：把十个玩具级 Demo 堆进作品集，以为”看起来很忙”就是竞争力。结合 aibuilders 的观点，本文给出一个更清醒的策略：与其做 10 个玩具 Demo，不如做 1 个端到端真实项目。【第三方·已核验】
同样先固定可信度口径：来自 aibuilders 的内容标注【第三方·已核验】；笔者的延伸判断会单独标注，避免把个人理解混入已核验事实。
质量大于数量
作品集的逻辑不是”秀数量”，而是”证明能力边界”。aibuilders 的立场很明确：十个浅尝辄止的 Demo，远不如一个真正跑通、能说明你解决问题能力的项目。【第三方·已核验】
笔者的推断是，这种偏好背后有岗位逻辑：FDE 的核心工作是把模糊需求变成可运行、可评估的系统，而这恰恰需要深度而非广度。一个 Demo 只能证明”我会调 API”，一个端到端项目才能证明”我能在不确定中把事情做成”。因此，作品集的取舍标准应当是——宁可少而深，不要多而浅。
进一步说，十个 Demo 还容易暴露一个隐性问题：它们往往都在”舒适区”里打转，用的技术雷同、解决的问题类似。笔者的推断是，这类作品集在招聘方眼里的信息量很低——它只能证明你重复做了同一件事，却证明不了你面对陌生问题时的拆解与推进能力。真正拉开差距的，是那个逼你走出舒适区的项目。该判断属笔者推断，与 aibuilders”质量大于数量”的立场方向一致。【第三方·已核验】
什么是”生产级”项目
aibuilders 给出的硬标准很具体：一个部署到生产环境、有评估体系、有灰度发布文档的完整系统，才是拿 offer 的硬通货。【第三方·已核验】
拆开看，“生产级”至少有三层含义。第一，它真的部署出去了，而不是只在本地 notebook 里跑通；这证明你具备把系统交付到真实环境的能力。第二，它有评估体系，也就是说你能说清楚”这个系统效果怎么样、怎么知道它没变差”。第三，它有灰度发布文档，证明你考虑过”如何安全地让新版本上线、出事了怎么回退”。这三点合在一起，才是岗位真正在意的”能交付”证据。
评估体系：让项目可衡量
评估体系是生产级项目区别于玩具 Demo 的关键分水岭。aibuilders 在面试章节里也强调，Evals（金标准数据集、回归测试、漂移检测）是终面高频淘汰点，而作品集里的评估体系，正是提前证明你具备这种意识的证据。【第三方·已核验】
笔者的推断是，作品集里的评估不必追求复杂，但要”有”。哪怕是为一两个核心指标建立一份金标准小数据集、写一段回归测试、设定一个简单的效果监控，都比”效果看起来不错”这种主观描述有说服力得多。评估体系的价值，在于把”我觉得好”变成”我可以证明它没变差”。
具体怎么建？笔者的推断（非来源原文）是可以按四步走。第一步，定义”什么算对”：从真实使用记录里挑几十个有代表性的问题，人工写出期望答案或判定标准，形成金标准集；规模不必大，但必须是你自己核对过的。第二步，选一两个能自动算出来的指标，例如检索命中率、答案是否包含关键事实、是否出现拒答，把主观判断收敛成可复算的数字。第三步，把这套评估写成一条能一键跑的脚本，每次改动后重跑并记录版本与分数，这就是回归测试的雏形。第四步，把每次跑分结果留档，形成一张能看出趋势的记录表——作品集里能贴出这张表，比任何形容词都有力。
灰度发布文档：证明你能安全上线
很多工程师的作品集止步于”功能能用”，却忽略了”怎么上线才安全”。aibuilders 把”有灰度发布文档”列为生产级系统的要件之一，正是看中这种工程成熟度。【第三方·已核验】
灰度发布文档不要求多厚，但至少要回答几个问题：新版本先放给谁看？用什么指标判断是否扩大范围？出问题如何快速回退？笔者的推断是，这类文档在 FDE 岗位里尤其重要，因为现场交付往往面对真实客户业务，一次莽撞的全量上线可能直接造成损失。能写清楚灰度与回退，本身就是一种专业度的证明。
如果要给灰度文档列一个最小目录，笔者的推断是包含五项即可：一是发布范围，先放给哪部分用户或哪几个业务场景、比例多少；二是观察指标与阈值，明确哪几个数字掉到什么水平就停止扩量；三是观察时长，说明要跑多久才决定下一步；四是回退步骤，写清切回旧版本的具体操作与预计耗时；五是责任人与沟通方式，出问题时谁决策、通知谁。五项写满也就一两页，但它证明你上线前想过失败路径。
值得把灰度文档和评估体系连起来看：评估体系负责”判断效果有没有变差”，灰度文档负责”变差了怎么止血”。笔者的推断是，两者合在一起，才构成招聘方眼里的”可守护的生产系统”。只做评估不做灰度，等于能发现火情却没灭火器；只做灰度不做评估，等于有了灭火器却不知道哪里着火。该比喻属笔者推断，用于帮助理解来源提出的”生产级”要件。【第三方·已核验】
选题：把模糊问题变成可运行可评估的系统
作品集的选题，最怕”别人做什么我做什么”。aibuilders 的核心建议是：用真实项目证明”能把模糊问题变成可运行、可评估的系统”。【第三方·已核验】
具体怎么选？笔者的推断（非来源原文）是，优先选一个你身边真实存在、边界不清的小问题，例如”把某类客服问答自动化""给某份文档做可检索的知识库”。这类问题的好处是：需求天然模糊，逼你做拆解；效果天然可测，逼你建评估；价值天然可见，方便写进简历。选题的关键不是技术多炫，而是”问题真实、拆解清晰、效果可衡量”。
笔者的推断是，初选题目时可以用一个简单过滤器：这个问题是不是有人真的会用到？它的效果能不能用一两个指标说清楚？如果两条都答”是”，它就值得做成一个完整项目；如果答”否”，那它更适合当练手片段，而不是作品集主角。这个过滤器能帮助你在起步阶段就避开”为做而做”的陷阱。该建议属笔者推断，并非 aibuilders 原文。
把测试背景转化为作品集优势
如果你的既有经历偏测试或质量保障，笔者的推断是：这在 FDE 作品集里是被低估的优势，而不是需要遮掩的短板。原因很直接——来源把评估体系与灰度文档列为生产级要件，而这两件事的底层能力（设计用例、定义通过标准、守住回归、判断何时该拦住发布）正是测试岗日常在做的事。【第三方·已核验】
转化的关键是换一套叙述方式。不要写”负责功能测试”，而要写”为某类问答场景建立了一批金标准用例，并把通过标准固化成可重复运行的回归脚本”。前者是岗位描述，后者是 Evals 能力证明。同理，“参与上线验收”可以写成”定义了发布前的观察指标与回退条件”。笔者的推断是，把测试思维显式翻译成评估语言，作品集就能补上多数候选人最缺的那一块。该建议属笔者推断，并非 aibuilders 原文。
结合阶段三：在行业现场打磨作品集
作品集不该是面试前临时凑的，它最好就是阶段三”行业深耕 + 现场实战”的自然产物。aibuilders 在成长路线里强调，要选择垂直行业深入理解、积累现场实战经验。【第三方·已核验】
笔者的推断是，把作品集扎进一个行业里，会让它更有不可替代性。一个泛泛的”聊天机器人” Demo 谁都能做，但一个”面向制造业工单的 RAG 系统、带评估与灰度文档”的项目，同时证明了你的工程能力、行业理解和交付成熟度。行业越具体，作品集的护城河越深。
需要澄清一点：结合行业深耕，不等于要把自己锁死在某个领域一辈子。笔者的推断是，先在一个行业里做深、做出可复用的方法论，之后再横向迁移会容易得多——因为你已经证明过”如何在陌生约束下把 AI 系统落地”。来源强调的是”选择一个垂直行业深入理解”，上述”先深后宽”的节奏是笔者对长期发展的补充判断，并非来源原文。【第三方·已核验】
小结
FDE 作品集的核心策略是质量大于数量：与其堆十个玩具 Demo，不如深耕一个生产级项目。所谓生产级，就是部署到真实环境、带评估体系、有灰度发布文档的完整系统，这才是拿 offer 的硬通货。选题时瞄准真实且模糊的问题，把它变成可运行、可评估的系统，并尽量扎进一个垂直行业，让作品集同时证明你的工程能力、行业理解与交付成熟度。
参考与延伸
- aibuilders.academy — FDE 作品集策略与行业深耕建议 https://aibuilders.academy