KeyFrame內部研究專用

How Forward Deployed Engineering is done at Kepler — Vinoo Ganesh

AI Engineer22 min英文
觀看原始影片

三句話摘要

前線部署工程是產品策略而非行銷職能——透過現場觀察與問題定義建構產品競爭力。 FTE 成功的關鍵不在於客戶滿意度,而在於透過現場觀察、問題重新定義與語言體系建構,將使用者痛點轉化為產品競爭力的產品策略執行。 問題優先於解決方案:客戶需求文件往往描述的是解決方案而非問題。透過 XY 情境分析,FTE 的職責是識別真實痛點。運輸公司 47 頁需求實際只需要 Slack 通知,4 小時內交付才是正解。真正的價值來自發現問題、定義解決方案,而非被動執行客戶說法。

重點整理

  1. 問題優先於解決方案:客戶需求文件往往描述的是解決方案而非問題。透過 XY 情境分析,FTE 的職責是識別真實痛點。運輸公司 47 頁需求實際只需要 Slack 通知,4 小時內交付才是正解。真正的價值來自發現問題、定義解決方案,而非被動執行客戶說法。

  2. 現場觀察勝於文件調查:最有價值的情報只存在於實際工作環境中。數據工程師反對 Parquet 遷移一年,直到親臨現場發現她無法在 Windows 上打開 Parquet 檔案。觀察使用者重複執行的任務、工具切換時的惱怒,這些都隱含著產品機會。

  3. 語言定義決定敘事權:同一客戶在不同部門有五種稱呼(顧客、客戶、結算實體、組織 ID)。統一名詞與動詞定義本體論,使用者採用產品時同時採用其語言系統。控制術語即控制整個生態的基礎。

  4. 臨時方案成為永久負債:Groovy 臨時腳本解決保留問題後,因有效而在數年內廣泛使用,最終被迫長期維護。任何在生產環境執行成功的代碼都不會是「暫時的」。交付時必須按生產級標準設計。

實用技巧與重點

  • 公司與案例:
  • Palantir 創建「前線專案」輪崗計畫
  • Citadel 對沖基金投資組合管理
  • Foundry(Palantir 通用數據平台產品)
  • Kepler 公司
  • 具體數字:
  • 需求文件:47 頁(運輸公司)
  • 解決方案時間:4 小時(vs. 原預估 3 個月)
  • 管道執行時間縮短:17 小時 → 2 小時(CSV to Parquet 遷移)
  • 日均數據發送量:1 TB to 他人 S3
  • 客戶規模:近 10 萬名顧客(Groovy 腳本適用範圍)
  • 臨時方案存活期:12 個月以上
  • Cassandra 文件句柄成本:5 MB/handle,230 萬鍵空間需 14 TB RAM
  • 技術決策:
  • CSV → Parquet 格式遷移
  • 本體論(Ontology)框架
  • 名詞與動詞系統定義
  • 用語例示:
  • 技能(Skills)、MCP(多學科認證計畫)
  • DAU(日活躍用戶數)— 產品 vs. 登入用戶的歧義
  • 智能體(Agent)定義模糊

結論

FTE 成功的關鍵不在於客戶滿意度,而在於透過現場觀察、問題重新定義與語言體系建構,將使用者痛點轉化為產品競爭力的產品策略執行。

完整解析

這場演講核心論點是:FTE 應被視為產品職能延伸,而非行銷或客戶成功部門的延伸。 講者以過去在 Palantir、Citadel 和 Kepler 的實戰經驗,論證唯有透過產品策略角度的現場工程實踐,才能贏得客戶信任並構築競爭優勢。

演講開端描述了最初的失敗教訓。Palantir 在與運輸公司合作時,客戶提交了 47 頁的需求文件,要求建造包含 14 個指標、向下鑽取警報的完整商業智慧系統,預計耗時三個月。團隊花了四個月嘗試理解需求,直到有人現場拜訪發現,調度員每天早上第一件事只是檢查卡車是否晚點,然後打電話給調度部門。整個問題其實只需一則 Slack 通知就解決了,四小時內完成交付。這個案例確立了第一個原則:不要被客戶的解決方案方案所迷惑,要挖掘真實問題。 身為 FTE,你的工作是理解客戶遇到的症狀,定義根本問題,然後交付實際有用的解決方案。

第二個轉折點涉及一位堅決反對數據格式遷移的工程師。團隊想將 CSV 遷移至 Parquet 格式以改善管道效能,但這位使用者整年都在反對,聲稱「Parquet 會讓情況更糟」。當講者親臨現場觀察她的工作流程時,真相大白:她手動從 S3 下載 CSV 檔案到 Windows 電腦上,雙擊打開查看數據。Parquet 沒有原生 Windows 讀取器,所以她無法執行這個日常工作。講者那天晚上製作了 Parquet 觀察器,她隔天就批准遷移,管道執行時間從 17 小時降至 2 小時。行動勝於雄辯的真諦在於:觀察使用者重複執行的任務、他們在工具間切換時的惱怒、拿出手機時的挫折感。 這些行為模式隱含著設計機會,而這些機會永遠不會出現在調查問卷或會議室討論中。

第三個學習圍繞本體論(Ontology)與語言定義。同一組客戶實體在不同部門有五種稱呼:銷售稱「顧客」、營運稱「客戶」、財務稱「結算實體」、開發稱「組織 ID」。這種語言混亂導致整合失敗、數據品質問題、管道故障。講者意識到,每個組織由名詞(實體定義)和動詞(操作定義)組成。FTE 的核心職能之一就是統一這些定義,讓各部門用相同的術語討論相同的概念。一旦使用者採用你的產品,他們也採用了你定義的語言系統。今天被認為理所當然的術語——如「技能」、「MCP」——一年前都毫不相關,現在卻成為整個經濟生態的基礎。誰定義了語言,誰就掌握了敘事權。

最後一個教訓是最具警示意義的:臨時方案永遠成為永久負債。 講者為數據保留問題快速寫了個 Groovy 腳本——完全不符合生產標準的應急之作。出人意料地,它成功了。12 個月後,這個腳本在擁有近 10 萬名客戶的大規模客戶基礎上廣泛使用。講者被迫支持這個「臨時」腳本多年。在軟體工程中,最危險的話語就是「這只是暫時的」。 如果它能解決問題、被人使用,它就會投入生產,而你將永久負責維護它。IBM 大型主機上仍在運行 40 年前的 COBOL 代碼,正是因為當年某人用臨時方案解決了問題。這意味著 FTE 的最重要技能是校準交付決策:六個月後我會否在凌晨 2 點接到關於它的求助電話?快速解決這個問題的代價是什麼?解決方案是該併入核心產品,還是應該直接廢棄?

講者最後總結,試圖開發 FTE 職能的組織常犯的錯誤是把它當作產品管理加客戶成功的混合工作——收集需求、進行調查、添加見解、運行流程。真正優秀的 FTE 做的是重新定義問題。他們持著客戶現場的通行證飛往世界各地,在端到端所有權下交付解決方案,然後將這些解決方案轉化為名詞和動詞,成為後續所有產品的基礎。產品優勢是贏得客戶的唯一方法。 對新創公司而言,不能像擁有無限時間和資金的自由工作者一樣工作,需要清楚辨別如何最大化運用現有資源,建構具有真正粘性的產品。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。