KeyFrame內部研究專用

How Forward Deployed Engineering is done at Cognition — Jia Wu

AI Engineer17 min英文
觀看原始影片

三句話摘要

Cognition 前向部署工程(FDE)如何通過深度理解客戶問題並匹配產品能力,讓 Devin AI 助手在企業規模獲得可衡量的商業價值。 前向部署工程的本質是將客戶問題與產品能力最大化重疊,並透過密集的現場合作與系統的回饋循環,才能真正實現 AI 工程助手從玩具到企業級生產力工具的轉變。 FDE 的雙圓交集模型

重點整理

  1. FDE 的雙圓交集模型

  2. Cognition 將部署工程師視為產品與市場交集的橋樑。工程師不只解決客戶問題,還要理解哪些問題具有普遍性,將客戶回饋轉化為產品功能,形成「問題→解決→回饋→改進產品」的循環。

  3. 從代幣最大化到可衡量成果

  4. 過去部署工程師的 KPI 是使用代幣量;現在重點是實際交付價值。許多大型組織要求看到真實成果——不是工程工時度量,而是縮短交付週期、增加 PR 合併數、降低遷移成本這類硬指標。

  5. T 型人才與多維技能

  6. 優秀 FDE 需具備技術深度(理解複雜程式碼庫)與商業廣度(產品設計、客戶管理、流程優化)。Cognition 從產品經理、創辦人、資深工程師等多元背景招募,核心要求是好奇心強、始終保持客戶導向。

  7. 部署策略必須貼近實際開發生命週期

  8. 軟體工程問題的 20% 是編寫程式碼;80% 是測試、審查、部署、維護。前線部署工程師必須針對客戶的具體 SDLC 複雜度調整 Devin 的使用方式,否則只是浪費代幣。

實用技巧與重點

  • 量化案例數據
  • 內部 PR 提交量:增加至原有數量的 2 倍
  • 配送週期:縮短 82%
  • 人力配置效率:某 3 個月專案達預期 150%
  • ETL 遷移案例(Nubank):原需 50 位工程師,Devin 在原定時間的 1/3 內完成
  • 稅務系統遷移案例:使用原需精力的 1/2 完成
  • 每位訂閱用戶每週工程產能:相當於 10+ 名優秀工程師
  • Devin 的多種部署形式
  • CLI(命令列工具)
  • IDE 介面(類似 Cursor、Windsurf)
  • Devin Cloud / Devin Cloud 代理(核心產品)
  • FDE 的核心工作流程
  • 4–5 小時客戶溝通 → 2. 4–5 小時鍵盤操作 → 3. 設定自動化代理監聽特定警報/事件 → 4. 衡量 ROI
  • 招聘目標人才類型
  • 產品管理背景:具備產品設計洞察
  • 創辦人/資深工程師:掌握複雜技術細節
  • 優秀客戶工程師:具備孜孜不倦的好奇心

結論

前向部署工程的本質是將客戶問題與產品能力最大化重疊,並透過密集的現場合作與系統的回饋循環,才能真正實現 AI 工程助手從玩具到企業級生產力工具的轉變。

完整解析

Cognition 部署工程負責人 Gia 在演講中揭示了該公司如何透過「前向部署工程」(FDE)將 Devin AI 助手從初期的實驗性工具(2024 年發布時只有 SweepBench 13% 的表現)轉變為企業級解決方案,創造可量化的商業價值。

FDE 的核心理念源於一個簡單的維恩圖:一方是公司產品,一方是企業面臨的實際問題,而交集就是產品與市場的契合度。Cognition 的前線部署工程師扮演的角色是最大化這個重疊面積。這意味著他們既要深入理解客戶的軟體開發生命週期(從功能建置、測試、審查到部署與維護),也要掌握 Devin 的能力邊界,並根據客戶的具體複雜度調整使用策略。Gia 強調,編寫程式碼本身已基本解決,但真正的問題在於測試、審查、部署與維護這 80% 的工作。盲目部署代理而不理解客戶的 SDLC 流程,只會導致「代幣最大化」——花錢卻沒有實際成果。

FDE 的工作方式涉及密集的客戶接觸。一天可能包括 4–5 小時與客戶的電話會議,用來理解他們的瓶頸、積壓工作、遺留程式碼與修復需求,然後另外 4–5 小時進行實際操作。一旦發現高槓桿的自動化機會,FDE 就設定代理程式,讓它對特定警報或事件自動回應,從而解放人力。整個過程中,他們還要將客戶發現反饋給產品團隊——不是每個問題都需要產品改進,但像漏洞、變通方法這類問題若跨越多個客戶,就應該成為產品功能。

衡量標準的轉變最能說明 Cognition 的進化。一年前,FDE 的 KPI 是最大化代幣使用;現在,大型企業客戶(包括嚴格監管的金融機構)要求看到硬指標:交付週期有沒有縮短?PR 合併數有沒有增加?成本有沒有下降?Cognition 透過三個匿名案例研究與多個公開案例(包括 Nubank 的 ETL 遷移與拉丁美洲最大銀行的稅務系統遷移)證明了這一點。在三個月的深入合作中,該公司達到了 150% 的人力配置效率,配送週期縮短 82%,PR 提交量翻倍。ETL 遷移原本需要 50 名工程師,Devin 在原定時間的三分之一內完成;稅務系統遷移則使用了原需精力的一半。

FDE 也推動了 Cognition 的招聘策略。理想的 FDE 是一個 T 型人才,具備深厚的技術能力但也需要商業敏銳度、溝通技巧與流程管理能力。公司從產品經理、創辦人、資深工程師等多元背景招募,核心標準是技術專長難以教授,但商業頭腦可以習得;更重要的是孜孜不倦的好奇心和對客戶成功的執著承諾。Cognition 甚至派駐 FDE 在客戶辦公室長期駐扎(例如有人在巴西駐留十個月),以確保從合作中學到的每一項發現都能有效回饋到產品與整個組織。

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。