What FDE means at OpenAI

当Codex发布时，团队中有人问我：“当Codex能够一键解决我们过去几个月构建的用例时，我们该做什么？”

这个问题触及了FDE在OpenAI的核心意义。我们与客户并肩合作，理解他们最棘手的难题，并构建他们可以依赖的解决方案。我们学到的经验不仅塑造产品，还为研究团队提供具体问题。

这就是进步。如果我们每隔几个月就让自己变得多余，说明FDE团队已经完成了工作。

我于2025年初组建了这个团队，旨在弥合我们称之为“部署鸿沟”的差距：即模型表面能力与人们实际可用能力之间的距离。

部署鸿沟示意图展示了可用AI智能与商业价值之间的差距。

模型能力提升的速度超过了将其投入使用的系统和流程的发展速度。有时缺失的是产品，有时模型在基准测试中表现良好，却无法在真实场景的变量和约束条件下完成任务。

我们聚焦客户最困难的问题。当我们的模型能够胜任当前任务时，我们会与产品团队和客户合作，使解决方案可重复使用；当模型能力不足时，我们会与客户和研究团队合作，明确差距并进行改进。我们的目标是让每次合作都为下一位客户提供更好的起点——如果我们将基础提升到客户下次遇到此类问题时无需FDE团队就能解决的程度，就说明我们工作得很出色。

对拥有200年历史的农业企业John Deere来说，挑战在于如何为农民提供可扩展的个性化建议。

一个例子是See & Spray，其精准除草技术利用摄像头和机器学习识别杂草并定向喷洒，而非对整片田地进行处理，可减少多达70%的化学品使用。

但要实现这些效益，取决于农民是否知道如何配置技术、规划季节以及根据条件变化调整实践。

John Deere部署了OpenAI的API，帮助实现个性化和可扩展的支持。

AI可以通过自然语言回答农民的问题，提供定制的设置指导和建议，识别设备是否未发挥全部潜力，并帮助农民理解他们从技术中获得的价值。

机会不仅限于单次互动：在整个客户旅程中提供相关指导，帮助农民更有效地使用设备，同时提高效率和可持续性。

这就是OpenAI FDE团队致力于解决的挑战：帮助组织将AI能力转化为在复杂现实环境中产生实际价值的系统。

但这些问题往往没有现成答案，可能不存在公认的真相，也没有既定的路线图。每个人都想创造前所未有的东西，但愿意付出努力去实现的人却越来越少。

在提升“足够好”基准的同时寻找优秀FDE人才，意味着需要持续的实验和应用。

从结果出发

在每次FDE团队会议开始时，我会展示一张幻灯片，其中只有一个核心原则：“从结果出发，做成功所需的一切，然后追求规模扩展”。

一个令人印象深刻的演示在任何人质疑其在现实世界中的可行性之前，往往能走得很远。

我们的任务是解决客户的问题，达到足以在生产环境中背书的标准。

2025年年中，我们有大约15名FDE与一家大型半导体客户合作，处理10多个用例。目标是使他们的验证流程实现AI原生化，覆盖以下领域：

• 定向测试生成

• 根本原因分析和调试

• 架构助手

在该行业中，验证可能占项目工作量的约70%。机会巨大，可能的切入点也很多。

一些FDE加入OpenAI仅几天，此前从未接触过半导体领域。他们与客户的验证团队深入合作，利用业余时间研究芯片设计，并与工程师一起构建评估系统，测试AI是否能生成有用的测试并正确诊断芯片故障。

在学习的同时，我们为每个用例构建了定制的测试框架。在最初的3-6个月内，所有方案都成功进入生产环境并获得早期用户采用。成果体现在这些指标中：

• 通过基于AI的定向测试生成节省了约48%的时间。

• 通过内核优化实现了中位数22%的性能提升。

• 将数周的调试工作压缩到数小时内

当我们将这一切汇报给首席硬件官时，他问：“你们在来这儿之前做过芯片设计吗？”

我们的FDE不需要在第一天就了解行业，但必须承担学习它的责任。

随着代码助手使软件开发速度加快，理解客户的业务变得愈发重要。我们组建的团队由通才和领域专家共同构成。

你需要具备足够的知识来做出明智的判断，同时拥有足够的求知欲去质疑现状的假设。

例如在生命科学领域，我们的FDE的科学背景帮助他们赢得研究人员的信任，这些研究人员从事临床前药物发现任务，如靶点验证与优先级排序、基因表达分析以及化学合成路线重建。这种专业知识使他们能够就如何改进这些工作流程提出有见地的判断。

使成功可重复

我们已经证明这些工作流程能够创造价值，但每个方案仍需要过多的定制集成才能扩展到其他团队。下一个挑战是在保持这些成果的同时，让软件更易于部署和维护。

到那时，Codex的能力已经显著提升。一名FDE测试了围绕Codex重建应用程序的方案，随后与团队合作将用例迁移至以Codex为核心功能的通用框架上。

定制应用转变为基于通用Codex原语构建的插件和技能。Codex也成为接口，使我们能够淘汰为单个用例编写的独立终端UI和CLI。

我们成功地从每个项目中去除了约90%的自定义代码，这改变了我们构建、维护和扩展这些工作流程的方式：

• 我们可以利用对Codex的集中式改进，减少每个具体用例所需的连接代码量

• 关键功能被封装为技能和插件，使它们更容易在团队间共享，并由AI能力中心（AI CoE）进行集中管理。这意味着从一个团队扩展到另一个团队可能就像更换新的连接器/MCP服务器、构建新的评估（我们也有对应的技能）并快速启动运行一样简单。

• 以2026年8月的一个案例为例，初始部署耗时两个月。将解决方案扩展到第二个团队仅用了一天。随着规模扩大，后续团队的部署速度更快——这种趋势持续至今，2026年8月的一个用例在初始部署耗时两个月后，第二个团队的部署仅用了一天。

这就是我们让自身变得过时的一种方式。我们为实现生产环境所做的工作明确了真正重要的东西。随着底层产品的改进，我们可以替换大量自定义实现，同时保留其提供的价值。

_这就是为什么顺序很重要。大语言模型（LLMs）让我们能够快速构建。利用这种速度，将有价值的东西尽快交付给用户，了解实践中真正有效的部分，然后规模化推广这些有效方案。_

这一原则适用于所有项目。

OpenAI Presence，我们的企业语音和聊天代理产品，源自真实的客户部署。这项工作最初从Swarm⁠(opens in a new window)开始，通过[](https://openai.com/index/introducing-the-agents-api/)Agents API逐步演进，如今一家客户已使用AI处理其超过一半的通话。

将这些部署推向生产环境让我们明确了哪些问题需要定制解决方案，哪些构建模块可以被其他团队复用。我们将这些构建模块整合到Presence中，使开发者能够更轻松地自动化受监管的工作流程，而无需重新构建底层基础设施。每次部署都在塑造产品，并为下一家客户提供更好的起点。

通过[](https://openai.com/index/building-self-improving-tax-agents-with-codex/)Thrive Holdings项目，OpenAI FDEs和研究人员与工程师及会计师合作，为克里特的会计事务所构建税务AI。在试点期间，税务AI处理了7000份税务申报，将处理量提升了约50%。

最具挑战性的任务之一是自动化租赁财产申报，这需要六周的工程开发和实务专家审核才能达到90%的精确度和召回率。这项工作创造了可复用的模式，使税务AI更容易扩展到其他复杂的税务申报表。

现在，团队正在将同样的方法应用于记账、审计和IT支持——构建通过实务反馈和实际应用不断改进的系统。

及时填补出现的智能鸿沟

有时更优秀的产品能让我们简化现有方案，但有时模型本身尚无法胜任任务。

如果我们只构建当前模型已经能实现的功能，就无法发现研究下一步需要填补的智能鸿沟。因此，我们许多重要的客户合作都始于这些能力边界，由FDE（前线部署工程）和研究团队与客户共同攻克这些挑战。

我们已与一家大型电信客户开发了客户服务平台，他们希望将该平台扩展到语音服务场景。

语音服务占他们客户服务总量的约90%。这些案例的处理成本比聊天服务更高，且带来了诸多新的技术挑战，包括方言识别、语调分析以及延迟/准确率的生产级优化。做好这些优化将对他们的业务产生显著影响。

在需求分析阶段，我们的模型在关键评估指标上得分约60%，表明其能力已接近极限。客户服务场景中的函数调用和指令遵循能力亟需提升。

我们向客户坦诚了这一情况并引入研究团队参与。FDE与客户共同构建平台并定义模型需求，研究团队则专注于弥补能力缺口，通过连续的模型快照版本，我们能够持续验证进展是否符合客户要求。

经过六个月的优化，关键评估指标表现从约60%提升至80%，随后进一步提升至90%以上，达到生产部署所需水平。

最终的语音模型现已支持该客户的部署，其他定制化客户服务部署以及通过Presence提供的托管部署。在一个客户业务中遇到的问题帮助我们识别出可惠及更多客户的改进方向。

每个环节都至关重要：客户承诺解决当前模型尚无法处理的难题，FDE保持足够贴近以界定问题、构建平台并推动整个合作进程，研究团队则提升基础模型能力。

这正是另一种让自身变得过时的方式：帮助将当前模型无法解决的问题转化为未来模型可以交付的能力。我们工作的回报远超与任何单一客户合作所投入的时间。

去寻找更难的问题

我加入OpenAI的初衷是帮助让AI真正融入人们的日常工作中。这个目标依然指引着团队。我经常对团队说，在大多数大语言模型开发场景中，奥卡姆剃刀定律适用——最简单的解决方案往往最好。在一个以前沿研究著称的公司，以及一个充斥着夸张宣传的行业中，我们希望构建的是那些能让一线人员真正信赖的可靠产品。

目标是让每次合作都推动后续进展：打造更易于部署的产品、构建能应对更复杂任务的模型，或为下一位客户提供更少定制化工作。

如果您有想要解决的难题，我们很乐意与您合作。如果您希望参与解决这些挑战，我们诚邀您加入我们。

那么当Codex能够处理我们耗费数月构建的工作时，我们又该做什么？

去寻找更难的问题。