AI应用正从“模型能力”走向“系统能力”：理解Facade模式与FDE

过去两年，企业讨论人工智能时，关注点往往集中在模型本身：

哪个模型更聪明？

哪个模型参数更多？

哪个模型生成报告的效果更好？

但随着大模型能力逐渐普及，企业AI竞争的重点正在发生变化。

真正决定AI能否创造业务价值的，已经不只是模型能力，而是企业能否把模型接入真实的数据、系统和工作流程，并让它长期稳定运行。

在这一趋势下，两个原本主要出现在软件工程和企业级技术服务中的概念，开始频繁进入AI行业的讨论：

一个解决的是“如何把复杂的AI系统变得简单”，另一个解决的是“如何让AI真正进入企业业务”。

很多企业已经尝试使用大模型。

员工可以用AI搜索资料、总结文章、撰写报告，也可以上传文件建立简单的问答知识库。

但从个人使用走向企业级应用之后，问题很快会出现。

企业内部通常同时存在：

•业务数据库

•文档资料库

•CRM、ERP等管理系统

•新闻与行业信息

•客户和竞争对手资料

•不同部门的业务规则

•不同层级的访问权限

如果让员工分别进入不同系统检索资料，再将信息复制给AI处理，不仅效率有限，也很难形成稳定、可重复的业务流程。

企业真正需要的，并不是增加一个新的聊天窗口，而是建立一个可以连接数据、理解业务规则、调用不同工具并完成具体任务的AI系统。

这正是Facade模式重新受到关注的原因。

Facade通常翻译为“外观模式”或“门面模式”，是一种经典的软件架构设计模式。

它的基本思想并不复杂：

在复杂系统外部，提供一个统一、简单的调用入口。

例如，一个企业系统内部可能包含数据库、搜索引擎、权限系统、消息系统和多个业务接口。

如果使用者必须分别理解和操作这些系统，使用成本会非常高。

Facade层则像一个统一服务窗口。使用者只需要提交业务需求，Facade负责判断应该调用哪些系统、按照什么顺序执行，并将结果整理后返回。

AWS在介绍API Facade架构时，也将其用于为既有系统建立统一访问接口，从而降低调用方与底层复杂系统之间的耦合。

传统软件中的Facade主要负责隐藏接口复杂度，而在AI Agent系统中，Facade所承担的职责正在进一步扩大。

在AI系统中，用户提出的通常不是一条结构明确的程序指令，而是一个自然语言任务。

例如：

“分析这家企业最近的战略变化。”

•系统需要进一步判断：

•应该查询哪些企业资料？

•是否需要检索近期新闻？

•是否需要调用工商、招投标或者专利数据？

•哪些信息与当前企业真正相关？

•不同来源出现冲突时如何处理？

•最终应该生成快讯、简报还是研究报告？

因此，AI时代的Facade并不只是简单地把多个API包装在一起，而是需要完成意图识别、任务拆解、工具调度、权限控制、数据转换和结果整合。

一个较完整的企业AI架构，可以被理解为：

在这个过程中，模型负责理解和推理，Facade负责连接和组织。

这意味着，企业未来未必需要员工记住每一个系统的入口，也不需要了解每个数据库的查询方式。

员工只需要描述想完成的工作，系统再根据企业规则调用相应能力。

Facade解决了系统使用问题，却不一定能解决业务落地问题。

因为AI与传统标准化软件存在一个明显区别：

同一个AI系统进入不同企业后，面对的数据结构、业务流程、评价标准和风险要求可能完全不同。

例如，同样是“竞争情报分析”，不同企业关注的内容可能完全不同：

制造企业可能关注新建产线、供应链变化和海外订单；

医药企业可能关注临床试验、药品审批和技术授权；

能源企业可能关注项目招标、政策调整和设备技术路线；

金融机构则可能更关心评级变化、风险事件和监管动态。

即使使用同一个大模型，也不能依靠一套通用提示词解决所有问题。

企业还需要有人深入业务现场，将抽象的AI能力转化为可以运行的业务系统。

这就是FDE开始受到重视的背景。

FDE是Forward Deployed Engineer的缩写，通常可以翻译为“前线部署工程师”或“前置部署工程师”。

FDE并不是单纯负责售后实施的技术人员，也不是只负责需求沟通的咨询顾问。

这个角色通常处于技术、产品与业务之间，主要任务是：

•深入理解客户的实际业务流程

•将业务问题转换为AI任务

•连接企业数据和现有系统

•配置Agent、工具和工作流

•建立效果评估标准

•根据真实使用反馈持续调整系统

OpenAI将FDE描述为负责复杂AI系统端到端部署的工程角色，其工作覆盖需求发现、技术范围定义、系统设计、开发和生产环境上线，并通过实际使用情况和工作流程影响衡量部署效果。

2026年5月，OpenAI还宣布成立专门的Deployment Company，通过FDE深入企业，帮助组织将前沿模型部署到复杂、真实的业务环境中。这也说明，企业AI的竞争正在从“提供模型”进一步转向“提供可落地的生产系统”。

传统软件实施通常围绕已有产品展开。

产品功能已经相对固定，实施人员主要负责安装、配置、培训和交付。

FDE面对的情况则不同。

AI系统在进入企业之初，很多问题没有标准答案：

哪些信息应该进入知识库？

什么样的内容才算重要情报？

AI筛选准确率如何评估？

报告中的结论依据来自哪里？

哪些步骤可以自动完成，哪些必须由人工审核？

用户反馈如何反向优化Agent？

因此，FDE不能只按照固定清单部署产品，而要和企业共同完成业务建模。

从能力构成来看，FDE更接近：

他既要理解模型、数据和系统，也要理解客户真正希望解决的问题。

如果把企业AI建设看作一项完整工程，那么Facade和FDE承担的是两个不同层次的任务。

Facade解决的是技术复杂度：

如何把分散的数据、工具、模型和业务系统封装成一个统一的AI入口。

FDE解决的是业务复杂度：

如何根据不同企业的实际需求，把AI入口配置成真正有用的生产工具。

两者结合后，企业AI的运行方式会发生明显变化。

过去，企业购买的是一套固定功能的软件。

未来，企业获得的可能是一套基础AI平台，再由部署团队结合企业数据、规则和流程，形成适合本企业的智能工作系统。

企业情报工作并不是简单地搜索几篇新闻，再让大模型生成一份摘要。

一套真正可持续运行的企业情报系统，通常需要完成：

信息源监测、内容采集、正文解析、重复识别、主体识别、事件分类、重要性判断、知识沉淀、报告生成、人工审核和结果推送。

这些环节背后可能涉及多个数据库、搜索能力、处理模型和业务规则。

从架构角度看，需要通过类似Facade的统一能力层，将不同的数据和工具组织起来。

从实施角度看，则需要深入了解每家企业的战略方向、竞争环境、产品体系和情报需求，再完成监测规则、筛选标准、知识结构和Agent任务的配置。

这也是情报强企在实践中逐渐形成的技术路径：

表面上，用户看到的可能只是一个查询入口、一份日报或者一份研究报告。

但在其背后，是数据系统、AI模型、任务流程与行业规则的共同运行。

大模型让机器具备了更强的语言理解和内容生成能力，但企业真正需要的，不只是一个能够回答问题的AI。

企业需要的是：

能够访问正确数据的AI；

能够遵守业务规则的AI；

能够调用企业工具的AI；

能够完成完整流程的AI；

能够接受反馈并持续优化的AI。

Facade让复杂的技术能力被统一调用，FDE则让这些能力进入真实业务。

一个负责建立AI系统的“入口”，一个负责打通AI落地的“最后一公里”。

未来，判断一套企业AI系统是否成熟，或许不再只是看它使用了哪个模型，而是看它是否真正连接了企业的数据、流程与决策。

模型决定了AI能力的上限。

而系统架构和部署能力，决定了这些能力能否转化为企业每天都可以使用的生产力。

情报强企是国内领先的企业情报服务商，为企业提供定制化的线上情报搜集与管理服务。情报强企平台帮助企业自动抓取并推送行业最新动态，无需部署安装，支持多账号使用，实现多部门情报共享，助力企业决策。