这是 FDE（前线部署工程师）到客户现场的 72 小时操作流程。 每一步对应 fde-scope 的一个子命令。

Day 1 上午 — 接入数据

客户能给你什么？CSV 导出 / Zammad API / Salesforce / 数据库直连 / 邮件。

# 先看一眼数据长什么样（look before you load）
fde-scope connect --type csv --source ./client_export.csv
# ✅ Discovered N tickets, M categories, K channels.
# ✅ Sample extracted → ./samples/preview.json

关注点：

• 字段是否齐全（content / category / id）？
• PII 候选字段（schema 标 ⚠）—— 决定脱敏规则强度。
• 类别分布是否极度不均衡 —— 预告后面要合成补盲。

Day 1 下午 — 锻造语料

fde-scope corpus \
  --input ./client_export.csv \
  --config fde_scope/templates/corpus_config.yaml \
  --out reports/corpus_report.html
# 可选：用 MiMo 合成更真实的补盲样本（需 FDE_SCOPE_MIMO_API_KEY，
# 失败自动回退规则路径；逐类合成+逐条评分，小数据集约几分钟）
fde-scope corpus --input ./client_export.csv --out reports/corpus_report.html --llm

拿 CorpusReport 跟客户对齐预期：

• 「你的原始数据 N 条，清洗后 M 条可用（去重 X、质量门淘汰 Y）」
• 「PII 脱敏了 Z 个实体」
• 「发现 K 个覆盖盲区，已针对性合成补齐」（LLM 样本 trace 为 synthesize:llm， 同样过质量门与缺口上限，可审计）
• 「最终 train/eval/test = a/b/c」

核心差异化：合成是「补盲区」，不是「凑数量」。每一条合成样本都有对应的缺口理由。

Day 2 — 部署 Agent

fde-scope deploy --tenant client_a --corpus reports/corpus_report.json --model qwen-max

三层隔离交付：

1. Docker 沙箱（执行隔离）
2. corpus_client_a collection（数据隔离）
3. PermissionEngine 规则（权限隔离：禁跨租户、禁删、禁 shell）

真实启动需要 [agentscope] extra + docker。本期 dry-run 出 manifest。

Day 2 下午 — 评估

# 规则版 mock Agent（零配置）或 MiMo 真实 LLM Agent（需 FDE_SCOPE_MIMO_API_KEY）
fde-scope eval --agent mock --test-set ./corpus/test/
fde-scope eval --agent mimo --test-set ./corpus/test/
# 📊 Intent Accuracy:     91.3%
# 📊 Reply Adoption:      78.5%
# ⚠ Top bad case: 跨品类退换货 (accuracy: 62%)
# 💡 建议：补充跨品类退换货语料 ~150 条

用数据说话：FDE 不是「跑个 demo 就走」，而是用评估框架证明价值。 bad_cases 是持续调优的抓手。

持续运行 — 飞轮

fde-scope flywheel start --agent client_a
# [human_override] +1 golden sample
# [low_confidence] +3 queued for labeling
# [weekly_retrain] scheduled: next Mon 02:00

线上反馈自动回流：人工覆盖 = 最高质量标注（quality 5.0）→ 周度增量微调 → 持续进化。

面试追问防御

追问	回答要点
FDE 和传统实施工程师区别？	FDE 是 AI 原生——不是装软件，是让 Agent 在客户业务里跑起来并持续进化。懂模型、懂语料、懂评估
为什么 AgentScope 不用 LangGraph？	2.0 把多租户沙箱、权限引擎、HITL、事件系统做成了框架级能力。LangGraph 这些全要自己造
语料合成怎么保证质量？	三道关：策略约束 → 质量门控打分 → 覆盖度验证确实填了盲区
客户现场没有外网/不想用外部 LLM？	全链路规则路径可跑，LLM 纯可选（llm.py 可选注入，无 key 自动降级，失败自动回退）；air-gap 部署也不受影响
LLM 合成的样本能信吗？	与规则样本同一质量门与缺口上限，逐条打分后入库，trace 可区分来源；对客户如实报告合成比例
多租户数据泄露怎么防？	三层隔离：Docker 沙箱 + collection + PermissionEngine（BYPASS 都绕不过）
客户数据质量极差？	Connector 先 schema 探测 + 样本预览；CorpusReport 明确告诉客户「能用多少、缺什么」
和 Dify/Coze 区别？	它们是给业务人员的低代码平台；FDE Scope 是给 FDE 工程师的专业工具，强调语料工程深度、评估、多租户运维