FDE Hub
术语词典

FDE 术语词典

54 个核心术语 · 覆盖 10 个领域 · 纯英文术语附中文名 · 含精确定义 + 实例 + 关联词

4

4C 模型

Context / Code / Calibration / Conversion，FDE 能力四象限

↔ Context（现场 / 上下文）↔ Code（代码 / 工程实现）↔ Calibration（校准）

A

AIP（AI Platform）

Palantir Foundry 内置的 AI 能力层

↔ Palantir↔ Foundry↔ Ontology（本体 / 本体建模）

Apollo（持续部署系统）

Palantir 的持续部署与配置管理系统

↔ Palantir↔ Foundry↔ AIP（AI Platform）

Agent（智能体）

能自主感知、规划、执行多步任务的 AI 系统

↔ RAG（检索增强生成）↔ Prompt Engineering（提示工程）↔ Hallucination（幻觉）

A/B Testing（A/B 测试）

把流量随机分到两个版本，对比真实业务指标

↔ Eval（评估体系）↔ Shadow Mode（影子模式）↔ KPI（关键绩效指标）

C

Context（现场 / 上下文）

理解客户的真实业务环境与痛点

↔ 4C 模型↔ Code（代码 / 工程实现）↔ Calibration（校准）

Code（代码 / 工程实现）

亲手把系统写到生产环境并能跑通

↔ 4C 模型↔ Context（现场 / 上下文）↔ Demo → Production

Calibration（校准）

用评估指标把系统调到真有用

↔ 4C 模型↔ Eval（评估体系）↔ LLM-as-Judge（LLM 评判）

Conversion（转化 / 沉淀）

把现场经验沉淀回产品

↔ 4C 模型↔ Context（现场 / 上下文）

Context Window（上下文窗口）

LLM 单次推理能处理的最大 token 数

↔ Token（词元）↔ RAG（检索增强生成）↔ Memory（记忆机制）

CoT（思维链）

Chain-of-Thought，让 LLM 一步步推理而非直接给答案

↔ Prompt Engineering（提示工程）↔ ReAct（推理 + 行动）↔ LLM（大语言模型）

D

Demo → Production

FDE 核心命题：把 Demo 推到生产并被用起来

↔ Code（代码 / 工程实现）↔ Eval（评估体系）↔ MLOps（机器学习运维）

DPO（直接偏好优化）

Direct Preference Optimization，无需 reward model 的偏好对齐

↔ RLHF（人类反馈强化学习）↔ Fine-tuning（微调）

E

Echo-Delta（回声-三角洲）

Palantir 的双角色协作模型

↔ 4C 模型↔ Palantir

Embedding（向量嵌入）

把文本/图像/音频转为高维数值向量，表征语义

↔ Vector Database（向量数据库）↔ RAG（检索增强生成）

Eval（评估体系）

用于衡量 AI 系统是否真的有用的指标与方法体系

↔ Calibration（校准）↔ Demo → Production↔ LLM-as-Judge（LLM 评判）

F

FDE

Forward Deployed Engineer，前沿部署工程师

↔ OpenFDE↔ Palantir↔ Echo-Delta（回声-三角洲）

Foundry

Palantir 核心企业产品，集成数据/AI/决策的中台

↔ Palantir↔ AIP（AI Platform）↔ Ontology（本体 / 本体建模）

Function Calling（函数调用 / 工具调用）

让 LLM 按结构化 schema 调用外部工具

↔ Agent（智能体）↔ MCP（Model Context Protocol）↔ ReAct（推理 + 行动）

Fine-tuning（微调）

在预训练模型上用领域数据继续训练，使其适配特定任务

↔ LoRA（低秩适配）↔ QLoRA（量化低秩适配）↔ Prompt Engineering（提示工程）

G

Gotham

Palantir 的情报与国防分析平台

↔ Palantir↔ Foundry

Golden Set（黄金数据集）

经过专家标注的高质量测试集，用于回归与基准评估

↔ Eval（评估体系）↔ LLM-as-Judge（LLM 评判）

H

Hallucination（幻觉）

LLM 编造事实或凭空生成不存在的引用

↔ RAG（检索增强生成）↔ Eval（评估体系）↔ Agent（智能体）

Hugging Face

开源模型 / 数据集 / 工具的 GitHub

↔ LoRA（低秩适配）↔ Fine-tuning（微调）↔ vLLM

K

KPI（关键绩效指标）

Key Performance Indicator，衡量业务成功的可量化指标

↔ ROI（投资回报率）↔ A/B Testing（A/B 测试）↔ OKR（目标与关键结果）

L

LoRA（低秩适配）

Low-Rank Adaptation，用低秩矩阵微调大模型的轻量方法

↔ Prompt Engineering（提示工程）↔ Fine-tuning（微调）↔ QLoRA（量化低秩适配）

LLM（大语言模型）

Large Language Model，在海量文本上预训练的基础模型

↔ Agent（智能体）↔ RAG（检索增强生成）↔ Fine-tuning（微调）

LLM-as-Judge（LLM 评判）

用强 LLM 作为裁判，自动评估弱 LLM 的输出质量

↔ Eval（评估体系）↔ Hallucination（幻觉）

LangChain

LLM 应用编排框架，连接模型 / 工具 / 数据 / 记忆

↔ Agent（智能体）↔ RAG（检索增强生成）↔ Function Calling（函数调用 / 工具调用）

Latency（延迟）

从请求发出到收到第一个 token 的时间，常用 TTFT 与 TPOT

↔ Throughput（吞吐量）↔ vLLM

M

MCP（Model Context Protocol）

Anthropic 主导的 LLM 工具 / 数据源开放协议

↔ Function Calling（函数调用 / 工具调用）↔ Agent（智能体）

MLOps（机器学习运维）

机器学习运维，管理模型全生命周期的工程实践

↔ Eval（评估体系）↔ Demo → Production

Multi-Agent（多智能体协作）

多个专门化 Agent 分工协作完成复杂任务

↔ Agent（智能体）↔ ReAct（推理 + 行动）↔ Memory（记忆机制）

Memory（记忆机制）

让 Agent 跨对话 / 跨任务保留上下文的能力

↔ Agent（智能体）↔ Context Window（上下文窗口）↔ RAG（检索增强生成）

MVP（最小可行产品）

Minimum Viable Product，POC 通过后第一个可上线版本

↔ POC（概念验证）↔ Demo → Production↔ MVP（最小可行产品）

O

OpenFDE

FDE 开源社区（前沿部署工程师方法论与案例库）

↔ FDE↔ 4C 模型

Ontology（本体 / 本体建模）

Palantir 哲学核心：把业务对象建模为本体

↔ Palantir↔ Foundry↔ Context（现场 / 上下文）

OKR（目标与关键结果）

Objectives and Key Results，对齐组织目标的管理方法

↔ KPI（关键绩效指标）

P

Palantir

硅谷大数据公司，FDE 模式的开创者

↔ FDE↔ Foundry↔ Echo-Delta（回声-三角洲）

Prompt Engineering（提示工程）

设计 LLM 输入以获得期望输出的工程实践

↔ RAG（检索增强生成）↔ Agent（智能体）↔ Fine-tuning（微调）

POC（概念验证）

Proof of Concept，2-4 周快速验证技术可行性的最小项目

↔ MVP（最小可行产品）↔ Demo → Production↔ Stakeholder（利益相关方）

PII（个人身份信息）

Personally Identifiable Information，可识别个人身份的数据

↔ Hallucination（幻觉）↔ Ontology（本体 / 本体建模）

Q

QLoRA（量化低秩适配）

在 4-bit 量化基础上做 LoRA 微调，显存再降 4 倍

↔ LoRA（低秩适配）↔ Quantization（量化）↔ Fine-tuning（微调）

Quantization（量化）

把模型参数从 FP16/FP32 压缩到 INT8/INT4，降低显存与推理成本

↔ QLoRA（量化低秩适配）↔ vLLM

R

RAG（检索增强生成）

Retrieval-Augmented Generation，用检索结果增强 LLM 回答

↔ Agent（智能体）↔ Prompt Engineering（提示工程）↔ Hallucination（幻觉）

RLHF（人类反馈强化学习）

Reinforcement Learning from Human Feedback，用人类反馈训练模型

↔ Prompt Engineering（提示工程）↔ DPO（直接偏好优化）

ReAct（推理 + 行动）

Reasoning + Acting，让 LLM 推理与工具调用交替进行

↔ Agent（智能体）↔ Function Calling（函数调用 / 工具调用）↔ Prompt Engineering（提示工程）

ROI（投资回报率）

Return on Investment，量化项目商业价值的核心指标

↔ KPI（关键绩效指标）↔ POC（概念验证）↔ MVP（最小可行产品）

S

Shadow Mode（影子模式）

让新模型与旧模型同时跑，只对比不切换，对零业务风险

↔ A/B Testing（A/B 测试）↔ Eval（评估体系）↔ Demo → Production

Stakeholder（利益相关方）

项目里所有能影响 / 被影响决策的人

↔ Context（现场 / 上下文）↔ POC（概念验证）

T

Token（词元）

LLM 处理文本的最小单位，约 0.75 个英文单词 / 1-2 个中文字

↔ Context Window（上下文窗口）↔ LLM（大语言模型）

Throughput（吞吐量）

单位时间内系统能处理的请求数或 token 数

↔ Latency（延迟）↔ vLLM

V

Vector Database（向量数据库）

专门存储与检索高维向量的数据库

↔ Embedding（向量嵌入）↔ RAG（检索增强生成）

vLLM

高性能 LLM 推理引擎，PagedAttention 把吞吐量提升 24 倍

↔ Quantization（量化）↔ Hugging Face

常见问题

什么是 FDE？

Forward Deployed Engineer（前沿部署工程师），指驻扎在客户现场、负责把 AI / 软件系统从 Demo 推进到生产并对业务结果负责的工程师。Palantir 2003 年首创，2024-2025 年因 AI 落地潮被 OpenAI / Anthropic / Google 大规模招聘。

4C 模型是哪 4 个 C？

Context（现场理解）、Code（工程实现）、Calibration（指标校准）、Conversion（沉淀产品）。是 FDE 社区总结的能力模型，FDE 必须四个面同时站立。

FDE 与传统实施顾问最大的区别是什么？

FDE 对「业务结果」负责，而不是「项目交付」。三个核心区别：①FDE 自己写代码写到生产，不只是画原型；②FDE 用 Eval 证明系统真有用，而不是「上线了」；③FDE 把现场经验沉淀回产品（Conversion），让下一个客户更快落地。

FDE 现场最常碰到的 LLM 工程难题是什么？

Top 3：①幻觉（Hallucination）——LLM 编造事实；②上下文窗口不够——长文档 / 长对话装不下；③企业数据无法直接喂给闭源 LLM——必须自托管开源模型或做 RAG 检索增强。FDE 必须从架构层解决，不是事后打补丁。

为什么 FDE 必须懂 MCP（Model Context Protocol）？

MCP 是 2024 年 Anthropic 开源的「LLM 工具 USB-C」协议——任何数据源按 MCP 暴露，LLM 客户端就能即插即用。FDE 在客户现场对接 ERP / 数据库 / 内部系统时，MCP 能把原本数周的集成工作压缩到数小时，是 AI 工程化的关键协议。

POC 和 MVP 的区别是什么？

POC（Proof of Concept）是 2-4 周技术可行性验证，回答「能不能做」；MVP（Minimum Viable Product）是 POC 通过后的第一个可上线版本，回答「能不能用」。POC 给技术团队和高管看，MVP 给真实用户用。FDE 必须能区分两个阶段，避免在 POC 阶段追求生产级质量。