AI FDE 实践：将咖啡冲煮复盘转化为迭代工具

FDE：被称为“AI 工头”的实践之路

关于 AI FDE 这个概念，我向来觉得很难直白定义，因此更乐意戏称其为“AI 工头”：这并非单纯的代码编写，也非仅做咨询，而是深入客户一线，洞察真实业务流，继而调用 AI 工具来化解难题。

近期这一概念颇为火爆，我也打算将个人的实战案例一一梳理。首篇便从一个典型的线下门店场景切入：一家咖啡工作室，以及关于“冲煮参数记录”的具体诉求。

此次的诉求源自一位经营咖啡店的朋友。他当时提出了一个朴素的需求：每次调试冲煮参数时，都希望能将参数、口感反馈及结果记录存档，以便日后复盘，甚至期望借助 AI 来提炼其中的规律。

这看似简单，实则极具代表性。它并非“搭建一套系统”这般宏大，而是将日常发生的业务流程数字化，力求降低记录成本，提升复盘的实用价值。

我骑车前往家附近的 Temple Coffee。刚进门，店内正烘着豆子，氛围浓厚：这并非在会议室里空想产品，而是置身于真实的咖啡操作台旁，亲眼见证对方如何测试、记录及判定咖啡的成色。

厘清需求后，我们并未先撰写冗长的需求文档，而是直接围绕店主高频的动作展开：拍照、识别、记录、查看、复盘。这一过程仿佛是将实际操作动作翻译为网页工具。

此类场景下，关键不在于一次性交付完美产品，而在于让需求方掌握修改方法。只要他能持续提出新需求、调整字段、优化界面，该工具便超越了单纯的一次性交付。

开发简易网页并不难，但我更想验证一点：与其代劳完成所有功能，不如传授方法，让他懂得如何运用 AI 工具持续迭代自己的小系统。

因此，本次核心并非“我打造了一个工具”，而是引导店主参与“Vibe Coding”。他深知自身需求，也最清楚哪些字段必要、哪些交互冗余。AI FDE 的职责，便是将这种业务判断转化为可运行的代码。

若仅交付工具，虽短期可用，但后续修改需依赖他人，工具与实际业务流的偏差便会日益增大。

若共同迭代工具，需求方可直接参与字段、流程及界面的调整，AI 工具也将更自然地融入现场作业。

最终耗时约一小时，我们制作出可识别拍照结果并自动录入冲煮参数的版本。虽非完整产品，却已足以验证方向：店主能更便捷地记录实验，待数据积累后，亦可让 AI 协助总结不同参数与口感间的关联。

此次实践给我的最大启示是：AI FDE 的价值不在于炫技，而在于将 AI 引入真实场景，以最短路径打造出能改变工作模式的产品。

线下实体店中存在大量此类“小而具体”的需求：记录、归档、识别、总结、提醒、复盘。单看虽不宏大，但一旦转化为合适的工具，便能持续节省精力，并将经验沉淀为数据。

接下来欢迎各位实体店老板预约时间，我将上门教授 Vibe Coding，协助解决实际的小问题。