FDE首次写入国家级政策文件,产品经理如何借AI工具独立完成MVP?本文作者以旅游盲盒为例,从后端服务到单文件HTML,拆解IPO边界与五轮迭代,并固化三条规则,展示AI时代复合型应用人才的落地实践。

从去年开始一直有人在提FDE这个概念,直到今年8月31日工信部印发《关于开展人工智能应用服务商培育专项行动的通知》,明确提出“鼓励服务商搭建FDE团队、扎根用户现场,保障人工智能场景落地”,FDE才首次写入国家级政策文件。中国信通院的解读是,这标志着FDE“从产业探索进入政策部署”。这要求着在AI时代,需要的是懂业务、通模型、知安全、能交付的复合型应用人才。
作为一个产品经理,我一直在关注这件事。FDE被讨论得很多,但大多数讨论停留在岗位定义和招聘薪资上。我在想,如果把自己放进一个真实的“现场”,不依赖完整的工程团队,不手写全套技术栈,只靠产品判断加上AI工具,能不能把一个想法推到“可运行、可解释、边界清楚”的状态?
一、寻找实践产品的落地点
说起来刚好在国庆之前自己打算去旅游,在确定旅行目的地时候搜索了很多攻略,发现它们都有一个共同前提,那就是你得有个目的地。
输入“成都”,能搜出一百篇攻略;输入“新疆”,能刷出几十条路线。可当你周末或者闲暇突然想出去走走、还没想好去哪的时候,这些攻略帮不上忙。
用户不是缺攻略,是缺一个起点。于是我萌发了做一个旅游盲盒的想法,在没有目的地的时候,一键抽盲盒解锁全国随机目的地。可自选出发地和旅行节奏,围绕它给我推荐必去景点、特色美食、非遗手作体验等信息,我再决定要不要去。
二、判断适配性:为什么后端服务不是最优解
最初尝试了后端服务加数据库的标准方案,搭建一个知识库,用于读取数据建立了一个专门的文件夹 trip-planner-mvp ,在这个文件夹内生成了完整的项目结构:
- 创建data/cities.json 用于存城市池(北京、上海、广州、成都、杭州5座)
- 创建weather.py 用于调 wttr.in 获取天气,当网络异常或者获取不到时返回“天气信息暂不可用”
- 创建random_planner.py 用于从 json 里 random.sample 抽城市
- 创建main.py 用 FastAPI 起了个 POST /random-plan 接口,接收返回随机抽取的结果
- requirements.txt 装好 fastapi、uvicorn、requests、pydantic。
所有文件写完后,在终端执行test,在 trip-planner-mvp 目录下启动 uvicorn main:app –reload –port 8000这一步是成功的,但是在验证后端接口(先不接搜索,只验证随机和天气)打开浏览器,访问 http://127.0.0.1:8000/docs,找到 /random-plan 接口,点 Try it out时调试成功了,随机抽城市加实时天气可以跑通。
固定5座城市时,这套方案完全成立,但是这远远不够。因为返回的 JSON 里包含随机抽到的 N个城市,每个城市都有 weather 字段(内容来自 wttr.in,中文描述),并且有 essentials 物品清单,但是景点和美食的其他信息的实时更新能力太弱了。另外,一开始只是放了5个城市进行测试,那扩展到34个省份情况就会大不相同了。
省份和城市是固定的。
34个省级行政区,这属于行政区划也不会天天变。至于城市覆盖率,可以尽可能也按实际的城市来编排,与其放在 cities.json 里每次启动后端去读,不如直接内嵌在页面里,几十KB,打开就有。
景点和美食调整为联网搜索。
景点和美食这类内容是动态的,比如新店开张、景区闭园修缮、票价调整,本地数据库维护的速度跟不上。另一方面, FDE 交付有一条硬约束是不编造。调整为联网搜索,内容自带来源链接,可信度比手写一条本地数据高,维护成本也低,不用每座城市手动更新。
天气本来就该实时联网。
一开始获取天气用的是 wttr.in,在调试过程中发现这个接口经常获取不到准确的天气,于是换成 Open-Meteo 的免费 API,以保证能够更加准确和及时地返回实时天气。
通过一通对比分析发现,省份城市可以内嵌、景点美食该联网、天气必须联网。排查下来,真正需要后端去读数据库的”固定本地数据”几乎没有。剩下的随机抽签和行程排期,可以写成前端纯函数,不需要后端编排。FastAPI 后端在固定5座城市、需要统一接口给多端调用时是合理选择,但在这个 MVP 阶段,它成了多余的维护成本:得跑服务器、得管进程、得担心接口挂了。知道什么时候不自己写后端,和知道什么时候该写,一样重要。所以最终演进成单文件 HTML,尽可能借助联网和大模型能力。
三、拆任务:IPO边界及需求版本迭代
技术方案定下来之后,制定这个旅游盲盒的核心玩法,确定产品边界:
- 操作方式:随机抽一座城市。
- 输出结果:抽中的城市、获取实时天气作为参考,推荐城市必玩景点与美食,以事实为准,不符合实际的内容提供提示文案引导。
- 不做个性化推荐。
- 不做用户账号和行程保存。
即便只是一个MVP的产品,也会在实现的过程中不断迭代,在此过程中也邀请了部分用户参与体验进行优化迭代。
第一个版本:完成最小闭环
随机抽一座城市,天气实时获取,生成推荐城市的必玩景点与美食。
将IPO拆开后,人机边界如下:
- Input是用户给的天数;
- Process里随机抽签、天气获取、行程排期写成纯函数buildPlan;
- Output是一张沉浸式天气动效卡加逐日行程时间表。
第二个版本:把更多选择权交给用户
运行起来发现,同样抽一座城,出发地不同,路途耗时不同,第一天能玩多久就不同;天数不同,行程密度不同;节奏不同,特种兵想一天打满三个点,深度体验想一天只泡一个地方。于是有了第二个大版本。
- Input是用户给的天数、出发地、旅行节奏。
- Process、Output不变。
它们看着简单,实际上把后面的排期逻辑全参数化了。比如节奏决定每天排几个点、重头戏占不占整天等等。
第三个版本:增加旅行兴趣班和沉浸式体验
去一个城市,除了必去的打卡景点外,沉浸式的体验也是越来越受到大家的追捧。现在的人不仅仅追求看风景、品美食,开始喜欢去当地报个旅行兴趣班,将旅行的收获转化成自己的一个技能或者一个可以在别的地方再次运用上的兴趣爱好,比如去海南学下冲浪、去景德镇拉胚烧陶瓷;女生可能还会喜欢尝试一下当地的特色妆造,比如西安大唐妆造、泉州小娘惹、苏州旗袍、上海洋归千金、北京格格等等,于是有了第三个大版本,在Output增加了:旅行兴趣班、推荐妆造。
第四个版本:合理性和事实性
为了让产品真的能落地使用,在此期间进行了不断地测试,发现行程规划是一个很容易出问题的环节。比如行程在时间上闪现、跨区景点挤进同一天、路途时间凭空猜等等,为此根据发现的情况将问题规则后,固化在程序中,具体的下面再进一步详说。
第五个版本:玩法,从”能用”到”好玩”
在完成基础功能之后,开始考虑增加一点彩蛋,作为隐藏玩法。提供【言出法随】功能,在连抽N次才弹出”抽到隐藏款”,用户使用该功能可以指定城市,当然也可以选继续盲抽。



四、固化:把一次次遇到的问题,变成一条条规则
调试过程中,遇到很多问题,我开始总结和反思:这类问题的根因是什么?能不能沉淀成一条规则?能不能通过一定的方法规避?三十多轮的大小版本迭代后,固化了以下三条规则:
1.把“获取不到”变成“实时返回”
一开始的天气使用wttr.in接口,这是一个无需注册、无需 API 密钥的免费命令行天气查询服务,通过简单的 HTTP GET 请求即可获取全球任意地点的天气数据。但是实践下来发现,经常获取不到实时数据,于是切换成了Open-Meteo,这也是一款开源、免 API 密钥、面向非商业场景的专业级气象 REST API,支持CORS,前端JS可直接调用,无跨域限制。
但 Open-Meteo 的链路会比较长,必填定位latitude 和 longitude,仅支持经纬度坐标查询,不直接接受地名,所以需要先按城市名查经纬度,再拿经纬度查预报,两步串联,任何一步超时天气就空着。在调试过程中,也是不断地优化算法。
超时处理:从 2.6 秒、4 秒放宽到 7 秒、9 秒,增加重试机制,在失败后 500 毫秒自动重试一次
城市查询:按城市名查询经纬度,若查询不到再去掉”市、地区、自治州、盟”后缀再查一遍;查到的坐标缓存起来,无需每次都重复查询。
界面展示:最多等待3秒,若获取到实时天气则正常展示,若获取不到则增加文案提示:正在获取中。当重试仍无法获取到时,文案提示:暂无法获取到真实天气,页面默认展示蓝天。
外部依赖不保证每次都成功,我们可以做的是尽可能把边界情况考虑到并提供对应的应对措施。
2.把”闪现”变成”物理规则”
对于AI来说,如果没有驯化,他们并没有我们所理所当然以为要会的常识,这一点在行程安排上表现得更为突出。
bad case1:用户抽到珠海,行程安排上午外伶仃岛、中午就回市区吃午饭了。按照实际的物理距离,乘船 70 分钟上岛,中午又赶回来,简直就是闪现,不是真正可以落地执行的方案。

bad case2:林芝深度游,雅鲁藏布大峡谷被排了两天上午。一天都逛不完的景区,被拆成两个上午走马观花。
bad case3:广州舒适节奏,安排了上午白云山、下午沙面。一东北一西南 15 公里,跨区赶场。
深入分析发现,行程安排的排期把所有景点当成可以随意拼接的原子单位,既不问远近,也不问轻重,更不看方位。外伶仃岛错在”远”,它和市区景点不在同一个通勤圈;大峡谷错在”重”,它需要的不是两个上午,而是完整一天;白云山和沙面错在”方向”,两者并不在一条顺路的线上。
为此,增加了物理位置等相关的约束条件优化行程规划。
- 物理距离约束:建 FAR_SPOT 词典,把跨岛、出海、远郊名山标出来,单独占一个”远点日”,午餐考虑就近吃、明确别去其他点。
- 物理时间约束:建 HEAVY_SPOT 词典,检索全网信息并建立景点推荐游玩时间,按节奏分三档(深度独占一天、舒适占上午下午留白、特种兵上午打满再串一个点)
- 物理方向约束:制定行程时需考虑景点的方位,串联起来时尽量安排顺路,没法判断方位就不冒险跨区。
3.把”想当然”变成”以事实为准”

在路程建议方面,也出现了忽视实际物理位置、实际交通方式等问题。
bad case1:广州到张家界,建议乘坐高铁 3.5 小时,实际要五六个小时。
bad case2:潮州到苏州,建议飞机直达,然后潮州到苏州根本就没有直达航班。
bad case3:广州到三亚,:建议搭乘高铁,而实际上这2个地方中间隔着琼州海峡,根本没有跨海高铁。
结合案例分析,发现路途函数纯按直线距离选交通方式(120 公里以内自驾、1000 公里以内高铁、以上飞机);直线距离直接折算为铁路里程;默认任意两座城市之间都有高铁或飞机直达。
针对这个问题制定了对应的解决方案:
第一步修时间:高铁公式按距离分段、加绕行系数,广州到张家界从 3.5 小时修正到 5 小时。
第二步修方式:建 CITY_INFRA 词典,只标注”异常”城市,比如苏州、平遥、绍兴这些没有民航机场的,三亚、海口、拉萨、喀什这些不通高铁的;路途函数按两端城市的实际设施组合判断,广州到三亚跨海无高铁就改飞机,苏州没机场就标注”飞至无锡硕放转乘”,查不到确切车次直接返回”建议查询实时班次”。
五、写在最后
回头复盘这三十多轮大小迭代优化,发现搭建一个完整的MVP产品最难的并不是选什么技术框架、代码如何实现,更重要的是这个产品的核心定位、用户的真实痛点发现、产品的边界定义、遇到问题的决策和处理方案,遵循FDE的量化闭环要求:把「景点提取完整率、天气接口成功率、行程排期合理性」等这些原本模糊的体验感知,转化为可追踪的核心业务指标,让后续迭代的决策依据彻底从「堆功能数量」转向「交付质量提升」。这是一个需要反复迭代和打磨优化的过程。
当然还有很多的不足,行程规划其实也还没有那么准确,毕竟只是初次的尝试和体验,但是能完整跑通一个产品还是很不错的。接下来还需要不断地学习和提升专业水平,从用户视角出发提供更好的产品和服务体验。
本文由 @闪耀的曙光 原创发布于人人都是产品经理。未经作者许可,禁止转载
题图来自Unsplash,基于CC0协议





