NevaMind AI

FDE 案例

Forward Deployed Engineering · 三个驻场式交付案例:猎头业务系统、VC 智能工作台、期货投研平台。数据截至 2026 年 11 月 20 日。

feedback → ship
0次提交,三个项目合计
0次发布上线
0条人才记录迁移
0反馈到上线的中位时间
SCROLL
01

7 周替换一家猎头公司的业务系统

伯周咨询 · 猎头

迁入 49.6 万条人才记录。上线后客户在系统里提需求,到上线的中位时间是 2.1 小时。

阅读案例 →
02

「AI 干活、合伙人拍板」的可点击演示

Creekstone · 风险投资

用客户自己的品牌和关注赛道搭出工作台,没有任何密钥也能完整演示。

阅读案例 →
03

把基金经理的每句纠正变成有回测依据的规则

期货投研团队 · 大宗商品

23 天提交 586 次。用户的一句「不对」,先用历史数据验证,再写成模型必须遵守的规则。

阅读案例 →
01
案例 01 · 猎头

7 周替换一家猎头公司的业务系统

客户:伯周咨询生产系统 · wikii.dev2026-10-02 至今

伯周咨询原先用一套商业招聘管理系统管理人才库、客户、项目流程和发票业绩。我们用 7 周交付了功能对等的自有系统,迁入十多年的业务数据,并加上 AI 寻访、简历解析和 MCP 接口。上线之后,客户在系统里直接提需求,几小时后就能用上。

反馈闭环 · 一条反馈怎么变成线上功能REPLAY
信号
0.0小时 · 从信号到上线
流水线
生成任务
Agent 在隔离工作区实现
单元测试 + 集成测试
备份数据库 · 副本上冒烟
滚动发布到 3 个实例
健康检查 · 观察 10 分钟
实例 1实例 2实例 3
动态示意 · 三个任务的用时和结果来自任务记录,过程动画已加速
0万迁入的人才记录
0反馈闭环完成的任务
0小时反馈到上线的中位时间
0/ 204自动发布成功,3 次失败均自动恢复

客户与场景

  • 使用者包括超级管理员、团队经理、顾问、财务和 HR,共有 16 人提交过反馈。
  • 日常工作是搜索和维护人才、公司、职位,推进项目流程,开发票,看 KPI 和业绩报表。
  • 这是每天重复使用的办公系统,客户看重的是找得快、状态可靠。

需求是怎么来的

  1. 先只读审计原系统。对后台逐页截图审计,整理成 154 组验收矩阵,作为功能对等的标准。全程不修改原系统数据。
  2. 把反馈入口放进产品。系统右下角的反馈助手会结合代码、日志和用户有权看到的数据,帮用户把需求说清楚。263 条反馈里有 261 条保留了用户原话,例如「这两块移动到首页最上方」「横轴是时间,纵轴是业绩……去年的用黄色」。
  3. 定下冲突时的优先级。客户明确提出的需求,优先于原系统的行为。

交付内容

类别内容
业务模块仪表盘、人才、公司、项目流程、发票业绩、KPI 报表、权限后台、招聘门户;58 个页面、44 个接口
数据迁移人才 49.6 万条、公司 3,466 家、流程 12 万条、发票 3,337 张、事件 29.9 万条,保留原系统编号
权限8 层判定:账号、角色、模块、功能、操作、记录范围、字段、联系方式查看额度
多语言简体中文、繁体中文、英文,约 5,800 个词条
AI 功能寻访助手(搜索内部和公开人才库,每天自动复盘)、简历解析、职位匹配分、「教我操作」、附件 OCR 和录音转写、简历脱敏
开放接口MCP 服务,最多 223 个工具,按个人令牌授权

关键难题

P / 01

45 万人才下详情页打开慢

详情弹层和列表共用一个服务端组件,每次打开详情都会重跑列表查询,P95 约 1.1 秒。把详情拆成独立调用、各标签页按需查询。从用户反馈到上线用了 1.7 小时。

P / 02

「加入项目」搜索慢

旧实现每批取 500 个项目再逐条检查权限。把权限条件下推到查询后,在 50 万人才的测试库上测得:

改前1837 ms
改后896 ms
P / 03

KPI 报表慢

把成员筛选条件下推到 SQL 并改用索引,服务端耗时降到原来的 1/6 到 1/8。

P / 04

迁移后的数据与原系统不一致

一批事件记录导入后丢了结构化字段。用可重复执行的回填脚本恢复了 294,707 条,并与备份逐行比对,确认没有意外改动。

发布流程,全自动

01独立目录构建
02备份数据库
03数据副本上冒烟
04逐实例滚动切换
05观察 10 分钟
06失败自动回滚

每个任务合并前要通过 998 项单元测试和 248 个集成测试套件。

反馈闭环数值
收到的信号293 条(用户反馈 263、线上报错 21、手动 9)
完成的任务203 个
反馈到上线中位数 2.1 小时,中间一半落在 0.7 到 6.0 小时
最快的一次线上 500 错误,6 分钟修复上线

这个案例里的做法

先审计,再动手154 组验收矩阵让「功能对等」变成可以逐项打勾的清单。
反馈入口在产品里客户不需要开会、写文档,原话直接成为任务输入。
自动回滚换高频交付204 次发布里 3 次失败,都没有影响客户。
客户的话优先对等只是起点,客户怎么用才是目标。
02
案例 02 · 风险投资

AI 干活,合伙人拍板:给一家 VC 的可点击演示

客户:Creekstone可演示原型 · creekstone.dev2026 年 10 月至 11 月

在正式交付之前,我们先用 Creekstone 自己的品牌和关注赛道搭了一个工作台演示。它回答的是销售阶段最难回答的问题:AI 到底能替一家基金做什么,合伙人还需要做什么。同一套外壳后来被复用到猎头和期货两个行业。

今日待拍板 · AI 干活,合伙人决定可点击
决策记录 · 每次决定都留痕
动态示意 · 决策主题与四种操作来自演示站,AI 步骤文案为示意。按钮可以自己点
0个页面,覆盖基金日常工作
0个赛道的深度研究,各 220 到 290 家公司
0个可定时运行的原子化能力
0个行业复用同一套外壳

演示讲的故事

  • AI 读资料、做核查和计算,把需要决定的事交给合伙人。
  • 合伙人对每张决策卡可以同意、换方案、拒绝,或退回让 AI 再查。每次决定都留痕,结果出来后复盘。
  • 首页「今日」放了 5 个待拍板的决策:是否跟投 B 轮、被投企业的预算、上投委会的时机、TS 条款、项目条款。

交付内容

页面内容
今日待拍板的决策卡,加一个对话入口
AI 任务正在执行的任务及进度
项目分已投、投委会、尽调、接触、跟踪五个阶段
深度研究Personal Agent、具身智能、固态电池、向量数据库四个赛道的公司和人物
人脉每个赛道 320 位创始人,标出谁能直接联系、谁要经人引荐
资料库聊天、会议、备忘、报告,可直接提问
能力24 个原子化能力,分情报、研究、人脉、资料、投后、输出六类
Signal、待办行业推送流,以及汇总的待处理事项

首页对话会先规划最多 4 步工具调用,再基于结果生成带编号引用的回答。现场研究调用外部研究 Agent,一次 2 到 6 分钟、约 0.5 美元。界面有中英两个版本。

关键难题

P / 01

演示不能依赖现场网络和密钥

把真实模型的回答预先录下来,没有密钥时回放并保持流式输出的观感;没录过的问题用本地资料拼出答案。同一份代码接上密钥就是真实运行。

P / 02

演示数据要真到能引起讨论

赛道和人脉数据来自真实的公开检索,每个赛道扫描 600 到 900 份档案。合伙人看到的是自己关注的赛道里真实存在的公司和人。

P / 03

中英两套界面只维护一份

脚本抽取源码里的界面文本,查词典后自动生成英文版,避免两套代码分叉。

P / 04

一套外壳,多个行业

决策卡、AI 任务、原子化能力、无密钥演示被抽成通用外壳,换数据和文案后复用到猎头和期货演示。

这个案例里的做法

用客户自己的世界做演示客户讨论的是「这个决定我会怎么做」,而不是「这个产品是什么」。
讲清人和 AI 的分工每张卡片都写明 AI 做了什么、人要决定什么。
演示必须可靠录制回放让演示不受网络和额度影响。
演示资产可复用一次投入,三个行业使用。
03
案例 03 · 期货投研

把基金经理的每句纠正,变成有回测依据的规则

客户:期货基金经理与投研团队生产系统 · foresee.im2026-10-29 至今

我们为一支期货投研团队搭了一个以焦煤为主线的研究平台:每天自动出日报、夜报和周度研判,给出未来 5 日的方向、概率和依据。难点不在生成报告,而在让报告里的每条推理经得起基金经理的追问。

一句纠正怎么变成规则REPLAY
①
② 用历史数据回测
③ 代码检查报告
动态示意 · 原话与回测数字来自提交记录,报告行文为示意
0次提交,23 天
0次发布上线
0条用户原话写进了规则
0个数据序列接入

跟着市场走的节奏

面向期货基金经理和投研人员,品种包括焦煤、焦炭、咖啡、乙二醇,实际使用中焦煤是主线。

工作日08:00出日报
每日17:40同步当日数据
交易日20:30出夜报
周日22:30出周度研判

需求是怎么来的

没有需求文档。需求来自基金经理读报告时的反应。我们把原话记进代码和提交说明,每条对应一处规则。

「从来没有结论是多或者空的」
方向不再由模型直接下结论,改为由概率推出
「模型自己加的需要回测确认才能加」
模型提出的拐点信号必须先回测,通过后才跟踪
「低基差不算压制」
低基差从「压制」改为中性
「焦企限产还是呼吁吧」
限产分成呼吁、计划、执行三个阶段,分别计强度
「7 天太长」
政策影响窗口从 7 天缩到头 3 个交易日
「主要是节后的不能只看节前的数据」
长假后第一期数据出来前,库存改用估算值并注明

交付内容

  • 报告:日报、夜报、周度研判。每条推导带依据、强弱和传导链条,输出 5 日方向及概率、价格区间、20 日趋势、建议和风险。已生成日报 206 份、周报 71 份。
  • 分析模块:到厂成本与基差、供需推演、五个环节的库存分析、事件跟踪、配煤成本。
  • 其他:模拟交易(模型当交易员并每周复盘)、规则交易、看板、管理后台。
  • 怎么约束模型:报告写完要过代码检查。写了材料里没有的数字、说「高位」「低位」但与历史分位不符、说错季节,都会被退回重写;某些依据的强度有硬上限,由代码强制修改后让模型重新给方向。

关键难题

P / 01

一条过期报价被当成最便宜的煤用了三周

某煤种只有一条 8 月 18 日的新闻报价,系统一直沿用到 9 月 9 日,其间其他煤种已涨了 400 多元。改为按数据频率决定沿用多久:新闻和日度数据最多 7 天,周度 10 天,其余 21 天。

P / 02

长假后按节前库存下结论

节后第一份日报按节前数据写「补库空间小」,第二天数据出来,焦企库存少了 92 万吨。改为用「节前值加往年同一假期的平均变化」估算,并注明是估算。

P / 03

「高基差支撑反弹」经不起回测

回看全年 206 份日报:基差在 450 元以上的日子,之后 5 日涨超 3% 的只占 10%;被评为「强支撑」的 16 天里上涨的只占 38%。于是把基差支撑的强度封顶为弱。

P / 04

焦炭提涨落地后该看多还是看空

回测 2021 年 11 月以来 114 次调价落地:提涨落地后 10 天内回落的占 65%,平均跌 2.8%。已落地的调价不再按原方向计入。

P / 05

供需推演的累计误差

用实际库存校正推演后,52 周里方向判断正确的次数从 33 次升到 36 次,4 周累计误差:

改前268 万吨
改后206 万吨

方法的边界

没做成的事,如实记录:
  • 全自动自我迭代在这个领域没有跑起来。需求需要懂业务的人判断,迭代主力是工程师加 AI 编码助手,而不是自主 Agent。
  • 研究实验有负结果:逐日增量训练的策略收益不如固定策略,强化学习模型退化成全部空仓。

这个案例里的做法

领域知识在客户脑子里最有价值的需求是基金经理读报告时的一句「不对」。
先回测,再落地用户的直觉用历史数据验证后才写成规则,规则旁边留着原话和数字。
用代码约束模型数字、分位、季节都由代码检查,不靠提示词。
当天反馈当天上线客户每次提意见,都能在下一份报告里看到变化。
共同做法

三个案例里重复出现的四件事

01

从客户现有的工作出发

猎头案例先审计原系统,建了 154 组验收矩阵;期货案例照着基金经理每天的节奏排报告;VC 案例直接用客户的品牌和赛道搭演示。

02

客户原话直接进入开发流程

猎头系统的 263 条反馈里 261 条保留了用户原话;期货平台的代码里留着 55 条用户原话,每条对应一处规则。

03

发布自动化,敢于高频上线

两个生产系统共用一套流程:构建、备份、冒烟、滚动切换、观察 10 分钟、失败自动回滚。

04

AI 的输出要过代码检查

期货平台里,模型写出材料里没有的数字会被退回重写;猎头系统的每个任务必须通过全部测试才合并。