# Stanley Team > Stanley Team 是一家 FDE（Forward Deployed Engineer，前沿部署工程师）公司，为中国传统企业做私有化部署的企业 AI 应用研发与业务系统落地：工程师进现场，用真实数据做事，按业务指标验收。联系方式：contact@stanleyteams.com - 交付方式：场景对齐（驻场 1–2 周）→ 共建上线（PoC 2–4 周，方案交付 4–6 周）→ 生产运营 → 复用扩展；指标写不出来不进 PoC，指标不过线不上线。 - 部署：本地私有化、专属云或混合部署；国产开源大模型；关键数字由规则引擎和代码计算；员工通过企业微信、飞书、钉钉或既有软件使用。 - 能力方向：企业知识库与智能办公、研发设计（CAD/CAM）、生产与经营分析、安全生产视觉 AI、金融、医疗、政企、信创智能体平台。 ## 首页 - [Stanley Team 首页](https://stanleyteams.com/): 团队、能力、FDE 工作方式与应用案例 ## 团队 - [Stanley](https://stanleyteams.com/team/stanley/): FDE 企业合作与项目启动；Stanley Team、Stanley 商学院及 Her Name 联合创始人；Stanley 和他的朋友们社群创始人 · 私域与 IP 商业实践者；深圳大数据研究应用中心 · 人工智能产业应用智库专家；模力福地 · AI 产品技术转化与场景实施顾问 - [Ming](https://stanleyteams.com/team/ming/): FDE 业务诊断与企业转型陪跑；国际教练联盟认证大师级教练 · 企业 AI 转型顾问；20 余年世界 500 强市场营销经验，曾服务强生、第一三共等企业；深圳大数据研究应用中心 · 人工智能产业应用智库专家；模力福地 · AI 产品技术转化与场景实施顾问 - [马振源（Miles Ma）](https://stanleyteams.com/team/miles-ma/): FDE 方案设计、算法与数据工程；哈尔滨工业大学航天工程本硕 · AI 算法与数据工程专家；具备模型优化部署、上亿级数据处理与企业 AI 应用经验；深圳大数据研究应用中心 · 人工智能产业应用智库专家；模力福地 · AI 产品技术转化与场景实施顾问 - [黄祯荣（Wing Huang）](https://stanleyteams.com/team/wing-huang/): FDE 云平台、安全部署与应用运维；十余年信息技术、云平台与网络安全实战经验；2014 年开始副业，2025 年全职投入 OPC 与 FDE；积累近百个 B 端客户，专注轻交付与 AI 应用变现；深圳大数据研究应用中心 · 人工智能产业应用智库专家；模力福地 · AI 产品技术转化与场景实施顾问 - [Matrix](https://stanleyteams.com/team/matrix/): FDE 系统架构、制造业集成与工程交付；10 年以上云原生、平台架构与稳定性工程经验；曾服务得物、叮咚买菜，专注 Agent 与 AI 工程化；深圳大数据研究应用中心 · 人工智能产业应用智库专家；模力福地 · AI 产品技术转化与场景实施顾问 - [Seven](https://stanleyteams.com/team/seven/): FDE 自动化工具与应用交付；深圳大数据研究应用中心 · 人工智能产业应用智库专家；模力福地 · AI 产品技术转化与场景实施顾问 - 团队战略合作：深圳（福田）海联大模型和算法赋能服务中心（企业 AI 转型与场景落地战略合作伙伴）；深圳市大数据研究与应用协会人工智能专委会（企业 AI 转型与组织赋能战略合作单位） ## 专题研究 - [制造业 FDE 全景痛点地图（研究版 v1.0 · 2026.11）](https://stanleyteams.com/insights/manufacturing-fde-map/): 29 个业务与技术领域、167 个待验证的痛点场景，含 FDE 做法、所需数据、验收 KPI、切入优先级、访谈清单与落地路径 ## 洞察文章 ### 基础概念 - [什么是人工智能（AI）？一篇写给企业管理者的入门](https://stanleyteams.com/insights/what-is-ai/): 人工智能（AI）到底是什么？本文用企业能听懂的语言解释 AI、机器学习、深度学习与大模型之间的关系，回顾 AI 的发展脉络，并说明企业在什么场景下应该用 AI、什么场景不该用。（作者：Ming） - [什么是大语言模型（LLM）？原理、能力边界与企业用法](https://stanleyteams.com/insights/what-is-llm/): 大语言模型（LLM）是怎么工作的？本文解释预训练、指令微调、上下文窗口、开源与闭源模型等基本概念，说明大模型擅长和不擅长的事，以及企业如何把大模型安全地用在业务里。（作者：马振源（Miles Ma）） - [什么是 AI 智能体（Agent）？与工作流的区别和企业落地方式](https://stanleyteams.com/insights/what-is-ai-agent/): AI 智能体（Agent）是能够自主规划步骤、调用工具完成任务的大模型应用。本文解释智能体与工作流的区别、智能体的组成、常见风险，以及企业如何在可控边界内使用智能体。（作者：Seven） - [什么是 RAG（检索增强生成）？企业知识库问答怎么做才好用](https://stanleyteams.com/insights/what-is-rag/): RAG（Retrieval-Augmented Generation，检索增强生成）让大模型先检索企业资料、再基于资料作答。本文讲清 RAG 的原理、企业知识库的完整链路（资料接入、权限、检索、引用、纠错），以及常见的失败原因。（作者：马振源（Miles Ma）） - [大模型为什么会“幻觉”？企业 AI 的关键数字为什么要由代码算](https://stanleyteams.com/insights/ai-hallucination/): 大模型幻觉是指模型生成听起来合理、实际错误的内容。本文解释幻觉产生的原因，以及企业如何用检索引用、拒答机制、规则引擎和人工审批，把幻觉的风险控制在可接受范围内。（作者：马振源（Miles Ma）） - [什么是 MCP（模型上下文协议）？企业系统如何安全地接入大模型](https://stanleyteams.com/insights/what-is-mcp/): MCP（Model Context Protocol，模型上下文协议）是连接 AI 应用与外部数据、工具的开放标准。本文解释 MCP 的架构（主机、客户端、服务器）、它解决的问题，以及企业把 ERP、知识库等系统通过 MCP 接给大模型时需要注意的安全问题。（作者：Matrix） ### FDE 方法论 - [什么是 FDE（前沿部署工程师）？企业 AI 为什么需要它](https://stanleyteams.com/insights/what-is-fde/): FDE（Forward Deployed Engineer，前沿部署工程师）是驻扎在客户现场、用真实数据把软件做进业务的工程师。本文解释 FDE 的来历、职责、与普通研发的区别，以及它为什么适合企业 AI 落地。（作者：Stanley） - [FDE 与外包、咨询、SaaS 有什么不同？企业 AI 采购怎么选](https://stanleyteams.com/insights/fde-vs-outsourcing-consulting-saas/): 企业上 AI 项目时，常在外包开发、管理咨询、采购 SaaS 和 FDE 模式之间犹豫。本文从责任对象、交付物、计费方式、适用场景四个维度对比，帮助企业判断哪种方式适合自己。（作者：Stanley） - [FDE 交付四步法：场景对齐、共建上线、生产运营、复用扩展](https://stanleyteams.com/insights/fde-delivery-process/): 一个企业 AI 项目从立项到规模化，如何用四个阶段和三道指标门槛控制风险？本文介绍 Stanley Team 的 FDE 交付闭环：场景对齐、共建上线、生产运营、复用扩展。（作者：Matrix） - [企业 AI 落地的六道坎：从场景定义到业务采用](https://stanleyteams.com/insights/enterprise-ai-six-barriers/): 企业 AI 项目为什么常常停在演示阶段？本文总结落地过程中最常见的六道坎：场景没定义、数据是烟囱、老系统接不上、验收口径错、业务不采用、边界不清，并给出每一道坎的工程对策。（作者：Ming） - [企业 AI PoC 怎么验收？用真实资料建评测集，把指标写进门槛](https://stanleyteams.com/insights/ai-poc-acceptance-metrics/): 企业 AI 项目的 PoC（概念验证）应该怎么设计和验收？本文讲清评测集怎么建、常用指标（命中率、引用率、准确率、耗时）怎么定义，以及如何避免“演示很好、上线不行”。（作者：马振源（Miles Ma）） - [企业 AI 从哪里切入？用四个问题筛选第一个场景](https://stanleyteams.com/insights/where-to-start-enterprise-ai/): 传统企业第一次做 AI，应该从哪个场景开始？本文给出一套场景筛选方法：看痛点是否真实、指标能否写清、数据是否可得、风险是否可控，并列出制造、办公、安全生产等常见的起步场景。（作者：Ming） ### 行业方案 - [制造业 AI 落地场景全景：从研发设计到生产经营](https://stanleyteams.com/insights/manufacturing-ai/): 制造企业能用 AI 做什么？本文按研发设计和生产经营两条主线，梳理 CAD 设计助手、3D 转 2D 出图、BOM 自动录入 ERP、ERP 经营洞察、CNC 编程助手和视觉质检等场景，并说明每个场景中 AI 与确定性程序的分工。（作者：Matrix） - [安全生产视觉 AI：叠加现有摄像头，实现看见、判断、行动、留证](https://stanleyteams.com/insights/safety-production-vision-ai/): 安全生产视觉 AI 如何落地？本文介绍在不更换前端摄像头的情况下，用边缘识别加中心大模型复核的方式，识别叉车超速、危险区域闯入、未戴安全帽等风险，并通过声光告警、责任人推送和证据链存档形成闭环。（作者：马振源（Miles Ma）） - [金融行业 AI 智能体：贷后监测、信用事件、研报预审与证据链](https://stanleyteams.com/insights/finance-ai-agents/): 金融机构如何安全地使用 AI 智能体？本文介绍贷后监测、债券信用事件监测、研报一致性与合规预审、财务经营分析等场景，以及身份权限、项目隔离、审计哈希链和“数字来自确定性引擎”等金融级设计原则。（作者：Seven） ### 安全与部署 - [大模型私有化部署：本地、专属云与混合部署怎么选](https://stanleyteams.com/insights/private-llm-deployment/): 企业为什么要私有化部署大模型？本文对比本地私有化、专属云和混合部署三种方式，介绍模型选型、推理框架、算力规划和“外部接口一键禁用”等关键设计，帮助企业在数据安全与成本之间做取舍。（作者：黄祯荣（Wing Huang）） - [信创环境下的企业 AI：国产开源大模型、国产数据库与离线部署](https://stanleyteams.com/insights/xinchuang-open-source-llm/): 什么是信创？在信创要求下建设企业 AI 平台需要注意什么？本文介绍信创产业的构成，以及国产开源大模型、国产数据库、ARM 架构服务器和离线安装包等关键适配点。（作者：黄祯荣（Wing Huang）） - [让员工零安装用上 AI：把企业 AI 接入企业微信、飞书和钉钉](https://stanleyteams.com/insights/ai-in-wecom-feishu-dingtalk/): 企业 AI 上线后没人用，往往是因为入口不顺手。本文介绍如何把知识库问答、办公助手、视觉质检等 AI 能力接入企业微信、飞书、钉钉和既有业务软件，做到员工零安装、零培训，同时保证权限和审计。（作者：Seven） - [什么是模型网关？企业 AI 的统一出口、额度管理与全量审计](https://stanleyteams.com/insights/llm-gateway/): 模型网关（LLM Gateway）是企业所有大模型调用的统一入口和出口。本文解释模型网关的作用：鉴权、路由、负载均衡、部门额度、成本入账、内容过滤和全量审计，以及它如何帮助企业防止员工私用外部 AI 带来的泄密风险。（作者：黄祯荣（Wing Huang）） - [企业 AI 安全清单：数据、权限、分权、审计与合规](https://stanleyteams.com/insights/enterprise-ai-security-checklist/): 企业把大模型接进业务之前，应该检查哪些安全问题？本文给出一份可直接使用的企业 AI 安全清单，覆盖数据不出域、权限随原系统、分权审批、全量审计、提示注入防护，以及《生成式人工智能服务管理暂行办法》等合规要点。（作者：黄祯荣（Wing Huang）） ## Optional - [全部文章全文（Markdown）](https://stanleyteams.com/llms-full.txt) - [站点地图](https://stanleyteams.com/sitemap.xml)