AI4S 的最后一公里，
不是部署，而是定义任务

产品在线上证明“能做什么”；科研 FDE 进入现场，回答“在这个机构里，哪件事值得做、如何验收、如何进入采购”。

为什么通用产品无法直接完成这件事

科研机构采购的不是一句“更智能”，而是某个具体任务能否在现有数据、权限、设备和责任体系中稳定完成。自然语言处理实验室关注语料、评测集和复现实验；材料实验室关注仪器数据、样品条件、SOP 与实验成功判据。相同的模型能力，进入不同现场后会面对完全不同的边界。

这些边界大量存在于研究人员的隐性经验中，也分散在文件、数据库、代码、设备和审批流程里。只交付一个通用聊天界面，无法让它们自动变成可执行工作流。

科研 FDE 的五步闭环

1. 找到高价值任务。 从一件频繁、耗时、可验证的具体科研工作开始，而不是从“大而全平台”开始。
2. 还原真实工作流。 记录输入、判断点、工具调用、人工审批、失败分支和交付格式。
3. 定义数据与知识边界。 明确哪些数据可用、是否出域、哪些规则进入系统、哪些判断必须由专家保留。
4. 配置领域 Loop / Harness。 连接 Idea Network、机构私有数据、模型、Research Claw、专业工具和人工回路。
5. 用真实任务验收。 以准确性、可追溯性、时间成本和可复用性形成验收指标，再进入采购方案与预算。

FDE 如何形成长期壁垒

一次交付的价值不只是一项任务跑通。研究材料、领域本体、工具适配、人工校准和任务轨迹会沉淀为可复用的组织知识。下一次相似任务不必从零开始，产品也能从真实调用中知道 Agent 在哪里卡住、专家在哪一层介入、哪些证据真正改变了方向。

这就是 FDE 与 Idea Network 的闭环：现场把隐性知识和真实任务带回基础设施，基础设施再以更低成本支持下一次现场交付。

当前公开进展

截至 2026 年 8 月，科研 FDE 已进入华北一所省属高校的自然语言处理实验室、华东一所理工类高校的材料物理实验室、华东一所应用型高校的材料工程实验室开展领域共建；华北某技术创新机构与华北一所理工类高校提供试点及合作入口。

这些进展覆盖自然语言处理、材料物理与材料工程，也为后续试点和联合验证建立了入口。