本书培养的角色
市场发明新职位名称的速度，已经超过了它定义这些名称的速度。 这些名称大多是同一门学科在不同深度上的样子，也就是本书所教的那门学科。下面就是这张地图，以及本书究竟把你带到离每个角色多近的地方。
这里我们定义新一代 agentic AI 时代的角色，也就是那些因为公司开始制造、运行并治理 AI Worker 而出现的工作。这些条目按照工作实际聚集的方式排序，每个角色旁边的结论是一句诚实的范围说明：本书把你带到离它多近，以及从哪里开始由认证路径接手。结论比名称更重要。本书在哪里停下，就会明说在哪里停下。
本书在通用 agent 使用的两种模式上都做训练。模式 1 是用通用 agent 把自己的工作做得更快，这是每个读者都需要的熟练度，而不是一个职位名称。模式 2 是制造替你完成工作的 AI Worker，职位名称就活在这里。下面这张地图先从模式 1 的基线讲起，再转向模式 2 的角色，而它们几乎就是这张地图的全部。
对这套词汇（Digital FTE、SKILL.md、Agent Factory）还很陌生？先从论纲和术语表读起；本页默认你已经读过它们。
整张地图一目了然：核心流水线、什么在扩展和支撑它、本书在哪里停下，以及托底这一切的基线。
人人都从这里出发的基线
模式 1 实践者，不是头衔，而是一种熟练度。 在你制造任何 Worker 之前，你先用通用 agent 把自己的工作做得更快：推理、写作、编码、分析、规划、交付一个结果，然后结束这次会话。这就是模式 1，本书为每个人训练它，工程师通过 Claude Code 或 OpenCode，领域专家通过 Claude Cowork 或 OpenWork，全都遵循《通用 agent 问题解决七项原则》。它是每个读者走向下面模式 2 角色之前都要走的入口坡道，它让你在自己已有的岗位上更敏锐，而不是塞给你一个新岗位。这是人人脚下的地板，不是你持有的头衔。
通才核心
这些核心角色作为一条流水线运行，从意图到生产：结果架构师（要什么）→ Digital FTE 构建者（构建）→ AI-Native Company 架构师（系统）→ 云 AI 工程师（运行）。在你自己的公司里跑这条线，它就是这四个角色；在客户的公司里跑，由一名嵌入式、厂商中立的工程师端到端扛起，它就是前置部署工程师。地图上其余的一切，都在支撑、扩展或界定这条线。
四个角色在你自己的公司里跑这条线；一名嵌入式工程师在客户的公司里扛起同一条线。
结果架构师：拥有意图，而不是执行。 agent 时代的工作分成三部分：意图、执行、验证。Worker 拥有执行，这个角色拥有意图。它决定一个 Worker 应该达成什么，撰写把目标钉死的 spec，定义什么叫「正确」，并优先排序到底先构建哪些 Worker，也就是在构建者回答怎么做之前回答做什么和为什么的那个人。策略师路径拥有面向客户的需求发现和 ROI，结果架构师则拥有内部的 Worker 路线图和它背后的 spec。本书直接训练这一点：规范驱动开发的本质，就是把一个 Worker 可以被问责的意图写出来这门学科。本书训练它，它是整套方法所依托的学科。
Digital FTE 构建者：作为单元的产品，端到端构建。 市场把这叫 AI 工程师，这是它对「用 AI 组件构建应用、驱动 AI 编码 agent」的人的统称。本书的命名更锋利，因为你构建的东西也更锋利：那个 Digital FTE，也就是整个公司由它组装而成的单元。这是本书的首要毕业生。它训练完整的脊柱：规范驱动开发、SKILL.md 撰写、agent 架构、工具与 MCP 接口、评测，以及人类监督，附带足够的部署能力把东西交付出去，更深的部分则留给云 AI 工程师。本书训练它，端到端。
AI-Native Company 架构师：设计公司，而不是单个 Worker。 整个企业，包括双层模型、管理层、劳动力、在两者之间承载事件的神经系统，以及这一切所依托运行的记录系统。Agent Factory 是这位架构师所实践的过程，AI-Native Company 是他们交付的产物。本书是它的权威来源。为期五个季度的认证 Agentic AI 架构师项目是它的资质凭证。完整训练；由架构师路径认证。
云 AI 工程师：在生产环境中运行 AI Worker 和 AI-Native Company 的那个人。 构建一个 Digital FTE 是工作的一半；可靠地运行它是另一半，运行它所属的整个 AI-Native Company 同样是。AI-Native Company 架构师设计这个企业，这个角色则运营它：在真实云基础设施上部署并扩展 Worker、管理层和神经系统，用 Azure Container Apps 来交付，用 Inngest 实现 durable execution，用 Dapr 和 Kubernetes 来扩展。系统正是在这里不再是原型，而成为一家组织可以依赖的公司。本书训练它，端到端。
只有本书才训练的两个角色
作为技能作者的领域专家：市场还没命名的角色。 那位把判断编码进 SKILL.md、从而成为某个 Digital FTE 知识引擎的会计师、律师或供应链专家。大多数市场清单漏掉这个角色，因为它们仍然把 AI 工作想象成只有工程才算。本书把领域判断本身当作可以撰写、测试并部署的东西。它是只有本书才训练的两个角色之一。本书完整训练它：判断进去，可工作的 agent 出来。
前置部署工程师（FDE）：市场找不到的厂商中立版本。 Palantir 开创了 FDE；AI 厂商如今正在复兴它，把工程师嵌入客户组织，让 agentic 工作流贴合客户的现实。那一半技术工作就是 Agent Factory 的工作，本书完整训练它。转折点在于厂商中立。正如吴恩达在 《The Batch》中指出的，客户很难找到不绑定单一厂商的 FDE，因为这个角色的存在本就是为了把某个厂商的产品深深接进公司。这会侵蚀日后切换的自由。本书的方法不绑定任何厂商，所以它培养出市场屡屡找不到的那种 FDE，并保留那份可选择性。这是只有本书才训练的第二个角色。这份工作的另一半属于认证 Agentic AI 业务策略师路径，而不是本书核心：客户需求发现、优先级排序、ROI 框定，以及面对不切实际的要求时敢于回推的纪律。本书训练技术核心；咨询那一层活在策略师路径里。
支撑角色
评测工程师：验证专家。 在这里，验证不是事后补救，而是一条生存标准。核心课程，不是附加项。
AI 治理官：撰写劳动力运行所遵循的规则。 每个 AI Worker 都运行在一个权限边界之内：它可以独立决定什么、什么必须上报、什么绝不能碰。这个角色在制度层面写下这个边界：风险分级、上报与审批政策、审计与责任规则，以及到公司必须对其负责的对象之间的映射，比如银行里的模型风险和公平放贷，其他场景里的数据驻留。AI-Native Company 架构师构建强制执行边界的机制，治理官则决定边界该说什么。Digital FTE 监督人对一个已部署的 Worker 负责，治理官则设定每个 Worker 和每位监督人都在其中工作的规则。本书直接训练这门框架学科；你所在行业的具体法规，是你自己带来的输入。本书训练治理框架；你所在司法辖区的规则由你自己提供。
Digital FTE 监督人：逐个 Worker 负责到底的那个人类。 那个为一个已部署的 AI worker 担起问责的人类：人在回路、审查者，以及审计轨迹指向的那个名字。它是操作者的工作被做成一个头衔：运行这份工作，而不是构建这个 worker。本书训练它。
本书刻意停下的地方
LLMOps 工程师：到模型为止，但不包括模型本身。 在生产环境中运行 agent 是云 AI 工程师的工作，本书训练它。本书也亲手训练微调，但把它当作最后手段，而不是默认选项。一次微调会把你的系统绑定到某个模型快照上，并付出整套方法所守护的可选择性，所以只有当提示词、上下文、工具和检索确实都不够用时，你才会动用它。硬性的停止点是构建模型本身：从零预训练一个基础模型仍然不在范围内，因为这项能力正在商品化。本书训练微调和围绕模型的运维，但不训练基础模型的构建。
Harness 工程师：你使用的运行时，而不是你构建的运行时。 harness 是 agent 运行时，比如 OpenAI Agents SDK、Claude 的 managed agents 之类，它运行 agent 循环、管理状态、执行工具调用。本书训练你流畅地使用它们，并在它们之间保持可移植，因为你的学科会比任何一种最终胜出的运行时活得更久。构建运行时本身不是这份工作。本书训练使用任何运行时的操作者，而不是构建运行时的工程师。
AI 数据工程师：面向 agent 的数据层。 记录系统这部分工作触及面向 agent 的数据层：Postgres、pgvector，以及作为 agent 读取脊柱的 MCP。经典的流水线和数仓工程与之相邻，但不在中心。本书训练面向 agent 的数据层，而不是通用数据工程。
模式就是线索。agent 时代把工作扇形展开成许多角色，而不是一个：构建 Worker，运行并治理它们，教会它们判断。这张地图才是重点：找到你已经站在哪里，以及本书能从那里把你带多远。