不同于标准产品工程师有固定工具链，FDE 的工具栈随客户环境而异——但底层始终是「发现 → 构建 → 评估 → 部署 → 迭代」五层工作流形态。以下按层归类 2026 年主流工具与平台，供从业者与企业选型参考。
资料来源：fde.academy《2026 FDE 工具栈指南》、Stonetusker《FDE 角色·技能·工具》、Palantir 官方 Foundry AI FDE 文档、Awesome-FDE 中文精选清单。FDE 不是"用一套工具"的工种——他们为每个客户选择最契合其基础设施、集成需求与生产环境的工具。
把客户模糊的"痛点描述"转成可落地的技术 brief：范围、架构、交付计划。
方法论结构化捕获痛点、工作流怪癖与术语，让 build / evaluate 层直接引用。
平台像查数据库一样回看往期 discovery session，而非翻旧通话笔记。
知识沉淀动手前先问对问题；与干系人（用户、工程、安全、合规、高管）对齐。
沟通AI 辅助编码已成 2026 标配，显著压缩"理解需求→首版草稿"的时间。
AI 编码多步推理、工具调用、人工交接的编排框架；生产级 Agent 事实标准。
智能体编排一切部署的底座；VPC 网络、IAM、密钥管理——常部署在客户云账号内。
云平台底层工程语言；Python 需写出可被客户工程师继承维护的生产级代码。
编程语言把 AI 能力接入客户遗留、常无文档的系统；流式在很多场景是硬要求。
API 集成并行维护多个客户部署，而非单一 main；靠分支约定 / feature flag 管理发散。
版本控制企业级数据+AI 平台：Code Repositories、Pipeline Builder、Logic、OSDK React、Data Connection。
企业平台RAG 与向量库：分块策略、Embedding 选择、检索调优、重排端到端落地。
RAG / 向量Prompt 工程、工具调用（Tool Use）、上下文管理与速率限制处理。
模型接入针对客户真实数据建测试用例，跑模型/智能体得 pass/fail 或分级信号，再上生产。
评估框架LLM 输出非确定性，无法用固定期望值断言；需编码"什么算正确"。
Eval 实践在 Foundry 中对函数 / 变换做评估，闭环验证 AI FDE 自身改动。
平台内评估部署托管平台，让代码可靠跑起来，无需手管每一层基础设施。
托管部署容器与 IaC；金融/医疗客户常强制数据不出 VPC，倒逼自管 K8s + Terraform。
容器 / IaCK8s 现代化、GitOps、服务网格与合规发行版——企业落地标配。
K8s 生态可观测性关键；客户生产环境出事时 FDE 通常是被呼叫的人。
可观测指标、看板与日志；Elastic Stack、OpenTelemetry 补全全栈遥测。
可观测CI/CD 与发布自动化；Azure DevOps、Ansible 补全企业流水线。
CI/CDPrompt 版本与遥测，捕捉随数据/用法漂移的表现，用数据支撑改动而非猜测。
Prompt 遥测产品分析，把技术表现连到真实使用；eval 好但没人用，仍是失败。
产品分析Palantir 范式：现场定制沉淀为可复用产品能力，反馈回核心研发。
反馈闭环具体工具名两年后可能大不相同（这几乎是所有快速演进技术角色的常态）。真正不变的，是这五层的底层结构：永不停止的发现、从第一天就假设 Agent 与 Eval 的构建、替代传统 QA 的评估、逐客户隔离的部署、把现场学习喂回产品的迭代。吃透这个形态，无论公司标准化哪套具体工具，上手都只是几天而非数月。