# 服务两家竞争客户，经验可以带走，数据必须留下

> 同时服务竞争对手的 FDE，要把边界写进代码和合同，单靠记性迟早会出事。

原文: https://fdetimes.net/zh/guides/client-confidentiality-competing-customers-fde/

设想一位前线部署工程师（FDE），某个周一在连锁餐饮品牌 A 的办公室里，收尾一套系统：核对收银（POS）终端和外卖平台之间的营收。

三周后，销售宣布来了新客户：连锁品牌 B，A 的直接竞争对手，要的东西一模一样。B 在启动会上问的第一个问题，很可能就是：“A 是怎么做的？”

正确的回答是：不能说。但不说不等于从零开始。如果每个项目都得推倒重来，FDE 不过是一个昂贵的顾问。可一旦带错了东西，公司可能同时失去两家客户。

关键在于把经验和数据分开，而且这种分隔不仅要在脑子里完成，还要落实在代码和合同里。

## 道德的界线其实很窄

安全顾问 David Mortman 给出了同时服务两家竞争企业的基本规则：未经许可，绝不向一家客户透露另一家客户的任何信息。在他看来，同时接两家对手的活是可以的，前提是没有任何信息从一边流到另一边。

规则很简单，但对 FDE 来说比对顾问更难遵守。Palantir 把产品工程师描述为“一种能力，多个客户”，把 FDE 描述为“一个客户，多种能力”。

FDE 深度服务单一客户，接触的是对方的真实数据。据 The Pragmatic Engineer 介绍，这些数据往往敏感且属于专有信息，有时还位于物理隔离的环境中。

与此同时，FDE 的价值又在于把在一家客户那里学到的东西反馈回产品。在 OpenAI，为某个客户做的语音模型改进，后来让 Realtime API 和所有其他客户都受益。所以问题在于：如何让经验流动，同时让秘密留在原地。

## 谁拥有什么：先读合同，再看代码

第一步是读合同，然后才打开编辑器。Databricks 的 Martin 指出，要让工作成果可以复用并回流到产品，知识产权（IP）必须归厂商所有。同一篇文章也明确，用客户数据训练的定制模型归客户所有。

由此分出三类。厂商拥有的通用代码和模式可以带走。数据、业务配置以及包含 A 具体细节的提示词归 A。用 A 的交易数据微调的模型同样归 A，即使训练管道是你写的。

Alteryx 的 Irudayaraj 描述的正是连锁餐饮对账这个场景：做一次，之后的客户不再重做。这里复用的是模式，客户的数据一条也没有带走。

## 靠结构隔离，而不是靠记性

即使出发点再好，检索增强生成（RAG）Agent 也可能泄露信息：只要在回答 B 的问题时检索到一段 A 的上下文就够了。Wolfia 介绍了一种防御模式：每一次 AI 请求都必须限定在单一客户范围内，提示词和检索到的上下文都是如此。

租户过滤内置在数据访问层，每次查询都必须经过它，而不是指望开发者记得加上。每次发布还要运行测试，检查租户之间的隔离。

放到对账项目里，代码大致如下：

```python
class TenantScopedRetriever:
    """每次检索都锁定在一个租户上，没有任何绕过的途径。"""

    def __init__(self, store, tenant_id: str):
        if not tenant_id:
            raise ValueError("必须提供 tenant_id")
        self._store = store
        self._tenant = tenant_id

    def search(self, query: str, k: int = 5):
        # 过滤在这里统一施加，而不是留给调用方去记
        return self._store.search(query, k=k, filter={"tenant_id": self._tenant})


def test_no_cross_tenant_leak(store):
    store.add("September revenue discrepancy rate", tenant_id="chain_a")
    b = TenantScopedRetriever(store, "chain_b")
    assert all(d.tenant_id == "chain_b" for d in b.search("revenue discrepancy"))
```

关键在于，Agent 永远拿不到原始存储，只能拿到一个已经锁定租户的检索器。把这个测试放进持续集成（CI），这样仓促的重构就无法悄悄去掉过滤。

## 写出老客户认不出自己的经验卡片

代码层只解决了一半问题。另一半在你的脑子里，以及你留给团队的笔记里。离开项目 A 之前，写好经验卡片，然后逐行重读，问自己：如果 A 的 CTO 读到这些，能认出自己的公司吗？

| 项目 A 结束后的原始笔记 | 可以带走的经验卡片 |
|---|---|
| A 九月的结算文件和 POS 对不上，因为外卖平台关账晚了 | 外卖平台的结算文件经常延迟关账，应按订单 ID 加金额容差对账，而不是按日期 |
| A 的会计只信早上 6 点导出的报表 | 尽早问清谁签字确认数字，以及他们信任哪个数据源 |
| few-shot 提示词用了 A 的 20 笔真实交易 | 提示词结构；示例必须用合成数据重写 |

左列包含日期、内部习惯和真实数据，不能离开项目 A。右列是任何行业都会遇到的模式。只有这一列可以进入共享 wiki、模板，或者提给产品团队的工单。

**要点:** 带走解决问题的方法，留下给出答案的数据。

## 开始服务客户 B

当 B 问“A 是怎么做的”时，准备好回答：“我不会透露其他客户的任何信息，就像我也不会把你们的信息告诉任何人。我带来的是一套经过验证的方法。”这句话本身，就是 B 信任你的理由。

如果想复用处于灰色地带的内容，比如案例研究，就按 Mortman 的规则，书面征得 A 的许可。

通用化的部分应当回到产品里，变成 Palantir 描述产品工程师工作时所说的“一种能力，多个客户”。

到了这一步，你不再需要随身携带这条经验，因为它已经变成了一项功能。

还有一步常被跳过：检查技术栈里每个第三方工具的训练政策。HubSpot 的文档写明，部分模型会用多个客户账户的数据训练，而选择退出只从退出那一刻起生效。

对这类工具来说，退出无法撤回已经用于训练的数据。在第一天、加载任何真实记录之前就把这个问题定下来。

## 四个常见错误

最常见的错误，是把边界当成个人自律问题。如果每次查询都要手动加 `tenant_id`，迟早会有一次漏掉。只要架构允许泄露，总有一天会泄露。

第二个错误是用轶事来推销，比如“业内某家大型连锁就是这么做的”。在只有寥寥几家竞争者的市场里，这样一个细节就足以让对方猜出是谁。

第三个错误是把 A 的微调模型或 few-shot 示例集带到 B，而据 Insight Partners 的说法，用 A 的数据训练的模型归 A 所有。第四个错误是以为选择退出能抹掉过去。

## 把这项能力变成求职优势

介绍过往项目时，要展示你如何把方案通用化，同时不暴露客户。

在简历上，像“为 RAG Agent 构建租户隔离的数据访问层，并在 CI 中加入跨租户测试；将对账模式封装为跨客户使用的模块”这样的描述，比“具有安全意识”具体得多，也更容易核实。

阅读岗位描述时，留意 multi-tenant、data isolation 或 “feed learnings back to product” 这类表述，它们很可能说明公司正需要这项能力。面试中被问到过往项目时，用经验卡片的语言来讲。讲述方式本身就证明了你懂得守住界线。

客户 B 永远不会知道 A 教会了你什么。A 那里唯一允许到达 B 的是方法，而 B 只能从一个事实中看到它：自己的项目不必从零摸索。

**本周动手试试:**

- 挑一个过去的项目，写三张经验卡片，交给一位没参与过该项目的同事，看对方能否猜出客户是谁。
- 在当前代码库里找一处没有租户过滤的向量库或数据库查询，再写一个跨租户测试把它拦下来。
- 打开当前客户的合同或工作说明书（SOW），标出有关知识产权和模型训练权利的条款。

## 信源

- [The Pragmatic Engineer: Forward Deployed Engineers](https://newsletter.pragmaticengineer.com/p/forward-deployed-engineers)

- [What are the ethical issues when consulting for two competing companies?](https://www.techtarget.com/cybersecurity/answer/What-are-the-ethical-issues-when-consulting-for-two-competing-companies)

- [Demystifying the forward deployed engineer (Insight Partners)](https://www.insightpartners.com/ideas/forward-deployed-engineers/)

- [What measures prevent AI from leaking data between customers (Wolfia)](https://wolfia.com/security-questionnaire-questions/what-measures-prevent-ai-from-leaking-data-between-customers)

- [HubSpot machine learning data](https://knowledge.hubspot.com/account-management/hubspot-machine-learning-data)
