客服热线：
手机版
二维码
培训时间/地点：2026年11月4~5日（星期三 ~ 星期四）/上 海（两天一晚）
收费标准：￥5500/人
含授课费、证书费、资料费、午餐费、茶点费、会务费、税费
不包含学员往返培训场地的交通费用、住宿费用、早餐及晚餐
证书：
如需颁发上海市人工智能技术协会认可证书，需单独支付证书费用RMB 200/张。
课程定位：
智能体FDE实战工作坊面向希望在企业场景中快速识别问题、设计方案、构建原型、完成部署并推动智能体落地的技术与业务骨干。FDE（Forward Deployed Engineer，前线部署工程师）是连接客户现场、业务问题、AI 技术能力与产品交付的复合型工程角色，课程强调“真实场景、快速交付、可验证价值”。
课程目标：
掌握 LLM、Agent、Workflow、RAG、MCP、Skill、知识库和企业级集成的基本工程方法。
拉通 Prompt Engineering、Context Engineering、Harness Engineering，到 Loop Engineering 和 Graph Engineering 的智能体应用主线。
理解 FDE 的角色边界、能力模型与典型工作方式。
掌握客户现场问题发现、需求澄清、业务流程拆解与价值判断方法。
学习使用 AI 编程智能体完成需求分析、方案设计、原型开发、测试与文档生成。
完成一个面向真实业务场景的 AI 应用原型，并形成可交付的部署方案与演示材料。
建立从 Demo 验证到试点上线的交付意识，包括安全、权限、评估、运维、培训与验收。
参训对象：
企业数字化、信息化、智能化转型相关负责人。
有 AI 应用落地、智能体开发、知识库建设需求的工程师、产品经理、解决方案顾问。
面向客户现场交付、售前技术支持、实施部署、数据分析、工业场景数字化的相关从业者。
希望从传统开发角色转向 AI 时代智能体FDE、解决方案工程师、AI 应用工程师的人群。
授课形式：
知识讲解、案例拆解、现场工作坊、分组实战、AI 编程演示、角色扮演、方案评审、Demo Day 汇报。课程强调学员参与，每个小组围绕一个业务场景完成端到端交付物。
课前准备：
学员可提前准备一个真实或模拟业务场景，例如：售后知识库问答、设备巡检助手、合同审查助手、生产异常分析、客户服务工单助手、企业内部制度问答等。
必须携带电脑，并提前准备可使用的 AI 编程工具或 API 环境。
课程产出：
一份 FDE 现场调研与需求澄清表。
一份业务流程与痛点地图。
一份客户场景本体（Ontology）与知识库设计方案。
一份智能体能力匹配表。
一份智能体应用 Harness 架构图。
一个可演示的 Agent / RAG / Workflow / MCP / Skill 原型。
一组基本测试用例与效果评估指标。
一份 Loop 迭代记录。
一份 Graph Engineering（多智能体编排）与多智能体协作图。
一份 Demo 验证包与产品 Demo 成果清单。
一份部署交付清单与试点上线计划。
一份面向客户或管理层的 Demo 汇报稿。
总体日程：
课程大纲：
第一天上午：AI 编程基础与智能体FDE认知
模块一：智能体FDE思维方式 - 从 AI 编程基础到前线交付
1.1 AI 编程基础：建立人机协作的开发方式
课程导入：明确两天一晚的学习路径、分组任务、最终成果与评价方式。
AI 编程基础：理解 AI 编程与传统编程的区别，以及 AI 编程智能体的基本工作方式。
工具使用入门：使用 Cursor、Claude Code、Codex、Trae 等工具完成代码理解、任务拆解、代码生成与问题修复。
任务拆解方法：把业务需求拆成 Spec、任务清单、接口、数据结构和测试用例。
人机协作原则：AI 负责探索与生成，工程师负责判断、验证、审查和交付。
小练习：通过一个简单任务完成“描述需求 - 生成代码 - 运行测试 - 修正结果”的最小 AI 编程闭环。
1.2 FDE 的工程认知：明确角色边界与工作闭环
FDE 与软件工程师、售前工程师、解决方案架构师、实施顾问、产品经理的区别。
FDE 的核心工作闭环：发现问题、定义价值、设计方案、快速构建、现场部署、验证效果、推动扩展。
企业 AI 项目中的常见失败原因：需求不清、数据不可用、系统接不通、评估缺失、上线没人用。
FDE 的关键判断：什么值得做、什么能快速做、什么必须先验证。
1.3 智能体应用基础能力地图：建立智能体技术全景认知
LLM：上下文、推理、结构化输出、多轮对话与模型能力边界。
Agent：目标、规划、工具调用、记忆、反馈与执行控制。
Workflow：确定性流程、审批节点、人工介入与业务规则编排。
RAG 与知识库：让智能体基于企业知识回答和行动。
MCP 与企业系统集成：连接数据库、文档系统、工单系统、CRM、ERP、搜索与报表工具。
Skill：把可复用任务封装成稳定、可调用、可测试的能力单元。
1.4 智能体工程主线：理解从模型能力到应用交付的路径
Prompt Engineering：让模型稳定理解任务、角色、格式与判断标准。
Context Engineering：把业务背景、数据、约束、历史记录、工具说明组织进上下文。
Harness Engineering：把模型、工具、数据、权限、日志、评估包装成可运行应用。
Loop Engineering：通过“执行 - 观察 - 反馈 - 修正”的循环持续提升智能体应用质量。
Graph Engineering：用状态、节点、边和共享数据表达智能体执行路径与多 Agent 协作。
1.5 现场问题发现方法：形成可验证的问题定义
客户现场访谈：对象、问题、证据、约束、决策链。
业务流程拆解：输入、处理、输出、异常、系统、人员、指标。
痛点优先级判断：高频、高价值、高风险、可验证、可集成。
从“客户说想要 AI”转化为“明确可交付问题”。
上午实战：智能体FDE现场调研模拟，产出调研卡与能力匹配表
分组选择一个业务场景。
通过角色扮演完成客户访谈。
输出《现场调研卡》：业务目标、当前流程、关键痛点、数据来源、系统边界、成功指标。
输出《智能体能力匹配表》：判断该场景需要 LLM、Agent、Workflow、RAG、MCP、Skill 中的哪些能力。
讲师点评：需求是否足够具体、价值是否可验证、技术路径是否可落地。
第一天下午：客户场景本体建模、知识库与智能体方案设计
模块二：客户场景本体建模、知识库与智能体方案设计 - 从业务语义到 Harness 架构
2.1 客户场景本体建模（Ontology Modeling）：明确业务对象、关系与规则
本体（Ontology）建模基础：理解业务领域中的实体、属性、关系、事件、规则、角色与动作。
客户场景拆解：识别客户、组织、设备、产品、工单、文档、指标等核心业务对象。
关系与流程表达：描述对象之间的关联、状态变化、上下游关系和关键业务路径。
规则与约束沉淀：明确权限、审批、判断条件、异常处理和业务边界。
从 Ontology 到方案：将业务语义映射为智能体、Workflow、知识库和工具调用能力。
2.2 场景 Ontology 驱动的知识库设计：组织企业知识并支撑智能体记忆
知识源识别：制度文档、设备手册、工单记录、FAQ、合同、报表、会议纪要和业务数据库。
知识加工流程：采集、清洗、切片、结构化、元数据标注、向量化与索引。
Ontology 与知识库结合：用业务对象、标签、关系、状态和权限增强知识组织与记忆检索。
RAG 基础原理：召回、重排、生成、引用和拒答。
知识库质量要求：答案可信度、引用溯源、权限控制、知识更新和版本管理。
LLM-Wiki / 文档化知识库思路：把知识库建设与组织知识沉淀结合起来。
2.3 基于 Ontology 与知识库的 Prompt 与 Context 设计：让智能体理解业务语义
任务提示词设计：角色、目标、输入、输出、约束、评价标准。
上下文分层：业务对象、对象关系、流程状态、历史记录、知识片段、工具返回结果。
Ontology 与知识注入上下文：将实体、属性、关系、规则和检索结果转化为模型可理解的业务上下文。
结构化输出：让智能体输出表单、JSON、报告、工单、邮件、分析结论。
失败样例处理：通过反例、边界条件和评估标准提高稳定性。
2.4 基于场景 Ontology 的工具调用、MCP 与 Skill 设计：让智能体完成业务动作
工具调用：让 AI 从“回答问题”走向“执行任务”。
MCP：作为企业系统、数据源、工具与大模型之间的连接器。
常见集成对象：数据库、工单系统、CRM、ERP、文件系统、邮件、日历、搜索、报表工具。
Skill 设计：围绕业务对象和业务动作，把文档处理、查询、分析、生成、审批、通知等动作封装为可复用能力。
工具边界设计：明确每个工具作用于哪些对象、需要哪些权限、产生什么结果。
FDE 的集成判断：先接什么、后接什么、如何降低上线阻力。
2.5 AI 编程智能体辅助开发：把 Ontology 与方案快速转化为原型
使用 Cursor、Claude Code、Codex、Trae 等编程智能体进行需求拆解、代码生成、测试补齐与文档生成。
将场景 Ontology 转化为数据结构、接口定义、Prompt 模板、工具 Schema 和测试数据。
Skill 开发思路：把可复用任务封装为最小能力单元。
规格化编程：用 Spec、任务清单、接口说明、测试用例约束 AI 输出。
自动生成交付文档：架构说明、API 文档、测试用例、部署说明、用户手册。
下午实战：构建客户场景 Ontology 与智能体方案骨架：完成业务语义到应用架构的映射
根据上午的业务场景，设计一份解决方案架构。
绘制客户场景 Ontology：业务对象、属性、关系、状态、规则、角色和关键动作。
规划知识库：明确知识来源、文档分类、元数据、切片方式、权限和更新机制。
明确原型能力：用户入口、Prompt、上下文来源、知识库、工具调用、业务流程、输出格式。
将 Ontology 对象映射到知识库、工具、Skill、Workflow 和 Agent 能力。
画出 Harness 架构：模型、应用层、工具层、数据层、权限与日志。
使用 AI 编程工具生成第一版应用骨架。
输出《客户场景 Ontology 与知识库设计卡》和《方案设计卡》：业务对象、关系规则、知识来源、检索方式、用户旅程、系统架构、数据流、关键接口与风险假设。
第一天晚上：智能体原型冲刺
模块三：从方案骨架到可演示 Demo
3.1 夜间冲刺目标：锁定可运行 Demo 与次日升级目标
把下午的方案变成可运行、可讲清、可验证的最小 Demo。
每组至少完成一个核心业务闭环，例如：上传文档并问答、调用工具生成报表、根据工单给出处理建议、自动生成客户回复、完成异常分析摘要。
整理第二天上午继续升级所需的问题清单、测试素材和优化方向。
3.2 工作坊任务：完成原型、数据与测试准备
原型开发：补齐核心页面、接口、Prompt、工具调用或知识库检索链路。
数据准备：整理样例文档、样例业务记录、测试问题与标准答案。
测试验证：设计 5-10 个典型问题，检查准确率、引用、格式、稳定性。
演示路径：明确演示对象、业务痛点、操作流程和初步结果。
3.3 讲师巡场辅导：解决技术实现与交付表达问题
技术辅导：Prompt、RAG、工具调用、接口、部署、报错处理。
方案辅导：价值表达、业务闭环、客户视角、验收指标。
工程辅导：如何用 Spec、任务清单和测试用例约束 AI 编程智能体。
第二天升级准备：梳理待补齐的 Demo、评估、部署和汇报材料。
晚间产出：沉淀可继续升级的原型材料
可运行或可半自动演示的业务原型。
Demo 演示路径。
测试问题清单与初步结果。
待解决问题与第二天优化清单。
第二天上午：Loop Engineering、Graph Engineering多智能体编排与企业级交付
模块四：从单点 Demo 到可交付智能体系统
4.1 Loop Engineering 循环工程：建立智能体持续迭代机制
Loop Engineering 的核心闭环：目标设定、任务执行、结果观察、问题定位、策略修正。
将夜间原型的问题转化为可迭代清单：Prompt、Context、工具调用、知识库、代码、测试用例。
用评估结果驱动迭代：准确率、引用可信度、工具调用成功率、响应速度、异常恢复。
用 Spec 和测试用例约束 AI 编程智能体，避免“边改边散”。
建立面向试点上线的迭代节奏：每日问题收集、版本更新、效果复盘、验收记录。
4.2 Graph Engineering 多智能体编排：组织智能体、工具与流程协作
核心抽象：用 State、Node、Edge 和共享数据表达智能体系统的执行状态、处理单元、路由关系和上下文传递。
节点类型：LLM Agent、工具、确定性代码、检索器、评估器、人工审核节点都可以成为执行图中的节点。
基本编排结构：顺序执行、条件路由、并行分发与汇聚、循环重试、异常分支和人工介入。
控制与分工模式：Supervisor / Manager（包括 Magentic）、Router、Handoff、Agents as Tools / Subagents。
执行拓扑模式：Sequential、Concurrent，以及并行分发与汇聚（Fan-out / Fan-in）。
协作对话模式：Group Chat，适用于多视角分析、讨论、评审和共同决策。
模式选择原则：先判断是否真的需要多 Agent，再根据任务依赖、控制权、延迟、成本和可观测性选择协作模式。
协作边界设计：明确每个 Agent 的职责、输入输出、权限、上下文范围、交接条件和终止条件。
状态与可靠性：设计共享状态、消息传递、检查点、断点恢复、超时处理和失败回退。
与 Ontology 的区别：Ontology / 知识图谱描述业务对象与知识关系；Graph Engineering 描述智能体、工具和流程如何执行与协作。
设计原则：复杂任务才引入图式编排，简单任务保持线性 Workflow，避免为了多 Agent 而多 Agent。
4.3 部署工程基础：明确上线环境与运维要求
本地部署、私有化部署、云端部署与混合部署的选择。
企业交付环境：网络、权限、账号、日志、数据源、API Key、模型供应商。
原型到试点的工程差距：稳定性、错误处理、可观测性、备份、版本管理。
交付物清单：部署说明、环境依赖、配置项、运维手册、回滚方案。
4.4 评估与测试：验证效果、路径稳定性与成本
AI 应用评估维度：准确性、完整性、引用可信度、响应速度、鲁棒性、成本。
RAG 测试：召回质量、答案一致性、拒答能力、幻觉控制。
Agent 测试：工具调用成功率、异常恢复、边界条件、长任务稳定性。
Workflow / Graph 测试：节点覆盖、路径覆盖、分支条件、Agent 交接、状态恢复、人工介入节点。
自动化测试：用测试用例驱动 Prompt、Context、知识库、工具链和图结构迭代。
4.5 安全、权限与合规：控制数据、权限与模型风险
数据安全：敏感信息、权限隔离、日志脱敏、数据留存。
模型安全：输入防护、越权访问、提示注入、工具滥用。
企业权限模型：用户身份、文档权限、系统权限、审计记录。
FDE 在现场必须问清的安全问题与红线。
4.6 推动上线与客户成功：推动 Demo 走向试点上线
从 Demo 到 Pilot：试点范围、用户选择、周期、验收口径。
培训与启用：让一线用户真的用起来。
反馈闭环：问题收集、版本迭代、指标复盘。
扩展路径：从单点场景到部门级、企业级平台。
上午实战：将原型升级为可部署、可评估、可运维的智能体方案：完成 Demo 与交付成果包
基于第一天晚上的 Demo，识别原型距离试点上线的关键差距。
完成 Loop 迭代记录：问题、原因、修改动作、验证结果、下一步。
将线性原型升级为 Graph Engineering 方案：画出状态图、任务图或工具图，明确节点、边、共享状态、Agent 交接和人工介入点。
根据业务场景选择合适的多智能体协作模式，并说明为什么采用 Supervisor / Manager、Router、Handoff、Agents as Tools / Subagents、Sequential、Concurrent 或 Group Chat。
补齐评估指标与测试用例，明确离线评估、人工评审和上线后监控方式。
完成 Demo 验证包：验证目标、场景范围、样例数据、测试结果、成功标准和遗留问题。
梳理产品 Demo 产出成果：核心功能、用户入口、关键流程、可复用组件、已知限制和下一版计划。
完成部署架构与环境清单，明确模型、知识库、工具、权限、日志、运维责任。
形成 Demo Day 汇报草稿：业务背景、痛点定义、解决方案、演示路径、价值评估和上线计划。
识别安全、权限、数据、集成和运营风险。
输出《多智能体编排与协作图》及《试点上线计划》：范围、周期、负责人、验收标准、下一步路线图。
第二天下午：Demo Day 与交付复盘
模块五：智能体交付演示与方案评审
5.1 Demo Day 汇报结构：讲清问题、方案、价值与下一步
业务背景：客户是谁，现场发生了什么问题。
痛点定义：为什么这个问题值得解决。
本体设计：如何从业务场景中抽取核心对象、属性、关系、状态、规则与关键动作，并说明这些要素如何支撑知识库与智能体方案。
解决方案：LLM、Agent、Workflow、RAG、MCP、Skill 如何组合工作。
语义到能力的映射：Ontology 如何映射到知识库、Prompt、工具、Skill、Workflow 和 Agent。
工程主线：Prompt、Context、Harness、Loop、Graph 分别解决了什么问题。
协作编排：Graph 如何组织多个 Agent、工具、知识库和人工节点共同完成任务。
演示过程：用真实问题跑通核心业务闭环。
价值评估：节省时间、降低错误、提升响应、沉淀知识或改善体验。
上线计划：试点范围、系统集成、评估指标、风险控制、迭代节奏。
5.2 分组 Demo 与评审：验证方案可行性与交付质量
每组 8 分钟演示，3-5 分钟问答。
评审维度：问题清晰度、智能体架构完整度、Demo 完整度、数据与系统集成考虑、Loop 迭代质量、Graph 编排合理性、多 Agent 协作边界、评估设计、部署可落地性、商业价值表达。
讲师和学员共同给出改进建议。
5.3 FDE 个人能力成长路径：明确技术、业务与交付能力方向
技术能力：LLM、Agent、Workflow、RAG、MCP、Skill、AI 编程、系统集成、测试与部署。
业务能力：访谈、流程分析、指标设计、行业知识、客户沟通。
工程能力：Prompt Engineering、Context Engineering、Harness Engineering、Loop Engineering、Graph Engineering（多智能体编排）。
产品能力：Demo 范围定义、用户体验
收费标准：￥5500/人
含授课费、证书费、资料费、午餐费、茶点费、会务费、税费
不包含学员往返培训场地的交通费用、住宿费用、早餐及晚餐
证书：
如需颁发上海市人工智能技术协会认可证书，需单独支付证书费用RMB 200/张。
课程定位：
智能体FDE实战工作坊面向希望在企业场景中快速识别问题、设计方案、构建原型、完成部署并推动智能体落地的技术与业务骨干。FDE（Forward Deployed Engineer，前线部署工程师）是连接客户现场、业务问题、AI 技术能力与产品交付的复合型工程角色，课程强调“真实场景、快速交付、可验证价值”。
课程目标：
掌握 LLM、Agent、Workflow、RAG、MCP、Skill、知识库和企业级集成的基本工程方法。
拉通 Prompt Engineering、Context Engineering、Harness Engineering，到 Loop Engineering 和 Graph Engineering 的智能体应用主线。
理解 FDE 的角色边界、能力模型与典型工作方式。
掌握客户现场问题发现、需求澄清、业务流程拆解与价值判断方法。
学习使用 AI 编程智能体完成需求分析、方案设计、原型开发、测试与文档生成。
完成一个面向真实业务场景的 AI 应用原型，并形成可交付的部署方案与演示材料。
建立从 Demo 验证到试点上线的交付意识，包括安全、权限、评估、运维、培训与验收。
参训对象：
企业数字化、信息化、智能化转型相关负责人。
有 AI 应用落地、智能体开发、知识库建设需求的工程师、产品经理、解决方案顾问。
面向客户现场交付、售前技术支持、实施部署、数据分析、工业场景数字化的相关从业者。
希望从传统开发角色转向 AI 时代智能体FDE、解决方案工程师、AI 应用工程师的人群。
授课形式：
知识讲解、案例拆解、现场工作坊、分组实战、AI 编程演示、角色扮演、方案评审、Demo Day 汇报。课程强调学员参与，每个小组围绕一个业务场景完成端到端交付物。
课前准备：
学员可提前准备一个真实或模拟业务场景，例如：售后知识库问答、设备巡检助手、合同审查助手、生产异常分析、客户服务工单助手、企业内部制度问答等。
必须携带电脑，并提前准备可使用的 AI 编程工具或 API 环境。
课程产出：
一份 FDE 现场调研与需求澄清表。
一份业务流程与痛点地图。
一份客户场景本体（Ontology）与知识库设计方案。
一份智能体能力匹配表。
一份智能体应用 Harness 架构图。
一个可演示的 Agent / RAG / Workflow / MCP / Skill 原型。
一组基本测试用例与效果评估指标。
一份 Loop 迭代记录。
一份 Graph Engineering（多智能体编排）与多智能体协作图。
一份 Demo 验证包与产品 Demo 成果清单。
一份部署交付清单与试点上线计划。
一份面向客户或管理层的 Demo 汇报稿。
总体日程：
课程大纲：
第一天上午：AI 编程基础与智能体FDE认知
模块一：智能体FDE思维方式 - 从 AI 编程基础到前线交付
1.1 AI 编程基础：建立人机协作的开发方式
课程导入：明确两天一晚的学习路径、分组任务、最终成果与评价方式。
AI 编程基础：理解 AI 编程与传统编程的区别，以及 AI 编程智能体的基本工作方式。
工具使用入门：使用 Cursor、Claude Code、Codex、Trae 等工具完成代码理解、任务拆解、代码生成与问题修复。
任务拆解方法：把业务需求拆成 Spec、任务清单、接口、数据结构和测试用例。
人机协作原则：AI 负责探索与生成，工程师负责判断、验证、审查和交付。
小练习：通过一个简单任务完成“描述需求 - 生成代码 - 运行测试 - 修正结果”的最小 AI 编程闭环。
1.2 FDE 的工程认知：明确角色边界与工作闭环
FDE 与软件工程师、售前工程师、解决方案架构师、实施顾问、产品经理的区别。
FDE 的核心工作闭环：发现问题、定义价值、设计方案、快速构建、现场部署、验证效果、推动扩展。
企业 AI 项目中的常见失败原因：需求不清、数据不可用、系统接不通、评估缺失、上线没人用。
FDE 的关键判断：什么值得做、什么能快速做、什么必须先验证。
1.3 智能体应用基础能力地图：建立智能体技术全景认知
LLM：上下文、推理、结构化输出、多轮对话与模型能力边界。
Agent：目标、规划、工具调用、记忆、反馈与执行控制。
Workflow：确定性流程、审批节点、人工介入与业务规则编排。
RAG 与知识库：让智能体基于企业知识回答和行动。
MCP 与企业系统集成：连接数据库、文档系统、工单系统、CRM、ERP、搜索与报表工具。
Skill：把可复用任务封装成稳定、可调用、可测试的能力单元。
1.4 智能体工程主线：理解从模型能力到应用交付的路径
Prompt Engineering：让模型稳定理解任务、角色、格式与判断标准。
Context Engineering：把业务背景、数据、约束、历史记录、工具说明组织进上下文。
Harness Engineering：把模型、工具、数据、权限、日志、评估包装成可运行应用。
Loop Engineering：通过“执行 - 观察 - 反馈 - 修正”的循环持续提升智能体应用质量。
Graph Engineering：用状态、节点、边和共享数据表达智能体执行路径与多 Agent 协作。
1.5 现场问题发现方法：形成可验证的问题定义
客户现场访谈：对象、问题、证据、约束、决策链。
业务流程拆解：输入、处理、输出、异常、系统、人员、指标。
痛点优先级判断：高频、高价值、高风险、可验证、可集成。
从“客户说想要 AI”转化为“明确可交付问题”。
上午实战：智能体FDE现场调研模拟，产出调研卡与能力匹配表
分组选择一个业务场景。
通过角色扮演完成客户访谈。
输出《现场调研卡》：业务目标、当前流程、关键痛点、数据来源、系统边界、成功指标。
输出《智能体能力匹配表》：判断该场景需要 LLM、Agent、Workflow、RAG、MCP、Skill 中的哪些能力。
讲师点评：需求是否足够具体、价值是否可验证、技术路径是否可落地。
第一天下午：客户场景本体建模、知识库与智能体方案设计
模块二：客户场景本体建模、知识库与智能体方案设计 - 从业务语义到 Harness 架构
2.1 客户场景本体建模（Ontology Modeling）：明确业务对象、关系与规则
本体（Ontology）建模基础：理解业务领域中的实体、属性、关系、事件、规则、角色与动作。
客户场景拆解：识别客户、组织、设备、产品、工单、文档、指标等核心业务对象。
关系与流程表达：描述对象之间的关联、状态变化、上下游关系和关键业务路径。
规则与约束沉淀：明确权限、审批、判断条件、异常处理和业务边界。
从 Ontology 到方案：将业务语义映射为智能体、Workflow、知识库和工具调用能力。
2.2 场景 Ontology 驱动的知识库设计：组织企业知识并支撑智能体记忆
知识源识别：制度文档、设备手册、工单记录、FAQ、合同、报表、会议纪要和业务数据库。
知识加工流程：采集、清洗、切片、结构化、元数据标注、向量化与索引。
Ontology 与知识库结合：用业务对象、标签、关系、状态和权限增强知识组织与记忆检索。
RAG 基础原理：召回、重排、生成、引用和拒答。
知识库质量要求：答案可信度、引用溯源、权限控制、知识更新和版本管理。
LLM-Wiki / 文档化知识库思路：把知识库建设与组织知识沉淀结合起来。
2.3 基于 Ontology 与知识库的 Prompt 与 Context 设计：让智能体理解业务语义
任务提示词设计：角色、目标、输入、输出、约束、评价标准。
上下文分层：业务对象、对象关系、流程状态、历史记录、知识片段、工具返回结果。
Ontology 与知识注入上下文：将实体、属性、关系、规则和检索结果转化为模型可理解的业务上下文。
结构化输出：让智能体输出表单、JSON、报告、工单、邮件、分析结论。
失败样例处理：通过反例、边界条件和评估标准提高稳定性。
2.4 基于场景 Ontology 的工具调用、MCP 与 Skill 设计：让智能体完成业务动作
工具调用：让 AI 从“回答问题”走向“执行任务”。
MCP：作为企业系统、数据源、工具与大模型之间的连接器。
常见集成对象：数据库、工单系统、CRM、ERP、文件系统、邮件、日历、搜索、报表工具。
Skill 设计：围绕业务对象和业务动作，把文档处理、查询、分析、生成、审批、通知等动作封装为可复用能力。
工具边界设计：明确每个工具作用于哪些对象、需要哪些权限、产生什么结果。
FDE 的集成判断：先接什么、后接什么、如何降低上线阻力。
2.5 AI 编程智能体辅助开发：把 Ontology 与方案快速转化为原型
使用 Cursor、Claude Code、Codex、Trae 等编程智能体进行需求拆解、代码生成、测试补齐与文档生成。
将场景 Ontology 转化为数据结构、接口定义、Prompt 模板、工具 Schema 和测试数据。
Skill 开发思路：把可复用任务封装为最小能力单元。
规格化编程：用 Spec、任务清单、接口说明、测试用例约束 AI 输出。
自动生成交付文档：架构说明、API 文档、测试用例、部署说明、用户手册。
下午实战：构建客户场景 Ontology 与智能体方案骨架：完成业务语义到应用架构的映射
根据上午的业务场景，设计一份解决方案架构。
绘制客户场景 Ontology：业务对象、属性、关系、状态、规则、角色和关键动作。
规划知识库：明确知识来源、文档分类、元数据、切片方式、权限和更新机制。
明确原型能力：用户入口、Prompt、上下文来源、知识库、工具调用、业务流程、输出格式。
将 Ontology 对象映射到知识库、工具、Skill、Workflow 和 Agent 能力。
画出 Harness 架构：模型、应用层、工具层、数据层、权限与日志。
使用 AI 编程工具生成第一版应用骨架。
输出《客户场景 Ontology 与知识库设计卡》和《方案设计卡》：业务对象、关系规则、知识来源、检索方式、用户旅程、系统架构、数据流、关键接口与风险假设。
第一天晚上：智能体原型冲刺
模块三：从方案骨架到可演示 Demo
3.1 夜间冲刺目标：锁定可运行 Demo 与次日升级目标
把下午的方案变成可运行、可讲清、可验证的最小 Demo。
每组至少完成一个核心业务闭环，例如：上传文档并问答、调用工具生成报表、根据工单给出处理建议、自动生成客户回复、完成异常分析摘要。
整理第二天上午继续升级所需的问题清单、测试素材和优化方向。
3.2 工作坊任务：完成原型、数据与测试准备
原型开发：补齐核心页面、接口、Prompt、工具调用或知识库检索链路。
数据准备：整理样例文档、样例业务记录、测试问题与标准答案。
测试验证：设计 5-10 个典型问题，检查准确率、引用、格式、稳定性。
演示路径：明确演示对象、业务痛点、操作流程和初步结果。
3.3 讲师巡场辅导：解决技术实现与交付表达问题
技术辅导：Prompt、RAG、工具调用、接口、部署、报错处理。
方案辅导：价值表达、业务闭环、客户视角、验收指标。
工程辅导：如何用 Spec、任务清单和测试用例约束 AI 编程智能体。
第二天升级准备：梳理待补齐的 Demo、评估、部署和汇报材料。
晚间产出：沉淀可继续升级的原型材料
可运行或可半自动演示的业务原型。
Demo 演示路径。
测试问题清单与初步结果。
待解决问题与第二天优化清单。
第二天上午：Loop Engineering、Graph Engineering多智能体编排与企业级交付
模块四：从单点 Demo 到可交付智能体系统
4.1 Loop Engineering 循环工程：建立智能体持续迭代机制
Loop Engineering 的核心闭环：目标设定、任务执行、结果观察、问题定位、策略修正。
将夜间原型的问题转化为可迭代清单：Prompt、Context、工具调用、知识库、代码、测试用例。
用评估结果驱动迭代：准确率、引用可信度、工具调用成功率、响应速度、异常恢复。
用 Spec 和测试用例约束 AI 编程智能体，避免“边改边散”。
建立面向试点上线的迭代节奏：每日问题收集、版本更新、效果复盘、验收记录。
4.2 Graph Engineering 多智能体编排：组织智能体、工具与流程协作
核心抽象：用 State、Node、Edge 和共享数据表达智能体系统的执行状态、处理单元、路由关系和上下文传递。
节点类型：LLM Agent、工具、确定性代码、检索器、评估器、人工审核节点都可以成为执行图中的节点。
基本编排结构：顺序执行、条件路由、并行分发与汇聚、循环重试、异常分支和人工介入。
控制与分工模式：Supervisor / Manager（包括 Magentic）、Router、Handoff、Agents as Tools / Subagents。
执行拓扑模式：Sequential、Concurrent，以及并行分发与汇聚（Fan-out / Fan-in）。
协作对话模式：Group Chat，适用于多视角分析、讨论、评审和共同决策。
模式选择原则：先判断是否真的需要多 Agent，再根据任务依赖、控制权、延迟、成本和可观测性选择协作模式。
协作边界设计：明确每个 Agent 的职责、输入输出、权限、上下文范围、交接条件和终止条件。
状态与可靠性：设计共享状态、消息传递、检查点、断点恢复、超时处理和失败回退。
与 Ontology 的区别：Ontology / 知识图谱描述业务对象与知识关系；Graph Engineering 描述智能体、工具和流程如何执行与协作。
设计原则：复杂任务才引入图式编排，简单任务保持线性 Workflow，避免为了多 Agent 而多 Agent。
4.3 部署工程基础：明确上线环境与运维要求
本地部署、私有化部署、云端部署与混合部署的选择。
企业交付环境：网络、权限、账号、日志、数据源、API Key、模型供应商。
原型到试点的工程差距：稳定性、错误处理、可观测性、备份、版本管理。
交付物清单：部署说明、环境依赖、配置项、运维手册、回滚方案。
4.4 评估与测试：验证效果、路径稳定性与成本
AI 应用评估维度：准确性、完整性、引用可信度、响应速度、鲁棒性、成本。
RAG 测试：召回质量、答案一致性、拒答能力、幻觉控制。
Agent 测试：工具调用成功率、异常恢复、边界条件、长任务稳定性。
Workflow / Graph 测试：节点覆盖、路径覆盖、分支条件、Agent 交接、状态恢复、人工介入节点。
自动化测试：用测试用例驱动 Prompt、Context、知识库、工具链和图结构迭代。
4.5 安全、权限与合规：控制数据、权限与模型风险
数据安全：敏感信息、权限隔离、日志脱敏、数据留存。
模型安全：输入防护、越权访问、提示注入、工具滥用。
企业权限模型：用户身份、文档权限、系统权限、审计记录。
FDE 在现场必须问清的安全问题与红线。
4.6 推动上线与客户成功：推动 Demo 走向试点上线
从 Demo 到 Pilot：试点范围、用户选择、周期、验收口径。
培训与启用：让一线用户真的用起来。
反馈闭环：问题收集、版本迭代、指标复盘。
扩展路径：从单点场景到部门级、企业级平台。
上午实战：将原型升级为可部署、可评估、可运维的智能体方案：完成 Demo 与交付成果包
基于第一天晚上的 Demo，识别原型距离试点上线的关键差距。
完成 Loop 迭代记录：问题、原因、修改动作、验证结果、下一步。
将线性原型升级为 Graph Engineering 方案：画出状态图、任务图或工具图，明确节点、边、共享状态、Agent 交接和人工介入点。
根据业务场景选择合适的多智能体协作模式，并说明为什么采用 Supervisor / Manager、Router、Handoff、Agents as Tools / Subagents、Sequential、Concurrent 或 Group Chat。
补齐评估指标与测试用例，明确离线评估、人工评审和上线后监控方式。
完成 Demo 验证包：验证目标、场景范围、样例数据、测试结果、成功标准和遗留问题。
梳理产品 Demo 产出成果：核心功能、用户入口、关键流程、可复用组件、已知限制和下一版计划。
完成部署架构与环境清单，明确模型、知识库、工具、权限、日志、运维责任。
形成 Demo Day 汇报草稿：业务背景、痛点定义、解决方案、演示路径、价值评估和上线计划。
识别安全、权限、数据、集成和运营风险。
输出《多智能体编排与协作图》及《试点上线计划》：范围、周期、负责人、验收标准、下一步路线图。
第二天下午：Demo Day 与交付复盘
模块五：智能体交付演示与方案评审
5.1 Demo Day 汇报结构：讲清问题、方案、价值与下一步
业务背景：客户是谁，现场发生了什么问题。
痛点定义：为什么这个问题值得解决。
本体设计：如何从业务场景中抽取核心对象、属性、关系、状态、规则与关键动作，并说明这些要素如何支撑知识库与智能体方案。
解决方案：LLM、Agent、Workflow、RAG、MCP、Skill 如何组合工作。
语义到能力的映射：Ontology 如何映射到知识库、Prompt、工具、Skill、Workflow 和 Agent。
工程主线：Prompt、Context、Harness、Loop、Graph 分别解决了什么问题。
协作编排：Graph 如何组织多个 Agent、工具、知识库和人工节点共同完成任务。
演示过程：用真实问题跑通核心业务闭环。
价值评估：节省时间、降低错误、提升响应、沉淀知识或改善体验。
上线计划：试点范围、系统集成、评估指标、风险控制、迭代节奏。
5.2 分组 Demo 与评审：验证方案可行性与交付质量
每组 8 分钟演示，3-5 分钟问答。
评审维度：问题清晰度、智能体架构完整度、Demo 完整度、数据与系统集成考虑、Loop 迭代质量、Graph 编排合理性、多 Agent 协作边界、评估设计、部署可落地性、商业价值表达。
讲师和学员共同给出改进建议。
5.3 FDE 个人能力成长路径：明确技术、业务与交付能力方向
技术能力：LLM、Agent、Workflow、RAG、MCP、Skill、AI 编程、系统集成、测试与部署。
业务能力：访谈、流程分析、指标设计、行业知识、客户沟通。
工程能力：Prompt Engineering、Context Engineering、Harness Engineering、Loop Engineering、Graph Engineering（多智能体编排）。
产品能力：Demo 范围定义、用户体验
联系方式
联系人：宋老师
手机：
电话：
联系人：宋老师
手机：
电话：
