术可速成，工夫在日常

Syllabus

6 个模块，18 章

Module 01

重新理解企业 AI 落地

  1. 为什么大多数 AI Agent 项目止步于 Demo？

    判断项目所处的成熟阶段，并列出进入下一阶段还缺少的证据。

  2. AI 落地工程师：企业最缺的新角色

    明确谁负责串起业务价值、评估证据和项目责任。

  3. 模型不是壁垒，业务嵌入能力才是壁垒

    区分可替换的模型能力与企业需要长期积累的业务嵌入能力。

Module 02

Audit：找到真正值得做的场景

  1. 业务审计不是访谈，而是进入工作现场

    记录真实工作如何发生，以及瓶颈、例外和责任交接出现在哪里。

  2. 如何识别高频、高耗时、高价值场景？

    用频次、耗时、价值和风险筛出值得先验证的工作单元。

  3. 什么时候用 Agent，什么时候用代码，什么时候保留人工？

    按任务边界选择代码、解析、模型、工作流、Agent 或人工处理。

Module 03

Evaluation：证明 AI 真的有效

  1. 为什么没有评估，就没有 AI 落地？

    把评估结果接入试点、上线、暂停和返工等项目决策。

  2. 如何建立黄金数据集？

    建立覆盖真实分布、关键边界和标准答案的评估样本集。

  3. 准确率 90%，为什么项目还是可能失败？

    按业务后果拆分错误等级，识别会阻止项目上线的错误。

Module 04

Deployment：让 AI 安全上线

  1. 从 MVP 到生产系统，中间差了什么？

    补齐权限、日志、监控、降级和回滚后，再把 MVP 推进到受控生产。

  2. 人工在环不是妥协，而是工程能力

    设计人工确认、接管和反馈环节，并控制业务人员的操作负担。

  3. 失败处理 SOP：AI 出错时怎么办？

    为错误建立发现、止损、恢复、记录和复盘的处理流程。

Module 05

Operation & Governance：持续运营与治理

  1. 为什么 AI 越用越贵？

    按一次成功业务任务核算模型、重试、人工和运维成本。

  2. 模型和平台怎么选？

    根据任务质量、成本、延迟、可控性和切换条件选择模型、平台与路由。

  3. 数据合规、私有化和信创怎么判断？

    根据数据类型、流向、监管要求和企业制度确定部署边界。

Module 06

Scale：从一个 Agent 到企业能力

  1. 为什么第二个 AI 项目比第一个更难？

    识别场景差异，只迁移已验证的方法、接口和治理资产。

  2. 如何建立企业 AI 场景库、模板库和评估体系？

    把项目记录整理为可检索的场景、模板和评估资产。

  3. 从 AI 项目负责人到 AI 落地工程师

    用项目证据梳理个人的端到端交付能力和下一阶段实践计划。