一、AI 需求挖掘

1. FDE 角色定位与 AI 项目落地全景

(1) FDE 起源与核心理念："工程师去见世面，而不是让客户来理解代码"；标杆案例（NHS、Airbus）

(2)  FDE 团队分工：Echo（部署策略师，挖需求）/ Delta（工程落地，写代码）/ Baseline（基础设施）

(3) AI 项目为什么失败：四类失败模式（数据不可用 / 业务不配合 / 合规卡住 / ROI 说不清）与四个百亿级案例复盘

(4) AI 项目四阶段全生命周期：售前诊断 → 工程集成 → 上线交付 → 持续运营

(5) ROI 初步概念：三种 ROI 类型（效率/质量/收入），"客户买的不是 AI，是结果"

(6) 能力回注认知：FDE 与外包的本质区别——对"下一个项目怎么更快"负责

2. 需求诊断方法论

(1) 需求诊断 vs 需求收集：客户说的是解法，不是问题

(2) 三层需求模型：表述需求 → 业务痛点 → 核心问题

(3) 5Why 根因分析法：如何判断"追问够深"，及三个常见陷阱

3. PoC 四要素与汇报

(1) 验证什么、用什么数据、成功标准、时间与资源边界

(2) 价值对齐：业务负责人的书面确认

(3) 业务语言汇报：150 字以内，禁用技术词，让非技术决策者听懂

4. 【实战一】Echo 需求调研：需求调研与解决方案框架（2h，小组协作，头脑风暴）

(1) 做什么：扮演 Echo（部署策略师），从一句模糊需求穿透到真实问题，拆子场景、选技术路线，产出解决方案框架。

(2) 怎么做：定位分工→独立判断→脑暴挖风险（四类失败模式）→脑暴理干系人（四层决策链）→脑暴拆场景选型（能力金字塔+快赢原则）→全业务语言汇报。

(3) 工具与方法：组内头脑风暴（不用 AI），白板 + 便签；脚手架为四类失败模式、四层决策链、LLM 能力金字塔。

(4) 核心收获：穿透客户表层需求，拆出可施工的子场景，用业务语言向非技术决策者汇报。产出《解决方案框架》= 实操二三四的施工图。

二、AI Demo 生成与工程化

1. AI 能力体系与技术选型

(1) LLM 四层级金字塔：提示词 → RAG → 微调 → Agent

(2) "从最简单开始"原则：能用提示词不上 RAG，能用 RAG 不微调

(3) 大模型选型三问框架：任务复杂度 / 数据敏感度 / 部署约束

2. Vibe Coding 工作法

(1) AI 原生开发范式：从"手敲代码"转向"描述需求 + 审查判断"

(2) 开源 Coding Agent（opencode）实操；Vibe Coding 五原则

(3) Sprint 工作闭环：Think → Plan → Build → Review → Test → Ship → Reflect

3. 提示词工程与文本分类

(1) 提示词五要素（角色 / 任务 / 格式 / 约束 / 示例）的设计思维

(2) 评估体系设计：为什么准确率不够（类别不均衡、混淆矩阵、业务代价加权）

(3) 【实战二】市民诉求智能分类器（2h，个人实操）

① 做什么：用 AI 在 2 小时内搭建准确率 ≥85% 的政企诉求五分类系统，并附带 Streamlit Web 验证面板。

② 怎么做：需求诊断→审阅→规格生成→opencode 驱动代码生成→审查→混淆矩阵迭代→发布→复盘，gstack 八环节贯穿全程。

③ 工具与方法：采用 SPEC 驱动开发，构建阶段直接按 SPEC 实现，并配合 DeepSeek 生成代码与 Streamlit 验证效果。

④ 核心收获：掌握 AI 原生开发闭环——用自然语言驱动 AI 并审查产出，建立"先写规格再动手"的工程纪律。

4. RAG 知识问答

(1) RAG 核心思想（"开卷考试"）与架构决策：何时用 RAG

(2) 文档解析、分块策略、Embedding 与向量库选型

(3) 【实战三】RAG 政企知识库问答系统（3h，个人实操 + 讲师点拨）

① 做什么：搭建政企知识库问答系统，员工自然语言提问后从文档中检索内容，生成带来源引用的精确回答。

② 怎么做：文档读取→分块→向量化→Chroma 存储→top-3 语义检索→LLM 生成并标注来源，并演练增量重建索引与排查预埋 Bug。

③ 工具与方法：采用 LlamaIndex 编排与 Chroma 向量库，配合 bge-m3 与 DeepSeek，并结合 RAG/微调/关键词搜索的选型框架及四层排查法。

④ 核心收获：理解 RAG 核心链路与适用边界，能区分 RAG、微调、关键词搜索各自场景，掌握"答案可追溯"的交付标准。

5. Agent 系统设计

(1)  Agent 适用边界：何时用 Agent vs 单次 LLM vs RAG

(2) 六种 Agentic 设计模式（Prompt Chaining / Routing / 并行 / 编排 等）

(3) 工具设计与 Agent 安全（Guardrails、权限最小化）

(4) 【实战四】工单智能分级路由（2h，个人实操 + 讲师讲解）

① 做什么：用 Agent 实现工单智能分级路由（咨询→自动答复 / 跨部门→深度处理 / 敏感→转人工），贴标签后继续决策调用工具，区别于只贴标签的分类器。

② 怎么做：用 LangGraph 构建 analyze / quick_reply / deep_process / escalate 四个节点与条件边，验证三路分流全部走通，敏感件零漏判。

③ 工具与方法：采用 LangGraph + Router + Tool Use，并以 MCP 标准化接口使 mock 可升级为真实连接；三档定义用动作导向，敏感件宁多升级不可漏。

④ 核心收获：理解 Agent 决策循环本质，掌握自动化与人工的边界判断力——即 FDE 方案设计的业务决策核心而非技术选型。

6. 私有化部署与领域适配

(1) 基于国内开源大模型的本地部署（Ollama / vLLM）、量化技术、硬件选型

(2) 私有化交付流程与数据不出域方案（政企硬约束，公网验证→本地回填）

(3) 微调入门（LoRA / QLoRA）：让模型学会领域知识