培训时长：5天
课程背景
AI技术已从“能不能做”进入“怎么用好”的阶段，企业对人才的需求也从“会调API”转向“能把AI装进业务并产生实际价值”。前沿部署工程师（FDE）正是在这一背景下诞生的新岗位，但市面上尚缺乏一套系统培养FDE核心能力的课程体系——要么偏重纯技术训练忽略业务视角，要么偏重售前沟通缺乏动手交付能力。本课程旨在填补这一空白，用5天时间完成FDE从认知重塑到独立交付的全链路能力构建。
课程收益
学完这门课，学员将具备以下核心能力：
一、能独立完成AI项目的需求诊断和可行性评估，准确判断什么场景适合用AI、什么场景不适合，并能用ROI量化模型向客户算清楚投入产出账。
二、掌握从提示词工程、RAG系统到Agent开发的完整技术栈，能独立完成一个企业级知识库问答系统及轻量级Agent的原型开发与容器化部署。
三、掌握Vibe Coding核心工作流，能借助AI编程工具在短时间内快速产出可演示的PoC原型，大幅提升交付效率。
四、熟悉国内AI落地的合规要求和私有化部署选型策略，能在方案设计阶段提前规避合规风险并给出合理的部署模式建议。
五、理解客户内部四层决策链的沟通逻辑，能针对不同角色调整沟通策略，具备从售前诊断到持续运营的全流程服务能力。
课程内容
Day 1：认知重塑与FDE角色定位
模块一：FDE能力模型与职业画像
本节内容：FDE的起源与演进——从售前工程师、解决方案架构师到AI时代的FDE，岗位内涵发生了怎样的变化。FDE能力三角模型的深度拆解：技术理解力（懂AI原理和边界）、业务翻译力（能把客户痛点翻译成技术方案）、工程交付力（能亲手把方案变成可运行的系统）。FDE与周边角色的边界与协作关系——和销售、产品、研发、运维分别怎么配合，什么该做什么不该做。
本节目标：学员能清晰画出FDE的能力雷达图，并对照自身现状找到差距。
模块二：AI项目失败模式与根因分析
本节内容：AI项目失败的四大典型模式拆解——场景错配（用AI解决非AI问题）、数据灾难（数据质量差或数量不足）、期望失控（客户对AI能力有不切实际的幻想）、交付断裂（做完没人用或用不起来）。IBM Watson Health为何在医疗诊断领域折戟——技术足够强，但场景复杂度被严重低估。Amazon AI招聘工具性别偏见案例——算法公平性在真实业务中意味着什么。每个案例后提炼出一条FDE可落地的避坑原则。
本节目标：学员能对过往或正在跟进的AI项目做一次“失败风险自检”，写出至少三条潜在风险点。
模块三：ROI量化框架——把AI的价值算清楚
本节内容：AI项目ROI计算的三大类型——效率型（节省了多少人天）、质量型（降低了多少错误率/提升了多少准确率）、收入型（直接或间接带来了多少营收增长）。每一类对应的数据采集方法、计算公式和常见陷阱（比如把“可能节省”当成“实际节省”）。针对一个真实客户场景，分组完成ROI测算演练，并给出“值得做/值得试点/不值得做”的明确结论。
本节目标：每位学员能独立完成一个AI场景的ROI测算表，并能用客户听得懂的语言把数字讲清楚。
模块四：AI项目全生命周期全景图
本节内容：AI项目从零到一的全流程四阶段——售前诊断（需求挖掘与可行性评估）、方案设计（技术选型与架构设计）、工程交付（开发、测试、部署）、持续运营（效果监控、迭代优化、客户成功）。每个阶段FDE的核心职责、交付物和关键里程碑。用一个贯穿全天的模拟案例，把四阶段串起来走一遍，让学员在第一天结束时就对整个课程地图心中有数。
本节目标：学员能完整画出AI项目全生命周期流程图，并标注每个阶段自己的角色定位。
Day 2：AI体系化知识筑基（上）
模块一：大语言模型原理与能力边界
本节内容：LLM的基本工作原理——从Token、注意力机制到下一个词预测，用最通俗的方式讲透，不堆砌公式但保留足够的理解深度。模型能力进阶图谱——小模型能做什么、大模型能做什么、超大模型能做什么，能力涌现的临界点在哪里。FDE必须掌握的模型“缺点清单”——幻觉、推理盲区、上下文窗口限制、指令遵从的不稳定性，以及针对每个缺点的工程化应对策略。
本节目标：学员能准确判断一个具体任务在当前模型能力边界内的位置——是“轻松胜任”、“勉强可用”还是“别想了”。
模块二：提示词工程方法论
本节内容：提示词的万能公式——角色+任务+背景+约束+输出格式，五要素的拆解与灵活组合。提示词模板的静态链设计——如何把复杂任务拆成多步提示词的流水线。横纵扩展策略——横向扩展覆盖更多边缘case，纵向扩展加深推理深度。现场实操环节：给定3个完全不同类型的任务（摘要、分类、生成），学员各自设计提示词并相互评测效果。
本节目标：学员能针对任何文本类任务，在10分钟内设计出可用的提示词方案。
模块三：高级推理机制——ReAct、CoT与多思维链
本节内容：思维链（CoT）的核心逻辑——让模型“说出思考过程”如何大幅提升推理准确率，什么时候该用少样本CoT、什么时候该用零样本CoT。ReAct框架的“推理+行动”循环机制——模型不仅思考还能调用外部工具，每一步怎么设计。多思维链的投票与集成策略——让模型从多个角度思考同一个问题并汇总结论，什么场景下值得付出额外Token成本。三种机制的对比选型矩阵。
本节目标：学员能根据任务复杂度选择最合适的推理机制，并写出对应的提示词模板。
模块四：RAG基础与多模态扩展
本节内容：RAG的基本架构——索引、检索、生成三段式，每一段的核心技术选型和常见坑点（分块大小怎么定、检索TopK怎么选、相似度阈值设多少）。多模态RAG的原理——当输入不仅是文本还有图片、表格、PDF扫描件时，架构发生了怎样的变化（LayoutLM、CLIP等多模态模型的作用）。用一个企业规章制度问答的场景，现场演示从文档导入到问答上线的完整流程。
本节目标：学员能画出RAG系统的架构图，并说明每个组件的选型理由。
Day 3：AI体系化知识筑基（下）+ Vibe Coding实战
模块一：Agent定义、能力图谱与开发框架
本节内容：什么是Agent——从“大模型+工具+记忆+规划”四要素出发给出清晰定义，区分Agent与普通Chatbot的本质差异。Agent的能力图谱——自主规划、工具调用、记忆管理、多轮对话、自我反思，五个能力维度的成熟度分级。主流Agent开发框架概览——LangChain、LlamaIndex、AutoGen的基础架构和适用场景，不押注某一个，而是讲清楚选型逻辑。
本节目标：学员能说清楚Agent的四个核心要素，并判断一个需求是否适合用Agent方案解决。
模块二：Multi-Agent调度策略与框架选型
本节内容：Multi-Agent出现的背景——单个Agent处理复杂任务时的能力瓶颈和角色冲突。几种主流调度模式对比——层级调度（一个主Agent调度多个子Agent）、对等协作（多个Agent平等协商）、竞标式（Agent竞争执行权）。MetaGPT、DevChat、AutoGen等框架在Multi-Agent场景下的设计哲学和优劣势对比。用一张选型决策树帮助学员在真实项目中快速选型。
本节目标：学员能在给定项目需求下，用决策树完成Multi-Agent框架选型并说明理由。
模块三：Vibe Coding核心方法论
本节内容：Vibe Coding的本质——用自然语言驱动AI编程，但核心不是“让AI写代码”，而是“用工程思维驾驭AI写代码”。三大核心工作流拆解——描述意图（把需求翻译成AI能理解的指令）、分步迭代（大任务拆小步、每步验证）、逐行审查（AI生成的每段代码都要能看懂、能改、能评审）。Vibe Coding与FDE工作的天然契合——FDE需要快速产出Demo和PoC，传统编码速度不够，Vibe Coding把速度提升一个数量级。
本节目标：学员理解Vibe Coding不是“偷懒写代码”而是“换一种方式写代码”，并能独立启动一个Vibe Coding项目。
模块四：Vibe Coding实战——投诉工单分类器
本节内容：用opencode或Claude Code从零搭建一个投诉工单智能分类器。实战分三步走——第一步用自然语言描述需求（“我需要一个能自动将客户投诉工单按类别归档的系统”），第二步通过多轮对话迭代提示词和代码逻辑（从简单分类到多标签、从规则到语义），第三步逐行审查AI生成的代码并修正不合理之处。最终交付一个可运行的原型，能对输入的工单文本输出类别标签和置信度。
本节目标：每位学员独立完成一个可运行的工单分类器，并掌握Vibe Coding的完整工作流。
Day 4：RAG系统与Agent深度实战
模块一：企业级知识库问答系统搭建（上）——数据处理与索引
本节内容：从客户提供的原始文档（Word、PDF、Markdown、Excel混合）出发，完成文档解析和清洗——处理页眉页脚、表格、图片中的文字等复杂情况。分块策略的设计——固定长度分块、语义分块、递归分块的对比与实操，针对不同文档类型选择最优策略。向量化模型选型与Embedding实操——开源模型（BGE、GTE）与商业API的对比，批量Embedding的性能优化。
本节目标：每组完成文档解析、分块和向量化的全流程，生成可查询的向量索引。
模块二：企业级知识库问答系统搭建（下）——检索、生成与来源引用
本节内容：检索阶段的调优——HyDE（假设性文档Embedding）、多重检索、重排序（Rerank）等高级检索策略的对比与实操。生成阶段的提示词设计——如何让LLM基于检索结果生成答案，同时要求输出清晰的来源引用（引用具体文档和段落）。来源引用的工程实现——让答案中的每一句都能追溯到原始文档的具体位置。系统联调与端到端测试。
本节目标：每组交付一个完整可运行的RAG问答系统，能对内部知识库问题给出带引用的答案。
模块三：评测与调优——用Ragas做系统化评估
本节内容：Ragas评测框架的基本原理和核心指标——忠实度（答案是否忠于检索内容）、答案相关性（答案是否切题）、上下文相关性（检索到的内容是否相关）。构建测试集的方法——人工标注与自动生成相结合。运行评测、解读报告、定位瓶颈——是检索环节丢分还是生成环节丢分。针对性调优实验——调整分块大小、检索TopK、重排序策略，对比调优前后的评测分数变化。
本节目标：每组完成一轮从评测到调优的完整循环，能看到明确的质量提升。
模块四：从RAG到Agent——添加工具调用与任务执行能力
本节内容：在RAG系统基础上叠加工具调用能力——定义工具集合（查询库存、创建工单、发送邮件、更新CRM等），让Agent在回答问题的同时能执行实际操作。工具调用的触发条件设计——什么时候该调用工具、调用哪个工具、如何把工具返回结果整合进最终答案。Docker容器化整个系统，演练离线部署流程——在没有外网的环境下完成镜像构建、模型加载和服务启动。最终的系统交付物是一个“能回答问题、能执行任务、能离线部署”的完整Agent原型。
本节目标：每组交付一个容器化的Agent原型，并完成一次模拟客户现场的离线部署演示。
Day 5：国内落地特情+全流程沙盘推演
模块一：国内合规三部曲——红线在哪里
本节内容：数据安全法对AI系统的核心要求——数据分类分级、跨境数据传输、数据安全审查，哪些是FDE在方案设计中必须提前考虑的。个人信息保护法在AI场景中的落地——用户知情同意、最小必要原则、自动化决策的透明度要求，结合人脸识别、个性化推荐等敏感场景的合规案例分析。生成式人工智能管理办法的实操要点——备案、安全评估、内容标识、用户管理，用真实备案流程作为教学案例。
本节目标：学员能在一份方案设计中标注出所有需要合规审查的节点，并知道每个节点的合规要求是什么。
模块二：私有化部署三种模式与选型决策
本节内容：全私有化部署——客户机房或专有云上完整部署，适用场景（涉密单位、金融机构、政务系统）的典型需求和代价（成本高、运维重、周期长）。半私有化部署——模型API云端调用、业务数据本地存储，适用场景和权衡策略。纯SaaS模式——什么时候可以直接推荐客户用SaaS、什么时候必须劝退。三种模式的决策矩阵——从数据敏感度、预算、运维能力、响应速度四个维度给出选型建议。
本节目标：学员面对任意客户场景时，能在10分钟内给出明确的部署模式推荐及理由。
模块三：四层决策链分析与沟通策略
本节内容：客户内部围绕AI项目的四层决策角色——决策者（老板/一把手，关心ROI和战略价值）、影响者（业务负责人，关心效果和效率）、使用者（一线员工，关心好不好用）、把关者（IT/安全/合规，关心稳定和安全）。每一层的核心诉求、常用话术和沟通节奏——跟决策者讲战略和ROI、跟影响者讲效果和案例、跟使用者讲体验和培训、跟把关者讲架构和合规。角色扮演练习：给定一个复杂客户场景，学员分组扮演四层角色进行模拟沟通。
本节目标：学员能针对任意客户组织架构快速画出决策链地图，并为每一层制定沟通策略。
模块四：终极沙盘——从售前诊断到持续运营的全流程演练
本节内容：每组拿到一个完整颗粒度的客户场景（包含行业背景、业务痛点、数据样本、预算范围、组织架构）。第一阶段完成售前诊断——需求访谈模拟、可行性评估、ROI测算，产出《项目建议书》。第二阶段完成方案设计——技术选型、系统架构、部署方案、排期与预算，产出《技术方案》。第三阶段完成Demo交付与客户汇报——用前四天完成的项目原型做针对性适配，向“客户”做15分钟汇报。第四阶段完成持续运营方案——效果监控指标、迭代计划、客户成功策略，产出《运营方案》。全过程有讲师和助教扮演客户、提出质疑和变更需求，考验学员的真实应变能力。
本节目标：每组在沙盘结束时交付完整的项目文档包，并通过“客户”验收。
课程总交付物
每位或每组学员在结业时交付两个核心成果。第一个是一个可运行的AI应用原型，即基于前四天实战完成的RAG+Agent系统，容器化打包、可离线部署、可向客户演示。第二个是一份完整的项目交付文档包，包含ROI测算报告、技术方案、部署手册和运营方案，直接对标真实项目交付物的标准。
这两样加在一起，证明的不只是“我知道了”，更是“我能做出来、能算清楚账、能交付给客户”。
授课老师
甄文智 人工智能与数字化转型实战专家
常驻地：北京
邀请老师授课：13439064501 陈助理
