1. 课程基本信息
1.1 需求洞察与分析
1.系统方法论缺失，AI 转型与业务战略脱节。制造企业中高层及技术骨干大多对单点 AI 技术有基础认知，但缺乏将 AI 落地与企业数字化战略对齐的系统框架，常出现 “为上 AI 而上 AI” 的盲目投入问题。多数企业无法打通从战略到执行的 AI 落地闭环，难以将成熟方法论适配到自身制造场景，导致 AI 项目与业务价值脱节。同时，企业缺乏将数据资产转化为 AI 落地核心支撑的体系化方法，数据治理与 AI 应用两张皮，无法发挥数据驱动的核心价值。
2.AI 技术选型盲目，工业大模型适配能力不足。当前工业级 AI 工具与大模型品类繁多，企业团队难以甄别不同技术的适配边界，普遍存在 “盲目追新”“重技术轻场景” 的误区，极易出现选型失误导致的项目失败。多数团队不掌握基于业务场景的大模型选型逻辑，无法结合自身数据基础、团队能力，为研产供销服场景匹配适配的 DeepSeek、豆包等大模型，难以平衡落地成本与业务价值。同时，企业缺乏对生成式 AI 在制造场景落地的敏捷迭代方法，无法借鉴互联网行业的快速验证思路，导致 AI 项目上线周期长、迭代效率低。
3.AI 场景识别混乱，优先级排序缺乏科学标准。制造企业全业务链条存在海量可落地 AI 的潜在场景，但多数团队缺乏标准化的场景识别方法，无法精准定位能快速产生业务价值的高潜力场景，常出现 “场景散、落地难、见效慢” 的问题。多数企业没有科学的场景优先级评估体系，无法平衡战略契合度、落地难度、投入产出比等核心维度，导致资源分散在低价值场景，核心痛点无法解决。同时，团队缺乏标杆场景的复用能力，无法借鉴头部制造企业的成熟经验，结合自身业务特性完成场景适配，走了大量弯路。
4.AI 顶层设计缺位，落地保障体系不完善。多数制造企业的 AI 转型缺乏统筹性的顶层设计，没有形成从架构规划到落地执行的完整路径，各部门 AI 项目各自为战，无法形成协同效应。团队缺乏将业务架构、数据架构、应用架构、技术架构一体化设计的能力，无法保障 AI 项目与企业现有数字化体系的兼容适配，极易形成新的信息孤岛。同时，企业缺乏 AI 落地的组织、制度、流程保障体系，无法将 AI 转型成果固化到日常业务中，极易出现项目上线后 “用不起来、持续回潮” 的问题。
1.2 课程目标
1.帮助学员系统掌握制造业 AI 转型的核心逻辑与三级路径，深度理解华为数字化转型方法论、TOGAF 4A 架构、Palantir 本体论、字节跳动 AI 敏捷落地方法论的融合应用，搭建适配制造企业的 AI 转型系统框架。
2.使学员掌握 AI 技术选型的核心原则与工业大模型适配方法，能结合制造企业研产供销服全场景，精准匹配 DeepSeek、豆包等主流大模型与 AI 技术，规避选型风险，平衡成本与价值。
3.提升学员工业 AI 应用场景识别、优先级评估的实战能力，能运用标准化工具与方法，精准筛选高价值、可落地的核心 AI 场景，解决企业 AI 场景散、落地难的核心痛点。
4.让学员熟练掌握企业 AI 顶层设计的全流程步骤，能结合四大融合方法论，独立完成适配企业战略的 AI 顶层设计方案，建立全流程落地保障体系，推动 AI 项目长效落地。
1.3 学员收益
1.知识收益：系统掌握制造业 AI 转型四大融合方法论体系、AI 技术选型逻辑、工业大模型适配方法、场景识别与顶层设计全流程知识，建立从战略到执行的完整 AI 落地思维体系。
2.能力收益：全面提升 AI 转型框架搭建、技术选型适配、高价值场景挖掘、顶层设计方案输出四大核心能力，能独立完成企业 AI 落地核心环节的实操工作，补齐 “懂技术、缺方法、难落地” 的能力短板。
3.实践收益：通过两大沉浸式实战演练，积累制造业 AI 落地的全流程实操经验，掌握标准化的工具、模板与操作流程，所学内容可直接复用至企业实际工作中，快速产生业务价值。
4.资源收益：获取华为、字节跳动、徐工集团等头部企业 AI 转型与智能制造落地的标杆案例库、可复用的场景评估矩阵与顶层设计模板，同时掌握基于 DeepSeek、豆包等大模型的工业场景落地实操方法，提升专业竞争力。
1.4 知识图谱
1.核心方法论体系：华为数字化转型三层数字化方法论、TOGAF 4A 架构、Palantir 本体论、字节跳动 AI 敏捷落地方法论，以及四大方法论在制造业 AI 转型中的融合应用逻辑。
2.技术与选型体系：制造业 AI 核心技术分类与场景适配逻辑、工业大模型的分类与核心特性、基于 DeepSeek / 豆包等大模型的工业场景适配方法、AI 选型的核心原则与避坑要点。
3.实战落地技能体系：工业 AI 场景识别的三大核心方法、场景优先级评估矩阵工具、企业 AI 顶层设计五步法、AI 落地全流程保障体系搭建方法。
4.标杆实践体系：华为、徐工集团等制造龙头企业 AI 转型全流程案例、字节跳动生成式 AI 敏捷落地实践、制造业研产供销服全链条高价值 AI 场景库、AI 项目落地避坑指南。
1.5 培训方式
本次培训采用体系化知识精讲 + 标杆案例深度拆解 + 小组沉浸式研讨 + 沙盘式实战演练 + 成果路演专业点评的多元化授课方式，兼顾理论体系的完整性与实战落地的可操作性。全程穿插互动提问与即时答疑，针对学员企业的实际痛点进行现场指导，确保学员听得懂、学得会、用得上，真正实现 “学完即能落地” 的培训目标。
2. 课程大纲
培训总时长：1 天 ，6 小时（授课 / 演练时长，含茶歇、午休），上午 3 小时、下午 3 小时
2.1 第一章 制造业 AI 转型路径与融合方法论体系
对应课程时长：85 分钟，含开场导入 10 分钟
【核心主题】
帮助学员建立制造业 AI 转型的系统认知，掌握 AI 转型的三级核心路径，深度理解华为数字化转型、TOGAF 4A 架构、Palantir 本体论、字节跳动 AI 敏捷落地四大方法论的融合逻辑，搭建适配制造企业的 AI 转型顶层框架，解决 “方法论缺失、战略与 AI 脱节” 的核心痛点。
【关键内容】
1.制造业 AI 转型现状与痛点解析
1.1 制造业 AI 转型的行业趋势与核心价值，结合国家智能制造相关政策与行业数据，拆解 AI 对制造企业降本、增效、提质、扩收的核心作用。
1.2 制造企业 AI 转型的五大核心痛点：战略脱节、框架缺失、选型盲目、场景混乱、保障不足，结合讲师在徐工集团的智能制造落地经验，深度解析痛点背后的根因。
1.3 制造业 AI 落地的核心底层逻辑：以战略为牵引、以数据为基础、以方法论为支撑、以场景为核心、以落地为目标，形成从战略到执行的完整闭环。
2.制造业 AI 转型的核心路径（三级路径）
2.1 基础层：数据治理与数字化底座搭建，涵盖工业数据采集、清洗、标准化、资产化管理，结合华为数据治理方法论，明确数据底座对 AI 落地的核心支撑作用。
2.2 应用层：AI 场景挖掘与规模化落地，聚焦研、产、供、销、服全业务链条，拆解各环节 AI 落地的核心方向，明确单场景落地到规模化复制的核心步骤。
2.3 战略层：AI 与企业发展战略深度协同，结合 TOGAF 业务架构设计逻辑，明确 AI 转型如何对齐企业中长期战略，避免盲目投入，实现 AI 价值最大化。
3.四大核心方法论深度解析
3.1 华为数字化转型方法论：深度拆解 “对象数字化、过程数字化、规则数字化” 三层核心模型，以及 Y 模型 “价值流 - 业务能力 - 流程解耦” 的核心逻辑，结合讲师华为任职的实战经验，解读方法论在制造场景的落地要点。
3.2 TOGAF 4A 架构：解析业务架构、数据架构、应用架构、技术架构的核心内涵，用 “数字大厦” 类比帮助学员理解各架构的协同关系，明确 AI 转型中架构设计的核心原则。
3.3 Palantir 本体论：讲解本体论在工业数据治理与 AI 建模中的核心应用，明确如何通过本体构建实现工业数据的互联互通，打破数据孤岛，为 AI 落地提供高质量数据支撑。
3.4 字节跳动 AI 敏捷落地方法论：拆解字节 “小步快跑、快速验证、数据驱动、持续迭代” 的 AI 落地核心逻辑，结合讲师字节从业经验，解读互联网敏捷思想如何适配制造行业的 AI 落地场景。
4.四大方法论的融合应用框架
4.1 融合核心逻辑：以华为三层数字化为核心骨架，以 TOGAF 4A 架构为整体框架，以 Palantir 本体论为数据核心支撑，以字节敏捷方法论为落地执行路径，打造适配制造企业的 AI 转型全流程融合框架。
4.2 融合落地要点：业务架构对齐规则数字化、数据架构对齐对象数字化与 Palantir 本体论、应用 + 技术架构对齐过程数字化，以字节敏捷方法保障落地迭代效率。
4.3 融合框架的适配方法：针对大型集团、中型制造企业、专精特新企业的不同特性，讲解融合框架的灵活适配方案，避免生搬硬套。
5.小组深度研讨
5.1 研讨主题：结合自身企业实际，梳理 AI 转型过程中面临的核心难点，基于本次讲解的四大融合方法论，提出针对性的突破方向。
5.2 研讨规则：学员分为 4-6 组，每组 5-6 人，推选 1 名组长，研讨时间 20 分钟，每组推选 1 名代表进行 3 分钟成果分享，讲师现场点评优化。
【案例拆解】
1.徐工集团基于华为数字化转型方法论，完成全集团设备、生产、供应链的三层数字化改造，落地设备预测性维护、生产工艺优化等 AI 项目，设备故障停机率下降 32%，生产效率提升 24%。
2.华为供应链基于 TOGAF 4A 架构与三层数字化方法论，搭建全链路 AI 协同体系，实现供应链物料全流程可追溯，库存周转率提升 28%，订单交付周期缩短 22%。
3.某头部汽车零部件企业融合 Palantir 本体论与字节敏捷落地方法，搭建工业数据本体平台，3 个月内快速落地 3 个核心 AI 质检场景，产品不良率下降 41%，项目落地周期缩短 60%。
【授课方式】
开场导入（10 分钟）+ 知识精讲（35 分钟）+ 标杆案例拆解（15 分钟）+ 小组深度研讨（20 分钟）+ 讲师点评与答疑（5 分钟），全程穿插互动提问，即时解答学员疑问。
2.2 第二章 AI 技术选型与工业大模型适配特性
对应课程时长：75 分钟，上午剩余课时
【核心主题】
帮助学员掌握 AI 技术选型的核心原则与逻辑，熟悉制造业主流 AI 技术的适配场景，深入理解工业大模型的分类与核心特性，能结合企业业务场景精准匹配 DeepSeek、豆包等主流大模型，规避选型误区与风险，解决 “技术与场景脱节、选型盲目” 的核心痛点。
【关键内容】
1.AI 技术选型的核心原则与逻辑
1.1 四大核心选型原则：业务适配性优先、数据可行性支撑、成本可控性保障、团队适配性落地，结合讲师字节跳动 AI 应用经验，明确选型需规避 “技术至上、盲目追新” 的核心误区。
1.2 选型核心闭环逻辑：先明确业务痛点与场景目标→再评估企业数据基础与技术能力→接着筛选适配的 AI 技术与工具→最后完成小范围验证与规模化推广，形成完整选型闭环。
1.3 选型常见误区深度解析：盲目追求前沿技术、忽视数据质量基础、不考虑团队运维能力、重采购轻落地等，结合制造企业选型失败案例，提炼避坑核心要点。
2.制造业常用 AI 技术分类与应用场景
2.1 核心 AI 技术分类：机器学习、深度学习、生成式 AI、计算机视觉、自然语言处理，重点拆解各技术在制造行业的核心应用边界与适配条件。
2.2 全场景适配指南：机器学习用于质量预测、工艺参数优化；计算机视觉用于外观质检、设备故障识别、安全生产监控；生成式 AI 用于工艺文档生成、BOM 表自动优化、售后智能客服；自然语言处理用于供应商合同审核、研发文档知识图谱构建。
2.3 AI 技术选型矩阵工具：发放讲师自研的 AI 技术选型矩阵，涵盖技术特性、适配场景、落地成本、实施难度、团队要求五大维度，帮助学员快速完成技术初筛。
3.工业大模型的分类与核心特性
3.1 工业大模型核心分类：通用工业大模型（如基于 DeepSeek、豆包微调的工业版大模型）、细分领域垂直大模型（如工程机械、汽车制造、电子制造专属大模型）、企业私有化定制大模型，拆解各类模型的核心优势、适用范围与成本区间。
3.2 工业大模型核心必备特性：工业数据强适配性、工业级精度控制、部署灵活性（支持云端 / 边缘端 / 私有化部署）、低代码可扩展性、工业场景安全合规性，明确工业大模型与通用大模型的核心差异。
3.3 主流工业大模型对比：深度对比基于 DeepSeek、豆包构建的工业大模型，以及 Gemini、ChatGPT、Claude 在工业场景的适配差异，结合讲师实战经验，明确不同模型的选型优先级与适配场景。
4.工业大模型适配的核心要点
4.1 场景适配核心逻辑：生产制造场景优先选择高精度、低延迟、边缘可部署的轻量化大模型；研发设计场景优先选择生成能力强、专业知识丰富的垂直领域大模型；供应链与管理场景优先选择通用能力强、集成便捷的通用工业大模型。
4.2 数据适配核心方法：结合华为数据治理方法论与 Palantir 本体论，讲解工业数据预处理、标注、优化的核心方法，明确如何通过高质量数据提升大模型在工业场景的适配效果与准确率。
4.3 成本与能力适配策略：针对大型集团、中型企业、小微企业的不同规模与技术能力，提供差异化的大模型选型策略，避免 “大材小用” 的成本浪费，或 “小材大用” 的能力不足问题。
4.4 敏捷验证方法：结合字节跳动 AI 敏捷落地方法论，讲解大模型选型的 “小范围快速验证” 方法，用 1-2 周时间完成核心场景的效果验证，规避选型失误的大额风险。
5.案例剖析与小组互动
5.1 案例深度剖析：拆解 3 个不同规模制造企业的大模型选型与落地案例，明确选型逻辑、适配要点、实施步骤与业务成效，提炼可复用的选型经验。
5.2 小组互动练习：每组结合自身企业的 1 个核心业务场景，运用发放的 AI 技术选型矩阵，完成初步的技术与大模型选型，每组 1 分钟分享，讲师现场点评优化。
【案例拆解】
1.某中型装备制造企业基于豆包大模型，微调构建企业专属的售后智能运维大模型，实现设备故障智能诊断、维修方案自动生成，售后响应效率提升 75%，现场维修一次解决率提升 42%。
2.某头部汽车整车厂基于 DeepSeek 大模型，构建生产工艺优化垂直大模型，实现焊装、涂装工艺参数的自动生成与优化，整车良品率提升 1.2 个百分点，工艺调试周期缩短 65%。
3.某专精特新电子制造企业，基于字节敏捷落地方法，选用轻量化豆包工业大模型，2 周内完成 AI 外观质检场景的验证与上线，人工质检成本下降 60%，漏检率降至 0.1% 以下。
【授课方式】
知识精讲（40 分钟）+ 标杆案例拆解（15 分钟）+ 工具实操练习（15 分钟）+ 互动答疑与讲师点评（5 分钟），全程结合讲师华为、字节、徐工的实战经验，确保内容可落地。
2.3 第三章 实战演练 1：工业 AI 应用场景识别与优先级实战演练
对应课程时长：80 分钟，下午前半段课时
【核心主题】
帮助学员掌握工业 AI 应用场景识别的三大核心方法，能熟练运用场景优先级评估矩阵，完成制造企业研产供销服全链条的 AI 场景识别与优先级排序，精准筛选出高价值、可落地的核心 AI 场景，解决 “场景识别乱、优先级排序难” 的核心痛点。
【关键内容】
1.实战演练前期准备
1.1 演练工具与模板发放：发放讲师自研的《工业 AI 场景识别清单》《制造业 AI 场景优先级评估矩阵》，矩阵涵盖战略契合度、落地难度、投入产出比、数据基础四大核心维度，配套打分标准与权重设置。
1.2 演练场景设定：以 “国内中型装备制造企业（覆盖研、产、供、销、服全业务流程）” 为统一背景，明确企业核心战略目标（降本 10%、增效 15%、提质 8%），同步提供企业基础数据（现有数字化水平、数据基础、技术团队配置、核心业务痛点）。
1.3 演练规则与分工说明：沿用第二章的小组分组，每组推选 1 名组长与 1 名汇报人，明确小组分工建议（流程拆解岗、场景识别岗、数据评估岗、打分排序岗），演练总时长 40 分钟，最终需输出《企业核心 AI 场景清单》与 TOP3 高优先级场景，每组汇报时长 3 分钟。
2.工业 AI 应用场景识别方法讲解
2.1 三大核心识别方法：流程拆解法（拆解研产供销服全环节业务流程，定位痛点节点，匹配 AI 解决方案）、数据驱动法（基于业务数据异常，识别可通过 AI 优化的高潜力场景）、标杆借鉴法（借鉴华为、徐工等标杆企业成熟场景，结合自身业务完成适配）。
2.2 场景识别核心标准：明确有效 AI 场景必须满足 “业务痛点明确、数据可获取、技术可实现、投入有回报、战略有契合” 五大标准，教给学员甄别 “伪场景”“难落地场景” 的核心方法。
2.3 全流程场景识别示例：以装备制造企业生产环节为例，完整演示从流程拆解、痛点定位、场景识别、标准校验的全流程，输出可参考的场景清单，帮助学员快速掌握方法。
3.实战演练开展
3.1 小组实操执行：各小组按照 “全业务流程拆解→潜在 AI 场景识别→场景有效性校验→优先级矩阵打分→TOP3 场景锁定→选择理由梳理” 的标准化流程，完成全流程实操。
3.2 讲师现场巡场指导：讲师全程巡场，针对各小组在场景识别精准度、维度打分合理性、优先级排序逻辑等方面的问题，进行一对一现场指导，纠正 “重技术轻业务”“只看收益不看落地难度” 等常见问题。
3.3 关键节点引导：针对学员容易卡壳的环节，进行实时引导，帮助学员结合自身数分与技术经验，充分发挥数据优势，精准定位高价值场景。
4.演练成果汇报与点评
4.1 小组成果汇报：每组汇报人依次进行成果汇报，重点说明识别的核心场景清单、TOP3 高优先级场景、打分排序逻辑与选择理由，严格控制汇报时长。
4.2 讲师专业点评：针对每组的汇报成果，从场景识别的精准度、优先级排序的合理性、业务痛点的匹配度、落地可行性四大维度进行点评，指出优势与不足，给出针对性的优化建议。
4.3 成果固化与总结：汇总各组的优秀场景，形成《装备制造企业高价值 AI 场景库》，发放给所有学员；总结场景识别与优先级排序的核心要点，强化学员对方法的掌握，确保可直接复用至企业实际工作。
【案例拆解】
徐工集团基于流程拆解法与标杆借鉴法，完成全集团 23 个业务环节的 AI 场景识别，通过优先级评估矩阵筛选出 12 个核心高价值场景，首批落地 6 个场景，12 个月内实现降本增效超 8000 万元。
【授课方式】
方法精讲（15 分钟）+ 实战演练（40 分钟）+ 成果路演汇报（15 分钟）+ 讲师点评与成果总结（10 分钟），全程以学员实操为核心，讲师全程指导，确保学员掌握可复用的实战方法。
2.4 第四章 实战演练 2：企业 AI 顶层设计核心步骤演练
对应课程时长：100 分钟，下午剩余课时，含课程总结
【核心主题】
帮助学员熟练掌握企业 AI 顶层设计的五步法核心流程，能结合四大融合方法论，基于第三章识别的核心 AI 场景，独立完成适配企业战略的 AI 顶层设计方案，搭建完整的落地路径与保障体系，解决 “顶层设计缺位、落地无规划” 的核心痛点，实现 AI 转型的长效落地。
【关键内容】
1.企业 AI 顶层设计核心步骤讲解
1.1 顶层设计五步法核心流程（融合四大方法论）：
第一步：战略对齐，结合 TOGAF 业务架构与华为 Y 模型，明确 AI 转型的战略目标，对齐企业降本、增效、提质的核心战略，锁定 AI 转型的核心方向与价值目标。
第二步：现状评估，结合企业数字化水平、数据基础、技术能力、团队配置、现有 AI 项目情况，全面评估现状与战略目标的差距，明确核心瓶颈。
第三步：架构设计，结合 TOGAF 4A 架构、华为三层数字化模型、Palantir 本体论，完成 AI 转型的业务架构、数据架构、应用架构、技术架构一体化设计。
第四步：路径规划，结合字节跳动 AI 敏捷落地方法论，明确 AI 项目落地的阶段目标、核心任务、时间节点、责任主体、资源投入，制定可落地的实施 roadmap。
第五步：保障体系设计，搭建数据保障、技术保障、团队保障、制度保障、流程保障的全维度体系，确保 AI 转型成果可固化、不回潮。
1.2 顶层设计模板发放：发放讲师自研的《制造企业 AI 顶层设计方案模板》，完整覆盖五步法的所有核心模块，配套填写指引与示例，学员可直接填写使用。
1.3 完整案例示例讲解：以徐工集团 AI 转型顶层设计为例，完整拆解五步法每个步骤的核心内容、填写要点、注意事项，帮助学员理解顶层设计的核心逻辑与落地方法。
2.实战演练前期准备
2.1 演练背景延续：沿用第三章的 “中型装备制造企业” 背景与战略目标，延续第三章各小组识别的 TOP3 高优先级 AI 场景，确保演练的连贯性与完整性。
2.2 演练规则与分工说明：沿用原有小组分组，基于发放的顶层设计模板，完成 AI 顶层设计方案的核心内容填写；演练总时长 50 分钟，重点完成战略对齐、现状评估、架构设计、路径规划四大核心模块，保障体系可简要梳理；每组汇报时长 4 分钟，讲师现场点评优化。
2.3 分工引导：每组明确核心分工，如战略对齐组、现状评估组、架构设计组、路径规划组、保障体系组，组长负责统筹整合与汇报准备，充分发挥组员的专业优势。
3.实战演练开展
3.1 小组实操执行：各小组按照顶层设计五步法的标准化流程，结合企业背景与核心 AI 场景，完成模板填写与方案设计，重点确保方案的战略对齐、架构合理、路径可行、可落地性强。
3.2 讲师现场巡场指导：讲师全程巡场，针对各小组在战略对齐精准度、架构设计合理性、路径规划可行性等方面的问题，进行一对一现场指导，纠正 “方案空泛化、与业务脱节、路径不具体” 等常见问题。
3.3 关键节点提醒：重点提醒学员将四大融合方法论融入方案设计，结合华为流程内化机制、字节敏捷迭代思想，确保方案既有体系高度，又有落地实操性，避免形式化、空泛化。
4.演练成果汇报与点评
4.1 小组成果路演：每组汇报人依次进行方案路演，重点说明 AI 转型的战略目标、现状差距、核心架构设计、分阶段落地路径，展示顶层设计方案的核心内容，严格控制汇报时长。
4.2 讲师深度点评：针对每组的方案，结合四大融合方法论与华为、徐工、字节的标杆实践，从战略契合度、架构完整性、路径可行性、落地保障性四大维度进行深度点评，指出优势与不足，给出具体可落地的优化建议。
4.3 总结升华与成果交付：总结制造企业 AI 顶层设计的核心要点与避坑指南，强化学员对全流程方法的掌握；回收各组的方案模板，筛选优秀方案整理后发放给所有学员，作为后续工作的参考范本；最终完成课程闭环，帮助学员实现从理论到实操的全流程能力提升。
【案例拆解】
三一重工基于华为数字化转型方法论与 TOGAF 4A 架构，完成集团 AI 转型顶层设计，分三个阶段落地全集团 AI 应用体系，3 年内实现生产效率提升 35%，运营成本下降 28%，研发周期缩短 40%。
【授课方式】
方法精讲（20 分钟）+ 实战演练（50 分钟）+ 成果路演汇报（20 分钟）+ 讲师深度点评与课程总结（10 分钟），以学员实操为核心，讲师全程针对性指导，确保学员学完能独立输出完整的 AI 顶层设计方案。
授课老师
李檀 华为 GTS 制造业数字化转型首席专家
常驻地：上海
邀请老师授课：13439064501 陈助理
