课程简介
本课程定位为一门面向金融科技高管的AI工程化前沿认知课。课程不以通识型AI科普或单一工具教学为中心，而是围绕当前最值得关注的变化展开，包括Agentic AI、代码智能体、知识系统沉淀、长任务执行、互联网代码实践、金融行业解决方案、私有化部署与闭源模型的竞争等关键趋势。
课程会特别结合金融研发与业务的真实工作语境，帮助高管理解：为什么过去的“问答式AI使用方式”正在被“可执行、可复用、可评估的工程化AI使用方式”替代，以及在“半人马时代”（人+AI > AI），组织和个人应如何调整自己的工作方法，并把外部行业经验转化为内部可执行、可评测、可复用的落地框架。
目标收益
本课程希望帮助参训高管建立三个层面的认知。
首先，是理解AI前沿发展的真实脉络，避免仅从产品热点或单次演示理解AI，打破“AI不过如此”的懈怠认知。其次，是通过互联网与金融行业案例理解AI在代码实施、工程效率、金融场景解决方案和知识密集型流程中的真实能力边界。最后，是通过内部落地框架，建立“如何把个人经验、团队规范、评测标准与业务标准沉淀为AI可执行资产”的初步方法感，兼顾紧跟技术潮流与金融风险控制。
培训对象
课程大纲
|
模块一：前沿认知——大模型根本性变化与行业冲击（约 60 分钟） 核心问题：大模型正在发生什么根本性变化？为什么“等新技术出来再学”是极其危险的战略误判？近期重要AI动态会如何影响金融科技团队的认知与决策？ |
1AI能力的三次跃迁与近期关键转折点 ◦第一跃迁：从规则系统到深度学习（感知智能）。 ◦第二跃迁：从专用模型到通用大模型（认知智能）。 ◦第三跃迁：从对话式AI到Agentic AI（行动智能）— 我们正处于此刻。 ◦前沿信号：推理能力飞跃、工具生态成熟（MCP协议）、成本拐点到来，并结合DeepSeek V4等近期重要AI动态说明模型能力变化。 2Agentic AI 核心架构解析 ◦Agent ≠ Chatbot：从“你问我答”到“你定目标，我自主完成”。 ◦四大核心能力：感知（多模态输入）→ 规划（任务拆解）→ 行动（工具调用）→ 反思（自我纠错）。 ◦关键技术演进：Function Calling → Multi-Agent → Code Execution → Computer Use。 3技术高管的认知重塑与“半人马时代” ◦纠正认知误区：剖析“AI不过如此”与“等新技术出来再学”的危害。 ◦知识系统沉淀的长期价值：为什么提前跟进AI落地沉淀的“知识系统”无法跳过？（竞争对手会凭借提前储备的知识系统获得更快的迭代效率，内部团队也需要沉淀可复用的业务与工程知识）。 ◦半人马时代的定位：当前处于“人+AI > AI”的阶段，必须持续更新人的认知与商业环境，才能跟上AI发展的节奏。 4对技术团队的根本影响 ◦架构师：从设计系统到设计“人+Agent 协作系统”。 ◦研发：从写代码到定义 Agent 的目标、边界与反馈机制。 ◦运维：从响应告警到构建自愈 Agent。 |
|
模块二：行业案例——互联网及金融行业AI应用实践（约 60 分钟） 核心问题：互联网和金融行业如何把Agentic AI从Demo做到生产级？美团、快手等代码实施方案以及腾讯云、火山引擎等金融解决方案，对国信证券有什么借鉴意义？ |
5案例一：Coding Agent与互联网代码实施方案 ◦标杆：Cursor / GitHub Copilot Agent / Codex，以及美团、快手等互联网企业在代码生成、测试补全、代码评审和工程提效中的实践方向。 ◦痛点直击：为什么很多团队“个人人效提升了，但整体组织迭代效率没有提升”？互联网公司的代码实施方案如何从个人工具进入研发流程？ ◦核心模式：从代码补全→任务级自主编码→跨文件重构→测试补全→代码评审→CI/CD闭环。 ◦能力边界：当前闭源模型已经可以完成较复杂的大型项目重构，但仍需要架构师、研发负责人和评测体系共同把控质量与风险。 6案例二：互联网头部企业的激进实践与迭代效率 ◦充足的AI资源投入：互联网企业普遍将AI能力从写代码拓展到需求分析、研发协同、测试验证、知识问答和日常办公等全工作场景。 ◦极致的迭代效率：头部研发团队正在尝试通过AI打通小版本发布、自验证、缺陷修复和文档更新流程，以提升整体交付节奏。 ◦新老产品策略：新产品激进使用AI提升迭代效率，老产品则通过沉淀已有代码库、业务规则和工程知识，充分复用AI能力。 7案例三：金融行业AI解决方案与Multi-Agent协作 ◦场景映射：腾讯云、火山引擎等金融市场解决方案可映射到智能客服、投研辅助、合规审查、风控审批、技术文档智能问答、故障根因分析等场景。 ◦核心模式：任务编排 Agent + 专家 Agent 集群 + 人类审核节点；检索增强 + 多步推理 + 工具验证 + 持续学习，并匹配金融行业权限、审计与私有化部署要求。 ◦质变点：从“搜索返回文档”到“Agent给出经过验证的结论”。 8前沿信号：金融行业的私有化部署、国产模型与闭源模型竞争 ◦向私有化部署需求的金融企业同步：国产大模型与闭源模型的能力差距和成本结构正在快速变化，金融机构需要在能力、成本、安全、合规和可控性之间形成综合判断。 |
|
模块三：内部落地框架——技术团队的工程化推进方法（约 60 分钟） 核心问题：回到某公司，技术团队明天可以开始做什么？如何通过评测Agent、技术债治理和工程师角色转型，兼顾效能提升与金融风险控制？ |
9AI工程化成熟度模型与高价值场景筛选 ◦成熟度评估：L0 体验期 → L1 工具期 → L2 流程期 → L3 Agent 期 → L4 生态期。 ◦五维评估法则：重复度 × 数据可得性 × 容错空间 × 业务价值 × 技术可行性。 ◦快速排序：优先选择“高频+有数据+可评测+允许试错”的场景，避免一开始就进入高风险、强合规、难验证的核心生产链路。 10从一次成功到可复用能力：沉淀组织AI资产 ◦痛点解决：如何让AI能力复用到新功能新特性，并从个人经验转化为团队可继承的知识、流程和评测标准？ ◦三类关键沉淀对象： •How：任务执行步骤与操作路径（SOP的Agent化）。 •What：问题定义、边界条件与适用范围。 •Good：评估标准、质量判断与优劣比较依据（Eval体系），可进一步发展为评测Agent管理项目的基础。 ◦工作分类与心智转型：区分可通过AI降本的工作与需要长期投入的高价值工作，推动工程师从代码执行者转向任务定义者、质量评估者和Agent管理者。 11工程化落地的关键挑战与金融合规底线 ◦可靠性：Agent的“幻觉”与“脱轨”如何工程化解决。 ◦可观测性：Agent执行过程的监控、追踪与审计，并以评测Agent管理需求理解、代码生成、测试覆盖、文档质量和交付结果。 ◦安全边界：权限控制、人类审核节点、回退机制（私有化部署的价值），并将技术债作为可识别、可排序、可评估、可治理的需求池持续迭代。 12行动建议：高管团队的三步启动 ◦第一步（本周）：每位高管选定一个个人工作场景，深度使用 Agent 工具，体验“半人马时代”的工作方式。 ◦第二步（本月）：各团队识别3个高价值候选场景，完成可行性评估，并同步梳理对应的技术债治理清单与评测指标。 ◦第三步（本季）：选定1-2个场景进入POC，建立评测Agent、迭代机制与知识沉淀规范，开始构建围绕国信证券业务的“知识系统”。 |
|
模块一：前沿认知——大模型根本性变化与行业冲击（约 60 分钟） 核心问题：大模型正在发生什么根本性变化？为什么“等新技术出来再学”是极其危险的战略误判？近期重要AI动态会如何影响金融科技团队的认知与决策？ 1AI能力的三次跃迁与近期关键转折点 ◦第一跃迁：从规则系统到深度学习（感知智能）。 ◦第二跃迁：从专用模型到通用大模型（认知智能）。 ◦第三跃迁：从对话式AI到Agentic AI（行动智能）— 我们正处于此刻。 ◦前沿信号：推理能力飞跃、工具生态成熟（MCP协议）、成本拐点到来，并结合DeepSeek V4等近期重要AI动态说明模型能力变化。 2Agentic AI 核心架构解析 ◦Agent ≠ Chatbot：从“你问我答”到“你定目标，我自主完成”。 ◦四大核心能力：感知（多模态输入）→ 规划（任务拆解）→ 行动（工具调用）→ 反思（自我纠错）。 ◦关键技术演进：Function Calling → Multi-Agent → Code Execution → Computer Use。 3技术高管的认知重塑与“半人马时代” ◦纠正认知误区：剖析“AI不过如此”与“等新技术出来再学”的危害。 ◦知识系统沉淀的长期价值：为什么提前跟进AI落地沉淀的“知识系统”无法跳过？（竞争对手会凭借提前储备的知识系统获得更快的迭代效率，内部团队也需要沉淀可复用的业务与工程知识）。 ◦半人马时代的定位：当前处于“人+AI > AI”的阶段，必须持续更新人的认知与商业环境，才能跟上AI发展的节奏。 4对技术团队的根本影响 ◦架构师：从设计系统到设计“人+Agent 协作系统”。 ◦研发：从写代码到定义 Agent 的目标、边界与反馈机制。 ◦运维：从响应告警到构建自愈 Agent。 |
|
模块二：行业案例——互联网及金融行业AI应用实践（约 60 分钟） 核心问题：互联网和金融行业如何把Agentic AI从Demo做到生产级？美团、快手等代码实施方案以及腾讯云、火山引擎等金融解决方案，对国信证券有什么借鉴意义？ 5案例一：Coding Agent与互联网代码实施方案 ◦标杆：Cursor / GitHub Copilot Agent / Codex，以及美团、快手等互联网企业在代码生成、测试补全、代码评审和工程提效中的实践方向。 ◦痛点直击：为什么很多团队“个人人效提升了，但整体组织迭代效率没有提升”？互联网公司的代码实施方案如何从个人工具进入研发流程？ ◦核心模式：从代码补全→任务级自主编码→跨文件重构→测试补全→代码评审→CI/CD闭环。 ◦能力边界：当前闭源模型已经可以完成较复杂的大型项目重构，但仍需要架构师、研发负责人和评测体系共同把控质量与风险。 6案例二：互联网头部企业的激进实践与迭代效率 ◦充足的AI资源投入：互联网企业普遍将AI能力从写代码拓展到需求分析、研发协同、测试验证、知识问答和日常办公等全工作场景。 ◦极致的迭代效率：头部研发团队正在尝试通过AI打通小版本发布、自验证、缺陷修复和文档更新流程，以提升整体交付节奏。 ◦新老产品策略：新产品激进使用AI提升迭代效率，老产品则通过沉淀已有代码库、业务规则和工程知识，充分复用AI能力。 7案例三：金融行业AI解决方案与Multi-Agent协作 ◦场景映射：腾讯云、火山引擎等金融市场解决方案可映射到智能客服、投研辅助、合规审查、风控审批、技术文档智能问答、故障根因分析等场景。 ◦核心模式：任务编排 Agent + 专家 Agent 集群 + 人类审核节点；检索增强 + 多步推理 + 工具验证 + 持续学习，并匹配金融行业权限、审计与私有化部署要求。 ◦质变点：从“搜索返回文档”到“Agent给出经过验证的结论”。 8前沿信号：金融行业的私有化部署、国产模型与闭源模型竞争 ◦向私有化部署需求的金融企业同步：国产大模型与闭源模型的能力差距和成本结构正在快速变化，金融机构需要在能力、成本、安全、合规和可控性之间形成综合判断。 |
|
模块三：内部落地框架——技术团队的工程化推进方法（约 60 分钟） 核心问题：回到某公司，技术团队明天可以开始做什么？如何通过评测Agent、技术债治理和工程师角色转型，兼顾效能提升与金融风险控制？ 9AI工程化成熟度模型与高价值场景筛选 ◦成熟度评估：L0 体验期 → L1 工具期 → L2 流程期 → L3 Agent 期 → L4 生态期。 ◦五维评估法则：重复度 × 数据可得性 × 容错空间 × 业务价值 × 技术可行性。 ◦快速排序：优先选择“高频+有数据+可评测+允许试错”的场景，避免一开始就进入高风险、强合规、难验证的核心生产链路。 10从一次成功到可复用能力：沉淀组织AI资产 ◦痛点解决：如何让AI能力复用到新功能新特性，并从个人经验转化为团队可继承的知识、流程和评测标准？ ◦三类关键沉淀对象： •How：任务执行步骤与操作路径（SOP的Agent化）。 •What：问题定义、边界条件与适用范围。 •Good：评估标准、质量判断与优劣比较依据（Eval体系），可进一步发展为评测Agent管理项目的基础。 ◦工作分类与心智转型：区分可通过AI降本的工作与需要长期投入的高价值工作，推动工程师从代码执行者转向任务定义者、质量评估者和Agent管理者。 11工程化落地的关键挑战与金融合规底线 ◦可靠性：Agent的“幻觉”与“脱轨”如何工程化解决。 ◦可观测性：Agent执行过程的监控、追踪与审计，并以评测Agent管理需求理解、代码生成、测试覆盖、文档质量和交付结果。 ◦安全边界：权限控制、人类审核节点、回退机制（私有化部署的价值），并将技术债作为可识别、可排序、可评估、可治理的需求池持续迭代。 12行动建议：高管团队的三步启动 ◦第一步（本周）：每位高管选定一个个人工作场景，深度使用 Agent 工具，体验“半人马时代”的工作方式。 ◦第二步（本月）：各团队识别3个高价值候选场景，完成可行性评估，并同步梳理对应的技术债治理清单与评测指标。 ◦第三步（本季）：选定1-2个场景进入POC，建立评测Agent、迭代机制与知识沉淀规范，开始构建围绕国信证券业务的“知识系统”。 |
近期公开课推荐
