课程简介
IT外包和软件开发企业面临的双重挑战：
-交付效率: 客户需求多变、交付周期紧、人力成本高
-技术升级: LLM/AI技术快速演进，团队需要快速掌握新能力
本课程从LLM核心原理出发，覆盖Prompt Engineering、RAG、Multi-Agent、知识库构建、研发提效五大维度，帮助团队构建AI全栈开发能力，实现软件研发全生命周期的AI赋能。
目标收益
1.吃透LLM核心原理与技术栈：理解Transformer、注意力机制、Token化等核心概念，掌握提示词工程、RAG、多模态全栈能力
2.赋能软件研发全生命周期：从竞品分析到架构设计，覆盖需求→设计→编码→测试→交付全流程AI落地
3.掌握主流Multi-Agent框架：理解多Agent协作架构，精通任务调度策略与框架选型方法论
4.构建企业级上下文知识库：掌握私有化场景落地的核心方法，实现知识驱动的AI应用
5.大幅提升个人与团队协作效率：建立团队级AI编程规范，实现软件研发的数字化转型
培训对象
开发人员、产品设计岗、运维/支持岗
课程大纲
| 第一天：LLM全栈能力筑基 |
模块一：LLM核心原理与技术栈全景 1.1 LLM核心概念解析 Transformer架构精要：注意力机制、位置编码、多层推理 Token化与上下文窗口：为什么理解Token很重要 主流模型对比：GPT-4o、Claude、Gemini、DeepSeek、Qwen 温度参数、Top-P、采样策略：如何控制生成质量 1.2 提示词工程（Prompt Engineering）五大要素 高质量Prompt = 上下文清晰 + 指令明确 + 示例引导 + 分步拆解 + 验证标准 Zero-shot / Few-shot / CoT（思维链）/ ToT（思维树） 系统Prompt设计：角色设定、约束条件、输出格式 Prompt模板化：团队级Prompt管理最佳实践 1.3 技术栈全景图 现场演示：同一个需求，不同Prompt策略的输出质量对比。 |
| 模块二：RAG系统设计与企业级知识库构建 |
2.1 RAG核心原理 为什么需要RAG：LLM的局限性（知识截止、幻觉、缺乏私有数据） RAG vs Fine-tuning vs 预训练：三大增强路径的选型决策 2.2 RAG系统关键组件 2.3 企业级知识库构建 知识源梳理：文档、Wiki、代码、数据库、日志 数据处理流水线：采集 → 清洗 → 切分 → Embedding → 索引 → 更新 私有化部署方案：本地模型 + 内网向量库 + 数据安全策略 知识库评估：准确率、召回率、响应时间、用户满意度 动手练习（30分钟）: 构建一个简易RAG系统（基于开源组件） 导入企业文档，测试问答效果 对比不同切分策略的检索质量 |
| 模块三：多模态能力与LLM应用开发实战 |
3.1 多模态应用开发 图文理解：文档OCR + 信息提取、产品图片分析 语音处理：语音识别、语音合成、实时翻译 结构化数据：Excel/CSV智能分析、数据库查询生成 代码智能：代码生成、代码审查、测试生成、文档自动生成 3.2 LLM应用架构设计 API集成模式：同步/流式/批量 成本控制：Token计量、缓存策略、模型路由 安全合规：数据脱敏、Prompt注入防御、审计日志 3.3 实战：构建AI辅助的需求分析工具 场景：外包项目需求分析阶段，用AI辅助完成竞品分析和需求文档生成。 动手实践（40分钟）： 输入客户需求描述，AI辅助进行需求拆解 基于RAG检索历史项目知识，辅助方案设计 自动生成需求规格文档初稿 |
| 模块四：研发效能提升 — AI赋能软件研发全生命周期 |
4.1 研发全生命周期AI赋能图谱 4.2 AI驱动的研发提效实践 4.3 Spec Coding方法论 — 团队级AI编程规范 四大工程原则：Spec First / Living Docs / Traceability / Validation Spec驱动开发工作流：需求 → Spec → AI生成 → Review → Commit 团队Prompt管理：从个人经验到组织能力 外包场景适配：如何用Spec确保跨团队交付一致性 动手练习（30分钟）: 用Spec Coding方法编写一个功能需求 基于Spec用AI生成代码和测试 小组交叉Review |
|
第二天：Multi-Agent与企业级落地 模块五：Multi-Agent架构与任务调度 |
5.1 从单Agent到Multi-Agent 为什么需要Multi-Agent：复杂任务分解、专业分工、并行执行 Agent间通信模式：同步调用 / 异步消息 / 共享状态 任务分解策略：按功能 / 按阶段 / 按能力 5.2 任务调度策略 5.3 Multi-Agent框架选型 动手练习（30分钟）: 使用LangGraph构建一个简单的Multi-Agent工作流 实现"需求分析→代码生成→测试"三Agent协作 |
| 模块六：企业级上下文知识库与私有化落地 |
6.1 企业级知识库架构 6.2 知识源接入与处理 文档知识：PDF/Word/Markdown → 切分 → 元数据标注 → 索引 代码知识：Git仓库 → AST解析 → 接口文档 → 索引 业务知识：FAQ/SOP/案例 → 结构化 → 索引 实时知识：监控日志 / 工单系统 → 增量更新 6.3 私有化部署方案 本地模型选型：Qwen2.5 / DeepSeek / Llama3.1（中文能力对比） 硬件需求：GPU选型、显存估算、并发能力 运维体系：模型更新、索引重建、监控告警 6.4 外包企业知识库实践 场景：IT外包团队为多个客户交付项目，需要构建跨项目知识库。 实践要点： 客户数据隔离：多租户知识库架构 项目知识沉淀：交付文档、技术方案、问题解决记录 新项目复用：基于历史项目知识加速新项目交付 |
| 模块七：效能倍增 — 团队协作与组织级落地 |
7.1 个人效能提升 AI编程工作流：Vibe（探索）→ Spec（规格化）→ AI（生成）→ Review（审查）→ Commit（提交） Prompt个人管理：从碎片化到系统化 个人知识库：用AI管理和检索个人知识 7.2 团队协作效能 7.3 组织级落地路径 7.4 外包企业落地策略 ROI计算：培训投入 vs 效率提升 vs 交付能力增强 人员分层：初级开发者（AI辅助编码） / 高级工程师（Spec设计+Review） / 架构师（Agent编排） 风险管理：数据安全、代码质量、客户接受度 动手练习（30分钟）: 为团队设计一套AI编程规范（包含Prompt模板和Review检查清单） 模拟外包项目场景：从客户需求到AI辅助交付的全流程 |
| 模块八：综合实战演练 |
分组实战（4-5人/组）: 实战场景: 为一家企业客户开发"智能客服知识库系统" |
|
第一天：LLM全栈能力筑基 模块一：LLM核心原理与技术栈全景 1.1 LLM核心概念解析 Transformer架构精要：注意力机制、位置编码、多层推理 Token化与上下文窗口：为什么理解Token很重要 主流模型对比：GPT-4o、Claude、Gemini、DeepSeek、Qwen 温度参数、Top-P、采样策略：如何控制生成质量 1.2 提示词工程（Prompt Engineering）五大要素 高质量Prompt = 上下文清晰 + 指令明确 + 示例引导 + 分步拆解 + 验证标准 Zero-shot / Few-shot / CoT（思维链）/ ToT（思维树） 系统Prompt设计：角色设定、约束条件、输出格式 Prompt模板化：团队级Prompt管理最佳实践 1.3 技术栈全景图 现场演示：同一个需求，不同Prompt策略的输出质量对比。 |
|
模块二：RAG系统设计与企业级知识库构建 2.1 RAG核心原理 为什么需要RAG：LLM的局限性（知识截止、幻觉、缺乏私有数据） RAG vs Fine-tuning vs 预训练：三大增强路径的选型决策 2.2 RAG系统关键组件 2.3 企业级知识库构建 知识源梳理：文档、Wiki、代码、数据库、日志 数据处理流水线：采集 → 清洗 → 切分 → Embedding → 索引 → 更新 私有化部署方案：本地模型 + 内网向量库 + 数据安全策略 知识库评估：准确率、召回率、响应时间、用户满意度 动手练习（30分钟）: 构建一个简易RAG系统（基于开源组件） 导入企业文档，测试问答效果 对比不同切分策略的检索质量 |
|
模块三：多模态能力与LLM应用开发实战 3.1 多模态应用开发 图文理解：文档OCR + 信息提取、产品图片分析 语音处理：语音识别、语音合成、实时翻译 结构化数据：Excel/CSV智能分析、数据库查询生成 代码智能：代码生成、代码审查、测试生成、文档自动生成 3.2 LLM应用架构设计 API集成模式：同步/流式/批量 成本控制：Token计量、缓存策略、模型路由 安全合规：数据脱敏、Prompt注入防御、审计日志 3.3 实战：构建AI辅助的需求分析工具 场景：外包项目需求分析阶段，用AI辅助完成竞品分析和需求文档生成。 动手实践（40分钟）： 输入客户需求描述，AI辅助进行需求拆解 基于RAG检索历史项目知识，辅助方案设计 自动生成需求规格文档初稿 |
|
模块四：研发效能提升 — AI赋能软件研发全生命周期 4.1 研发全生命周期AI赋能图谱 4.2 AI驱动的研发提效实践 4.3 Spec Coding方法论 — 团队级AI编程规范 四大工程原则：Spec First / Living Docs / Traceability / Validation Spec驱动开发工作流：需求 → Spec → AI生成 → Review → Commit 团队Prompt管理：从个人经验到组织能力 外包场景适配：如何用Spec确保跨团队交付一致性 动手练习（30分钟）: 用Spec Coding方法编写一个功能需求 基于Spec用AI生成代码和测试 小组交叉Review |
|
第二天：Multi-Agent与企业级落地 模块五：Multi-Agent架构与任务调度 5.1 从单Agent到Multi-Agent 为什么需要Multi-Agent：复杂任务分解、专业分工、并行执行 Agent间通信模式：同步调用 / 异步消息 / 共享状态 任务分解策略：按功能 / 按阶段 / 按能力 5.2 任务调度策略 5.3 Multi-Agent框架选型 动手练习（30分钟）: 使用LangGraph构建一个简单的Multi-Agent工作流 实现"需求分析→代码生成→测试"三Agent协作 |
|
模块六：企业级上下文知识库与私有化落地 6.1 企业级知识库架构 6.2 知识源接入与处理 文档知识：PDF/Word/Markdown → 切分 → 元数据标注 → 索引 代码知识：Git仓库 → AST解析 → 接口文档 → 索引 业务知识：FAQ/SOP/案例 → 结构化 → 索引 实时知识：监控日志 / 工单系统 → 增量更新 6.3 私有化部署方案 本地模型选型：Qwen2.5 / DeepSeek / Llama3.1（中文能力对比） 硬件需求：GPU选型、显存估算、并发能力 运维体系：模型更新、索引重建、监控告警 6.4 外包企业知识库实践 场景：IT外包团队为多个客户交付项目，需要构建跨项目知识库。 实践要点： 客户数据隔离：多租户知识库架构 项目知识沉淀：交付文档、技术方案、问题解决记录 新项目复用：基于历史项目知识加速新项目交付 |
|
模块七：效能倍增 — 团队协作与组织级落地 7.1 个人效能提升 AI编程工作流：Vibe（探索）→ Spec（规格化）→ AI（生成）→ Review（审查）→ Commit（提交） Prompt个人管理：从碎片化到系统化 个人知识库：用AI管理和检索个人知识 7.2 团队协作效能 7.3 组织级落地路径 7.4 外包企业落地策略 ROI计算：培训投入 vs 效率提升 vs 交付能力增强 人员分层：初级开发者（AI辅助编码） / 高级工程师（Spec设计+Review） / 架构师（Agent编排） 风险管理：数据安全、代码质量、客户接受度 动手练习（30分钟）: 为团队设计一套AI编程规范（包含Prompt模板和Review检查清单） 模拟外包项目场景：从客户需求到AI辅助交付的全流程 |
|
模块八：综合实战演练 分组实战（4-5人/组）: 实战场景: 为一家企业客户开发"智能客服知识库系统" |
近期公开课推荐
