课程简介
本课程⾯向⾦融科技、智能中⼼、研发与平台架构团队，围绕“从单点 AI ⼯具使⽤⾛向企业级智能体体系建设”展开。课程不做简单概念罗列，⽽是结合⾦融⾏业智能问答、智能问数、运营管理、流程编排、研发提效等典型场景，系统讲解 GitHub Copilot / VS Code Agent、Dify 类平台、LangGraph/MCP/A2A 等技术在企业智能体建设中的定位与取舍。
课程重点解决三个问题：第⼀，当前⼯具能做到什么，哪些能⼒仍需平台化或⾃研；第⼆，如何定义 AgentScope，避免智能体能⼒边界、权限边界和责任边界失控；第三，当企业内部出现上百甚⾄上千个智能体时，如何进⾏协同、路由、监控、版本、权限、数据安全和 LLMOps 治理。课程将通过两个实战任务，帮助学员完成从单 Agent ⼯作流到⼤规模多智能体体系设计的落地路径。
目标收益
1. 理解⾦融企业从 Copilot 辅助研发、VS Code Agent ⾃动化，到 Dify/⾃研平台级智能体体系的演进路径。
2. 掌握 Agent Scope 设计⽅法，明确智能体的能⼒边界、数据边界、权限边界、调⽤边界和责任边界。
3. 掌握企业级智能体架构：Model、Context、Memory、Tools、Workflow、Evaluation、Guardrails、LLMOps。
4. 能够判断 GitHub Copilot、Dify、Coze、LangGraph、MCP、A2A 等⼯具/框架在⾦融场景中的适⽤边界。
5. 掌握多智能体协同中的任务分解、⻆⾊分⼯、结果合并、冲突仲裁、Agent Registry、路由与服务发现⽅法。
6. 能够设计⾦融领域⼤规模智能体项⽬⽅案，包括智能问答、智能问数、智能编排、运营管理和研发⾃动化等场景。
7. 建⽴智能体上线后的测试、Trace、成本、质量、安全、合规、反馈闭环和持续运营意识。
培训对象
课程大纲
|
第⼀天-上午：从研发 Agent 到企业级智能体体系设计 1. 课程开场：⾦融企业智能体建设现状与问题重构（0.5h） |
⾦融⾏业智能体应⽤的典型场景：智能问答、智能问数、运营管理、流程编排、研发提效。 当前常⻅问题：概念多、案例少；Demo 多、项⽬少；单点⼯具多、体系化治理少。 明确本课程主线：从个⼈ Agent ⼯具，到平台化 Agent，再到⼤规模多智能体体系。 |
| 2. 从 GitHub Copilot / VS Code Agent 到系统性智能体平台（0.5h） |
GitHub Copilot 与 VS Code Agent 模式的定位：研发辅助、代码⽣成、问题排查、简单⾃动化流。 VS Code Agent 适合的边界：个⼈研发任务、⼩范围⾃动化、代码仓库内任务执⾏。 Dify 类平台的定位：流程编排、⼯具调⽤、知识库接⼊、企业级应⽤原型与低代码交付。 ⾃研框架的必要性：复杂权限、跨系统集成、⼤规模智能体路由、深度可观测与合规审计。 |
| 3. Agent Scope 设计：能⼒边界、权限边界、数据边界与责任边界（1h） |
Agent Scope 的核⼼含义：⼀个智能体应该做什么、不应该做什么、能访问什么、能调⽤什么。 ⾦融场景中的 Scope 设计：客⼾信息查询、交易辅助、⻛控分析、运营报表、研发⾃动化的边界差异。 ⾦融领域⼤规模智能体体系建设与全链路项⽬实战.md 2026-06-24 1 / 3 权限控制设计：⽤⼾⾝份、⻆⾊权限、⼯具权限、数据分级、操作确认和审计⽇志。 失控⻛险分析：越权调⽤、错误执⾏、数据泄露、结果幻觉、责任不清与⼈⼯兜底缺失 |
| 4.企业级智能体总体架构：Model + Context + Memory + Tools + Workflow + Eval（1h） |
Model：模型能⼒、成本、延迟、上下⽂⻓度、私有化与国产化适配。 Context：系统提⽰词、业务上下⽂、检索上下⽂、⽤⼾上下⽂与任务上下⽂管理。 Memory：短期会话记忆、⻓期业务记忆、⽤⼾偏好、任务状态和历史决策记录。 Tools：API、数据库、知识库、报表系统、审批系统、⼯单系统等企业⼯具接⼊。 Workflow 与 Eval：流程编排、状态管理、结果评估、Trace 追踪和持续优化。 |
|
第⼀天-下午：Dify 平台化编排与单 Agent ⼯作流实战 1. ⾼代码、低代码与⾃研框架选型：Copilot、Dify、LangGraph、MCP 的定位（1h） |
Copilot / VS Code Agent：研发侧任务⾃动化与代码仓库内辅助。 Dify / Coze / Bisheng：低代码智能体应⽤、知识库问答、⼯作流编排和业务原型验证。 LangGraph / ⾃研框架：复杂状态流、多智能体协同、强可控流程和深度系统集成。 MCP：标准化⼯具接⼊层，让智能体更安全、统⼀地调⽤⽂件、数据库、API 和业务系统。 选型矩阵：交付速度、数据安全、定制能⼒、可观测性、运维成本和规模化能⼒。 |
| 2. ⾦融业务 Agent 编排⽅法：流程、⼯具、知识库、⼈⼯审核与异常兜底（1h） |
⾦融业务 Agent 的标准流程：意图识别、信息收集、知识检索、⼯具调⽤、结果⽣成、⼈⼯确认。 Dify 类平台的核⼼节点：LLM 节点、知识库节点、条件分⽀、代码节点、⼯具节点、⼈⼯审核节点。 ⾦融场景兜底机制：拒答策略、引⽤来源、敏感信息过滤、⼈⼯接管和异常回滚。 ⼯具是否具备与⾃研判断：平台已有能⼒、插件扩展能⼒、API 封装能⼒和⾃研编排引擎边界。 |
| 课程实战1：基于 Dify/同类平台搭建⾦融业务办理 Agent（1h） |
实操任务：搭建⼀个“⾦融业务咨询-资料检索-⼯具查询-⼈⼯确认-结果反馈”的单 Agent ⼯作流。 材料输⼊：脱敏⾦融制度⽂档、业务 FAQ、Mock 客⼾查询接⼝、Mock ⼯单创建接⼝。 实操环境：Dify 或同类低代码平台，可替换为本地演⽰环境。 核⼼步骤：配置知识库、设计 Agent Scope、接⼊⼯具节点、设置条件分⽀、加⼊⼈⼯审核与兜底回 复。 分组⽅式：2-4 ⼈⼀组，围绕同⼀业务场景完成流程搭建。 输出成果：⼀个可演⽰的⾦融业务办理 Agent 原型，以及⼀份 Scope 与⼯具权限清单 |
|
第⼆天-上午：多智能体协同架构与⼤规模互联治理 1. 多 Agent 协同模式：Planner / Worker / Reviewer / Orchestrator（0.5h） |
单 Agent 与多 Agent 的差异：任务复杂度、⻆⾊边界、上下⽂隔离、协同成本和质量控制。 常⻅⻆⾊：规划者、检索者、分析者、执⾏者、审查者、仲裁者、总控编排者。 ⾦融场景⽰例：研报分析、合同审核、⻛险排查、运营⽇报⽣成和智能问数 |
| 2. 多智能体查询、交互与冲突处理：任务分解、结果合并、仲裁策略（1h） |
多 Agent 查询机制：意图路由、任务拆解、并⾏执⾏、上下⽂共享和结果汇总。 协作策略：中⼼化编排、去中⼼化协商、⿊板模式、事件驱动模式和队列调度模式。 冲突处理：不同 Agent 结论不⼀致时的置信度评分、规则优先级、⼈⼯仲裁和⼆次检索校验。 ⾦融领域⼤规模智能体体系建设与全链路项⽬实战.md 2026-06-24 2 / 3 结果合并：引⽤来源合并、重复内容消解、⻛险提⽰补充和最终输出结构化。 |
| 3. 上百/上千 Agent 的互联管理：Agent Registry、Scope、权限、版本、路由与服务发现（1h） |
⼤规模 Agent 的核⼼治理问题：谁能被调⽤、能做什么、由谁维护、如何监控、如何下线。 Agent Registry：智能体注册、能⼒描述、输⼊输出 Schema、依赖⼯具、Owner 和 SLA。 类微服务治理思路：服务发现、路由策略、版本灰度、熔断降级、调⽤链追踪和权限⽹关。 ⽣命周期管理：开发、测试、发布、监控、反馈、迭代、归档和退役。 |
| 4. MCP 与 A2A：类⽐微服务治理的智能体通信与⼯具接⼊框架（0.5h） |
MCP 的定位：Agent-to-Tool，让智能体以标准⽅式接⼊⽂件、数据库、API 和企业⼯具。 A2A 的定位：Agent-to-Agent，解决智能体之间的任务委托、状态传递和协同通信问题。 与微服务的类⽐：API 契约、服务注册、权限认证、观测⽇志、调⽤链和治理平台。 ⾦融落地注意事项：内外⽹隔离、敏感数据脱敏、⼯具⽩名单、操作审批和审计留痕。 |
|
第⼆天-下午：⾦融⼤规模智能体项⽬实战、监控与交付 1. LLMOps 与 AgentOps：测试、Trace、成本、质量、安全与反馈闭环（1h） |
测试体系：标准问题集、边界问题、幻觉测试、⼯具调⽤测试、权限越界测试和回归测试。 Trace 追踪：记录 Agent 的输⼊、检索、⼯具调⽤、决策路径、Token 成本、延迟和异常。 质量指标：任务完成率、答案准确率、引⽤命中率、⼯具调⽤成功率、⼈⼯接管率和⽤⼾满意度。 数据⻜轮：⽤⼾反馈、错误归因、样本标注、提⽰词优化、知识库更新和模型迭代。 安全合规：提⽰词注⼊防护、敏感信息过滤、输出审核、权限控制和审计报表。 |
| 2. ⾦融脱敏案例拆解：智能问数、智能问答、智能编排、运营管理场景（0.5h） |
智能问答：制度、产品、流程、⻛控规则和内部知识问答。 智能问数：⾃然语⾔到指标查询、报表解释、异常归因和经营分析。 智能编排：跨系统查询、⼯单流转、审批辅助和任务提醒。 运营管理：⽤⼾反馈聚类、问题归因、服务质量分析和运营策略建议。 |
| 课程实战2：设计⼀个⼤规模⾦融多智能体协同⽅案（1h） |
实操任务：围绕“⾦融运营管理智能体体系”或“智能问数与⻛险分析智能体体系”设计多 Agent ⽅案。 材料输⼊：脱敏业务流程、⻆⾊清单、数据源清单、Mock API、知识库样例和合规约束。 核⼼步骤：划分 Agent Scope、设计 Agent Registry、绘制协同流程、定义⼯具权限、设计 Trace 和验收 指标。 分组⽅式：3-5 ⼈⼀组，每组选择⼀个⾦融业务场景完成⽅案设计。 输出成果：⼀张多智能体协同架构图、⼀份 Agent Scope 表、⼀份⼯具权限表、⼀份上线验收清单。 |
| 3. 项⽬路演、讲评与落地路线图（0.5h） |
⼩组展⽰多智能体体系设计：业务⽬标、Agent 划分、协同流程、⼯具接⼊、⻛险控制和交付路径。 讲师点评：从架构合理性、落地可⾏性、数据安全、扩展能⼒、运维治理和成本控制⻆度给出建议。 形成落地路线图：从试点场景、MVP 原型、平台能⼒建设，到规模化推⼴和持续运营。 |
|
第⼀天-上午：从研发 Agent 到企业级智能体体系设计 1. 课程开场：⾦融企业智能体建设现状与问题重构（0.5h） ⾦融⾏业智能体应⽤的典型场景：智能问答、智能问数、运营管理、流程编排、研发提效。 当前常⻅问题：概念多、案例少；Demo 多、项⽬少；单点⼯具多、体系化治理少。 明确本课程主线：从个⼈ Agent ⼯具，到平台化 Agent，再到⼤规模多智能体体系。 |
|
2. 从 GitHub Copilot / VS Code Agent 到系统性智能体平台（0.5h） GitHub Copilot 与 VS Code Agent 模式的定位：研发辅助、代码⽣成、问题排查、简单⾃动化流。 VS Code Agent 适合的边界：个⼈研发任务、⼩范围⾃动化、代码仓库内任务执⾏。 Dify 类平台的定位：流程编排、⼯具调⽤、知识库接⼊、企业级应⽤原型与低代码交付。 ⾃研框架的必要性：复杂权限、跨系统集成、⼤规模智能体路由、深度可观测与合规审计。 |
|
3. Agent Scope 设计：能⼒边界、权限边界、数据边界与责任边界（1h） Agent Scope 的核⼼含义：⼀个智能体应该做什么、不应该做什么、能访问什么、能调⽤什么。 ⾦融场景中的 Scope 设计：客⼾信息查询、交易辅助、⻛控分析、运营报表、研发⾃动化的边界差异。 ⾦融领域⼤规模智能体体系建设与全链路项⽬实战.md 2026-06-24 1 / 3 权限控制设计：⽤⼾⾝份、⻆⾊权限、⼯具权限、数据分级、操作确认和审计⽇志。 失控⻛险分析：越权调⽤、错误执⾏、数据泄露、结果幻觉、责任不清与⼈⼯兜底缺失 |
|
4.企业级智能体总体架构：Model + Context + Memory + Tools + Workflow + Eval（1h） Model：模型能⼒、成本、延迟、上下⽂⻓度、私有化与国产化适配。 Context：系统提⽰词、业务上下⽂、检索上下⽂、⽤⼾上下⽂与任务上下⽂管理。 Memory：短期会话记忆、⻓期业务记忆、⽤⼾偏好、任务状态和历史决策记录。 Tools：API、数据库、知识库、报表系统、审批系统、⼯单系统等企业⼯具接⼊。 Workflow 与 Eval：流程编排、状态管理、结果评估、Trace 追踪和持续优化。 |
|
第⼀天-下午：Dify 平台化编排与单 Agent ⼯作流实战 1. ⾼代码、低代码与⾃研框架选型：Copilot、Dify、LangGraph、MCP 的定位（1h） Copilot / VS Code Agent：研发侧任务⾃动化与代码仓库内辅助。 Dify / Coze / Bisheng：低代码智能体应⽤、知识库问答、⼯作流编排和业务原型验证。 LangGraph / ⾃研框架：复杂状态流、多智能体协同、强可控流程和深度系统集成。 MCP：标准化⼯具接⼊层，让智能体更安全、统⼀地调⽤⽂件、数据库、API 和业务系统。 选型矩阵：交付速度、数据安全、定制能⼒、可观测性、运维成本和规模化能⼒。 |
|
2. ⾦融业务 Agent 编排⽅法：流程、⼯具、知识库、⼈⼯审核与异常兜底（1h） ⾦融业务 Agent 的标准流程：意图识别、信息收集、知识检索、⼯具调⽤、结果⽣成、⼈⼯确认。 Dify 类平台的核⼼节点：LLM 节点、知识库节点、条件分⽀、代码节点、⼯具节点、⼈⼯审核节点。 ⾦融场景兜底机制：拒答策略、引⽤来源、敏感信息过滤、⼈⼯接管和异常回滚。 ⼯具是否具备与⾃研判断：平台已有能⼒、插件扩展能⼒、API 封装能⼒和⾃研编排引擎边界。 |
|
课程实战1：基于 Dify/同类平台搭建⾦融业务办理 Agent（1h） 实操任务：搭建⼀个“⾦融业务咨询-资料检索-⼯具查询-⼈⼯确认-结果反馈”的单 Agent ⼯作流。 材料输⼊：脱敏⾦融制度⽂档、业务 FAQ、Mock 客⼾查询接⼝、Mock ⼯单创建接⼝。 实操环境：Dify 或同类低代码平台，可替换为本地演⽰环境。 核⼼步骤：配置知识库、设计 Agent Scope、接⼊⼯具节点、设置条件分⽀、加⼊⼈⼯审核与兜底回 复。 分组⽅式：2-4 ⼈⼀组，围绕同⼀业务场景完成流程搭建。 输出成果：⼀个可演⽰的⾦融业务办理 Agent 原型，以及⼀份 Scope 与⼯具权限清单 |
|
第⼆天-上午：多智能体协同架构与⼤规模互联治理 1. 多 Agent 协同模式：Planner / Worker / Reviewer / Orchestrator（0.5h） 单 Agent 与多 Agent 的差异：任务复杂度、⻆⾊边界、上下⽂隔离、协同成本和质量控制。 常⻅⻆⾊：规划者、检索者、分析者、执⾏者、审查者、仲裁者、总控编排者。 ⾦融场景⽰例：研报分析、合同审核、⻛险排查、运营⽇报⽣成和智能问数 |
|
2. 多智能体查询、交互与冲突处理：任务分解、结果合并、仲裁策略（1h） 多 Agent 查询机制：意图路由、任务拆解、并⾏执⾏、上下⽂共享和结果汇总。 协作策略：中⼼化编排、去中⼼化协商、⿊板模式、事件驱动模式和队列调度模式。 冲突处理：不同 Agent 结论不⼀致时的置信度评分、规则优先级、⼈⼯仲裁和⼆次检索校验。 ⾦融领域⼤规模智能体体系建设与全链路项⽬实战.md 2026-06-24 2 / 3 结果合并：引⽤来源合并、重复内容消解、⻛险提⽰补充和最终输出结构化。 |
|
3. 上百/上千 Agent 的互联管理：Agent Registry、Scope、权限、版本、路由与服务发现（1h） ⼤规模 Agent 的核⼼治理问题：谁能被调⽤、能做什么、由谁维护、如何监控、如何下线。 Agent Registry：智能体注册、能⼒描述、输⼊输出 Schema、依赖⼯具、Owner 和 SLA。 类微服务治理思路：服务发现、路由策略、版本灰度、熔断降级、调⽤链追踪和权限⽹关。 ⽣命周期管理：开发、测试、发布、监控、反馈、迭代、归档和退役。 |
|
4. MCP 与 A2A：类⽐微服务治理的智能体通信与⼯具接⼊框架（0.5h） MCP 的定位：Agent-to-Tool，让智能体以标准⽅式接⼊⽂件、数据库、API 和企业⼯具。 A2A 的定位：Agent-to-Agent，解决智能体之间的任务委托、状态传递和协同通信问题。 与微服务的类⽐：API 契约、服务注册、权限认证、观测⽇志、调⽤链和治理平台。 ⾦融落地注意事项：内外⽹隔离、敏感数据脱敏、⼯具⽩名单、操作审批和审计留痕。 |
|
第⼆天-下午：⾦融⼤规模智能体项⽬实战、监控与交付 1. LLMOps 与 AgentOps：测试、Trace、成本、质量、安全与反馈闭环（1h） 测试体系：标准问题集、边界问题、幻觉测试、⼯具调⽤测试、权限越界测试和回归测试。 Trace 追踪：记录 Agent 的输⼊、检索、⼯具调⽤、决策路径、Token 成本、延迟和异常。 质量指标：任务完成率、答案准确率、引⽤命中率、⼯具调⽤成功率、⼈⼯接管率和⽤⼾满意度。 数据⻜轮：⽤⼾反馈、错误归因、样本标注、提⽰词优化、知识库更新和模型迭代。 安全合规：提⽰词注⼊防护、敏感信息过滤、输出审核、权限控制和审计报表。 |
|
2. ⾦融脱敏案例拆解：智能问数、智能问答、智能编排、运营管理场景（0.5h） 智能问答：制度、产品、流程、⻛控规则和内部知识问答。 智能问数：⾃然语⾔到指标查询、报表解释、异常归因和经营分析。 智能编排：跨系统查询、⼯单流转、审批辅助和任务提醒。 运营管理：⽤⼾反馈聚类、问题归因、服务质量分析和运营策略建议。 |
|
课程实战2：设计⼀个⼤规模⾦融多智能体协同⽅案（1h） 实操任务：围绕“⾦融运营管理智能体体系”或“智能问数与⻛险分析智能体体系”设计多 Agent ⽅案。 材料输⼊：脱敏业务流程、⻆⾊清单、数据源清单、Mock API、知识库样例和合规约束。 核⼼步骤：划分 Agent Scope、设计 Agent Registry、绘制协同流程、定义⼯具权限、设计 Trace 和验收 指标。 分组⽅式：3-5 ⼈⼀组，每组选择⼀个⾦融业务场景完成⽅案设计。 输出成果：⼀张多智能体协同架构图、⼀份 Agent Scope 表、⼀份⼯具权限表、⼀份上线验收清单。 |
|
3. 项⽬路演、讲评与落地路线图（0.5h） ⼩组展⽰多智能体体系设计：业务⽬标、Agent 划分、协同流程、⼯具接⼊、⻛险控制和交付路径。 讲师点评：从架构合理性、落地可⾏性、数据安全、扩展能⼒、运维治理和成本控制⻆度给出建议。 形成落地路线图：从试点场景、MVP 原型、平台能⼒建设，到规模化推⼴和持续运营。 |
近期公开课推荐
