1.点击下面按钮复制微信号
点击复制微信号
珀菲特企业管理
Karen /郑老师
智能体FDE实战工作坊面向希望在企业场景中快速识别问题、设计方案、构建原型、完成部署并推动智能体落地的技术与业务骨干。FDE(Forward Deployed Engineer,前线部署工程师)是连接客户现场、业务问题、AI 技术能力与产品交付的复合型工程角色,课程强调“真实场景、快速交付、可验证价值”。
| 课前准备 |
▪学员可提前准备一个真实或模拟业务场景,例如:售后知识库问答、设备巡检助手、合同审查助手、生产异常分析、客户服务工单助手、企业内部制度问答等。
▪必须携带电脑,并提前准备可使用的 AI 编程工具或 API 环境。
01掌握 LLM、Agent、Workflow、RAG、MCP、Skill、知识库和企业级集成的基本工程方法。
02拉通 Prompt Engineering、Context Engineering、Harness Engineering,到 Loop Engineering 和 Graph Engineering 的智能体应用主线。
03理解 FDE 的角色边界、能力模型与典型工作方式。
04掌握客户现场问题发现、需求澄清、业务流程拆解与价值判断方法。
05学习使用 AI 编程智能体完成需求分析、方案设计、原型开发、测试与文档生成。
06完成一个面向真实业务场景的 AI 应用原型,并形成可交付的部署方案与演示材料。
07建立从 Demo 验证到试点上线的交付意识,包括安全、权限、评估、运维、培训与验收。
| 课程产出 |
▪一份 FDE 现场调研与需求澄清表。
▪一份业务流程与痛点地图。
▪一份客户场景本体(Ontology)与知识库设计方案。
▪一份智能体能力匹配表。
▪一份智能体应用 Harness 架构图。
▪一个可演示的 Agent / RAG / Workflow / MCP / Skill 原型。
▪一组基本测试用例与效果评估指标。
▪一份 Loop 迭代记录。
▪一份 Graph Engineering(多智能体编排)与多智能体协作图。
▪一份 Demo 验证包与产品 Demo 成果清单。
▪一份部署交付清单与试点上线计划。
▪一份面向客户或管理层的 Demo 汇报稿。
| 总体日程 |
| 时间 | 主题 | 核心任务 | 主要产出 |
| 第一天上午 | AI 编程基础与智能体FDE认知 | 了解 AI 编程基本方法,建立智能体技术认知,并完成现场问题定义 | AI 编程任务卡、智能体能力地图、问题定义、价值假设 |
| 第一天下午 | 客户场景本体(Ontology)建模、知识库与智能体方案设计 | 从客户业务对象、关系、属性、规则和动作出发,完成知识库规划并设计智能体应用架构 | Ontology 与知识库方案、应用架构、工具与数据清单 |
| 第一天晚上 | 智能体原型冲刺 | 使用 AI 编程智能体完成核心业务闭环与可演示 Demo | 可演示 Demo、测试问题清单、优化清单 |
| 第二天上午 | Loop Engineering、Graph Engineering(多智能体编排)与企业级交付 | 将原型升级为可部署、可评估、可运维的智能体方案 | Demo 验证包、产品 Demo 成果、多智能体协作图、汇报草稿、评估与部署清单 |
| 第二天下午 | Demo Day 与交付复盘 | 方案路演、评审迭代,形成试点上线计划和个人成长路径 | 最终 Demo、试点计划、个人能力路径 |
| 第一天上午:AI 编程基础与智能体FDE认知 |
| 模块一:智能体FDE思维方式 - 从 AI 编程基础到前线交付 |
1.1 AI 编程基础:建立人机协作的开发方式
▪课程导入:明确两天一晚的学习路径、分组任务、最终成果与评价方式。
▪AI 编程基础:理解 AI 编程与传统编程的区别,以及 AI 编程智能体的基本工作方式。
▪工具使用入门:使用 Cursor、Claude Code、Codex、Trae 等工具完成代码理解、任务拆解、代码生成与问题修复。
▪任务拆解方法:把业务需求拆成 Spec、任务清单、接口、数据结构和测试用例。
▪人机协作原则:AI 负责探索与生成,工程师负责判断、验证、审查和交付。
▪小练习:通过一个简单任务完成“描述需求 - 生成代码 - 运行测试 - 修正结果”的最小 AI 编程闭环。
1.2 FDE 的工程认知:明确角色边界与工作闭环
▪FDE 与软件工程师、售前工程师、解决方案架构师、实施顾问、产品经理的区别。
▪FDE 的核心工作闭环:发现问题、定义价值、设计方案、快速构建、现场部署、验证效果、推动扩展。
▪企业 AI 项目中的常见失败原因:需求不清、数据不可用、系统接不通、评估缺失、上线没人用。
▪FDE 的关键判断:什么值得做、什么能快速做、什么必须先验证。
1.3 智能体应用基础能力地图:建立智能体技术全景认知
▪LLM:上下文、推理、结构化输出、多轮对话与模型能力边界。
▪Agent:目标、规划、工具调用、记忆、反馈与执行控制。
▪Workflow:确定性流程、审批节点、人工介入与业务规则编排。
▪RAG 与知识库:让智能体基于企业知识回答和行动。
▪MCP 与企业系统集成:连接数据库、文档系统、工单系统、CRM、ERP、搜索与报表工具。
▪Skill:把可复用任务封装成稳定、可调用、可测试的能力单元。
1.4 智能体工程主线:理解从模型能力到应用交付的路径
▪Prompt Engineering:让模型稳定理解任务、角色、格式与判断标准。
▪Context Engineering:把业务背景、数据、约束、历史记录、工具说明组织进上下文。
▪Harness Engineering:把模型、工具、数据、权限、日志、评估包装成可运行应用。
▪Loop Engineering:通过“执行 - 观察 - 反馈 - 修正”的循环持续提升智能体应用质量。
▪Graph Engineering:用状态、节点、边和共享数据表达智能体执行路径与多 Agent 协作。
1.5 现场问题发现方法:形成可验证的问题定义
▪客户现场访谈:对象、问题、证据、约束、决策链。
▪业务流程拆解:输入、处理、输出、异常、系统、人员、指标。
▪痛点优先级判断:高频、高价值、高风险、可验证、可集成。
▪从“客户说想要 AI”转化为“明确可交付问题”。
上午实战:智能体FDE现场调研模拟,产出调研卡与能力匹配表
▪分组选择一个业务场景。
▪通过角色扮演完成客户访谈。
▪输出《现场调研卡》:业务目标、当前流程、关键痛点、数据来源、系统边界、成功指标。
▪输出《智能体能力匹配表》:判断该场景需要 LLM、Agent、Workflow、RAG、MCP、Skill 中的哪些能力。
▪讲师点评:需求是否足够具体、价值是否可验证、技术路径是否可落地。
| 第一天下午:客户场景本体建模、知识库与智能体方案设计 |
| 模块二:客户场景本体建模、知识库与智能体方案设计 - 从业务语义到 Harness 架构 |
2.1 客户场景本体建模(Ontology Modeling):明确业务对象、关系与规则
▪本体(Ontology)建模基础:理解业务领域中的实体、属性、关系、事件、规则、角色与动作。
▪客户场景拆解:识别客户、组织、设备、产品、工单、文档、指标等核心业务对象。
▪关系与流程表达:描述对象之间的关联、状态变化、上下游关系和关键业务路径。
▪规则与约束沉淀:明确权限、审批、判断条件、异常处理和业务边界。
▪从 Ontology 到方案:将业务语义映射为智能体、Workflow、知识库和工具调用能力。
2.2 场景 Ontology 驱动的知识库设计:组织企业知识并支撑智能体记忆
▪知识源识别:制度文档、设备手册、工单记录、FAQ、合同、报表、会议纪要和业务数据库。
▪知识加工流程:采集、清洗、切片、结构化、元数据标注、向量化与索引。
▪Ontology 与知识库结合:用业务对象、标签、关系、状态和权限增强知识组织与记忆检索。
▪RAG 基础原理:召回、重排、生成、引用和拒答。
▪知识库质量要求:答案可信度、引用溯源、权限控制、知识更新和版本管理。
▪LLM-Wiki / 文档化知识库思路:把知识库建设与组织知识沉淀结合起来。
2.3 基于 Ontology 与知识库的 Prompt 与 Context 设计:让智能体理解业务语义
▪任务提示词设计:角色、目标、输入、输出、约束、评价标准。
▪上下文分层:业务对象、对象关系、流程状态、历史记录、知识片段、工具返回结果。
▪Ontology 与知识注入上下文:将实体、属性、关系、规则和检索结果转化为模型可理解的业务上下文。
▪结构化输出:让智能体输出表单、JSON、报告、工单、邮件、分析结论。
▪失败样例处理:通过反例、边界条件和评估标准提高稳定性。
2.4 基于场景 Ontology 的工具调用、MCP 与 Skill 设计:让智能体完成业务动作
▪工具调用:让 AI 从“回答问题”走向“执行任务”。
▪MCP:作为企业系统、数据源、工具与大模型之间的连接器。
▪常见集成对象:数据库、工单系统、CRM、ERP、文件系统、邮件、日历、搜索、报表工具。
▪Skill 设计:围绕业务对象和业务动作,把文档处理、查询、分析、生成、审批、通知等动作封装为可复用能力。
▪工具边界设计:明确每个工具作用于哪些对象、需要哪些权限、产生什么结果。
▪FDE 的集成判断:先接什么、后接什么、如何降低上线阻力。
2.5 AI 编程智能体辅助开发:把 Ontology 与方案快速转化为原型
▪使用 Cursor、Claude Code、Codex、Trae 等编程智能体进行需求拆解、代码生成、测试补齐与文档生成。
▪将场景 Ontology 转化为数据结构、接口定义、Prompt 模板、工具 Schema 和测试数据。
▪Skill 开发思路:把可复用任务封装为最小能力单元。
▪规格化编程:用 Spec、任务清单、接口说明、测试用例约束 AI 输出。
▪自动生成交付文档:架构说明、API 文档、测试用例、部署说明、用户手册。
下午实战:构建客户场景 Ontology 与智能体方案骨架:完成业务语义到应用架构的映射
▪根据上午的业务场景,设计一份解决方案架构。
▪绘制客户场景 Ontology:业务对象、属性、关系、状态、规则、角色和关键动作。
▪规划知识库:明确知识来源、文档分类、元数据、切片方式、权限和更新机制。
▪明确原型能力:用户入口、Prompt、上下文来源、知识库、工具调用、业务流程、输出格式。
▪将 Ontology 对象映射到知识库、工具、Skill、Workflow 和 Agent 能力。
▪画出 Harness 架构:模型、应用层、工具层、数据层、权限与日志。
▪使用 AI 编程工具生成第一版应用骨架。
▪输出《客户场景 Ontology 与知识库设计卡》和《方案设计卡》:业务对象、关系规则、知识来源、检索方式、用户旅程、系统架构、数据流、关键接口与风险假设。
| 第一天晚上:智能体原型冲刺 |
| 模块三:从方案骨架到可演示 Demo |
3.1 夜间冲刺目标:锁定可运行 Demo 与次日升级目标
▪把下午的方案变成可运行、可讲清、可验证的最小 Demo。
▪每组至少完成一个核心业务闭环,例如:上传文档并问答、调用工具生成报表、根据工单给出处理建议、自动生成客户回复、完成异常分析摘要。
▪整理第二天上午继续升级所需的问题清单、测试素材和优化方向。
3.2 工作坊任务:完成原型、数据与测试准备
▪原型开发:补齐核心页面、接口、Prompt、工具调用或知识库检索链路。
▪数据准备:整理样例文档、样例业务记录、测试问题与标准答案。
▪测试验证:设计 5-10 个典型问题,检查准确率、引用、格式、稳定性。
▪演示路径:明确演示对象、业务痛点、操作流程和初步结果。
3.3 讲师巡场辅导:解决技术实现与交付表达问题
▪技术辅导:Prompt、RAG、工具调用、接口、部署、报错处理。
▪方案辅导:价值表达、业务闭环、客户视角、验收指标。
▪工程辅导:如何用 Spec、任务清单和测试用例约束 AI 编程智能体。
▪第二天升级准备:梳理待补齐的 Demo、评估、部署和汇报材料。
晚间产出:沉淀可继续升级的原型材料
▪可运行或可半自动演示的业务原型。
▪Demo 演示路径。
▪测试问题清单与初步结果。
▪待解决问题与第二天优化清单。
| 第二天上午:Loop Engineering、Graph Engineering多智能体编排与企业级交付 |
| 模块四:从单点 Demo 到可交付智能体系统 |
4.1 Loop Engineering 循环工程:建立智能体持续迭代机制
▪Loop Engineering 的核心闭环:目标设定、任务执行、结果观察、问题定位、策略修正。
▪将夜间原型的问题转化为可迭代清单:Prompt、Context、工具调用、知识库、代码、测试用例。
▪用评估结果驱动迭代:准确率、引用可信度、工具调用成功率、响应速度、异常恢复。
▪用 Spec 和测试用例约束 AI 编程智能体,避免“边改边散”。
▪建立面向试点上线的迭代节奏:每日问题收集、版本更新、效果复盘、验收记录。
4.2 Graph Engineering 多智能体编排:组织智能体、工具与流程协作
▪核心抽象:用 State、Node、Edge 和共享数据表达智能体系统的执行状态、处理单元、路由关系和上下文传递。
▪节点类型:LLM Agent、工具、确定性代码、检索器、评估器、人工审核节点都可以成为执行图中的节点。
▪基本编排结构:顺序执行、条件路由、并行分发与汇聚、循环重试、异常分支和人工介入。
▪控制与分工模式:Supervisor / Manager(包括 Magentic)、Router、Handoff、Agents as Tools / Subagents。
▪执行拓扑模式:Sequential、Concurrent,以及并行分发与汇聚(Fan-out / Fan-in)。
▪协作对话模式:Group Chat,适用于多视角分析、讨论、评审和共同决策。
▪模式选择原则:先判断是否真的需要多 Agent,再根据任务依赖、控制权、延迟、成本和可观测性选择协作模式。
▪协作边界设计:明确每个 Agent 的职责、输入输出、权限、上下文范围、交接条件和终止条件。
▪状态与可靠性:设计共享状态、消息传递、检查点、断点恢复、超时处理和失败回退。
▪与 Ontology 的区别:Ontology / 知识图谱描述业务对象与知识关系;Graph Engineering 描述智能体、工具和流程如何执行与协作。
▪设计原则:复杂任务才引入图式编排,简单任务保持线性 Workflow,避免为了多 Agent 而多 Agent。
4.3 部署工程基础:明确上线环境与运维要求
▪本地部署、私有化部署、云端部署与混合部署的选择。
▪企业交付环境:网络、权限、账号、日志、数据源、API Key、模型供应商。
▪原型到试点的工程差距:稳定性、错误处理、可观测性、备份、版本管理。
▪交付物清单:部署说明、环境依赖、配置项、运维手册、回滚方案。
4.4 评估与测试:验证效果、路径稳定性与成本
▪AI 应用评估维度:准确性、完整性、引用可信度、响应速度、鲁棒性、成本。
▪RAG 测试:召回质量、答案一致性、拒答能力、幻觉控制。
▪Agent 测试:工具调用成功率、异常恢复、边界条件、长任务稳定性。
▪Workflow / Graph 测试:节点覆盖、路径覆盖、分支条件、Agent 交接、状态恢复、人工介入节点。
▪自动化测试:用测试用例驱动 Prompt、Context、知识库、工具链和图结构迭代。
4.5 安全、权限与合规:控制数据、权限与模型风险
▪数据安全:敏感信息、权限隔离、日志脱敏、数据留存。
▪模型安全:输入防护、越权访问、提示注入、工具滥用。
▪企业权限模型:用户身份、文档权限、系统权限、审计记录。
▪FDE 在现场必须问清的安全问题与红线。
4.6 推动上线与客户成功:推动 Demo 走向试点上线
▪从 Demo 到 Pilot:试点范围、用户选择、周期、验收口径。
▪培训与启用:让一线用户真的用起来。
▪反馈闭环:问题收集、版本迭代、指标复盘。
▪扩展路径:从单点场景到部门级、企业级平台。
上午实战:将原型升级为可部署、可评估、可运维的智能体方案:完成 Demo 与交付成果包
▪基于第一天晚上的 Demo,识别原型距离试点上线的关键差距。
▪完成 Loop 迭代记录:问题、原因、修改动作、验证结果、下一步。
▪将线性原型升级为 Graph Engineering 方案:画出状态图、任务图或工具图,明确节点、边、共享状态、Agent 交接和人工介入点。
▪根据业务场景选择合适的多智能体协作模式,并说明为什么采用 Supervisor / Manager、Router、Handoff、Agents as Tools / Subagents、Sequential、Concurrent 或 Group Chat。
▪补齐评估指标与测试用例,明确离线评估、人工评审和上线后监控方式。
▪完成 Demo 验证包:验证目标、场景范围、样例数据、测试结果、成功标准和遗留问题。
▪梳理产品 Demo 产出成果:核心功能、用户入口、关键流程、可复用组件、已知限制和下一版计划。
▪完成部署架构与环境清单,明确模型、知识库、工具、权限、日志、运维责任。
▪形成 Demo Day 汇报草稿:业务背景、痛点定义、解决方案、演示路径、价值评估和上线计划。
▪识别安全、权限、数据、集成和运营风险。
▪输出《多智能体编排与协作图》及《试点上线计划》:范围、周期、负责人、验收标准、下一步路线图。
| 第二天下午:Demo Day 与交付复盘 |
| 模块五:智能体交付演示与方案评审 |
5.1 Demo Day 汇报结构:讲清问题、方案、价值与下一步
▪业务背景:客户是谁,现场发生了什么问题。
▪痛点定义:为什么这个问题值得解决。
▪本体设计:如何从业务场景中抽取核心对象、属性、关系、状态、规则与关键动作,并说明这些要素如何支撑知识库与智能体方案。
▪解决方案:LLM、Agent、Workflow、RAG、MCP、Skill 如何组合工作。
▪语义到能力的映射:Ontology 如何映射到知识库、Prompt、工具、Skill、Workflow 和 Agent。
▪工程主线:Prompt、Context、Harness、Loop、Graph 分别解决了什么问题。
▪协作编排:Graph 如何组织多个 Agent、工具、知识库和人工节点共同完成任务。
▪演示过程:用真实问题跑通核心业务闭环。
▪价值评估:节省时间、降低错误、提升响应、沉淀知识或改善体验。
▪上线计划:试点范围、系统集成、评估指标、风险控制、迭代节奏。
5.2 分组 Demo 与评审:验证方案可行性与交付质量
▪每组 8 分钟演示,3-5 分钟问答。
▪评审维度:问题清晰度、智能体架构完整度、Demo 完整度、数据与系统集成考虑、Loop 迭代质量、Graph 编排合理性、多 Agent 协作边界、评估设计、部署可落地性、商业价值表达。
▪讲师和学员共同给出改进建议。
5.3 FDE 个人能力成长路径:明确技术、业务与交付能力方向
▪技术能力:LLM、Agent、Workflow、RAG、MCP、Skill、AI 编程、系统集成、测试与部署。
▪业务能力:访谈、流程分析、指标设计、行业知识、客户沟通。
▪工程能力:Prompt Engineering、Context Engineering、Harness Engineering、Loop Engineering、Graph Engineering(多智能体编排)。
▪产品能力:Demo 范围定义、用户体验、价值验证、版本迭代。
▪交付能力:项目推进、风险管理、培训启用、验收复盘。
▪资料沉淀:把每次现场交付变成可复用的方案模板、Skill、组件和案例库。
5.4 课程收束:从课堂到真实现场,形成 30 天行动计划
▪每位学员完成一份 30 天行动计划。
▪明确一个可落地的企业 AI 场景。
▪列出首轮访谈对象、数据来源、原型目标和试点指标。
▪建立后续复盘机制:每周推进、双周 Demo、月度评审。
| 结业标准 |
▪完成分组 Demo 演示。
▪提交现场调研卡、方案设计卡、测试用例、部署清单和试点上线计划。
▪能够独立讲清一个 AI 应用从业务问题到部署交付的完整路径。
| 杨老师 AI 产品专家 / 专注政企大模型应用、智能体和产业落地 |
▪拥有10 年 AI 行业经验,曾任百度、阿里巴巴、喜马拉雅 等大厂AI产品专家。
深度参与小度音箱、天猫精灵、百度语音搜索、百度地图语音导航、喜马拉雅等亿级用户 AI 产品能力建设。
▪独立推出Pagesmooth、SyncMe、Unome等AI产品。
服务案例:CCTV、吉林辉南县、漕泾镇政府、澎湃新闻、帆书(樊登读书)、水星家纺、惜安健康等。
提供服务:企业高管 AI 陪跑、企业AI内训与企业AI转型服务。
服务案例:吉林辉南县、漕泾镇政府、帆书、水星家纺等。
吉林辉南县:面向吉林辉南县全县干部、企业、学生700余人,展开AI体系化的3天培训,从AI通识到智能体、工作流的实战培训,赋能县域治理和产业发展。
▪帆书(原樊登读书):合作面向企业高管推出AI智能体相关培训课程服务。
▪水星家纺:为上市公司水星家纺提供「尖刀营」AI内训。
漕泾镇政府:为上海市金山区漕泾镇定制政务知识库,支持公文写作、政务知识检索等全链路的知识库场景应用落地。
▪惜安健康:为健康管理公司搭建AI智能体工作流平台,构建全新的AI化团队协作范式。
选择场次并联系顾问
核对岗位与学习对象
确认地点与参训事项
学习与案例研讨
跟进应用与资料支持
珀菲特顾问成立于2011年,是一家专业为企业提供一体化解决方案的知识供应商。我们紧跟AI技术发展趋势,整合AI实战讲师资源,为企业提供从AI认知到落地的全链条赋能培训解决方案。
Founded in 2011, PERFECT CONSULTANT is a knowledge supplier specializing in integrated enterprise solutions. We closely follow AI technology trends and integrate practical AI instructor resources to provide full-chain empowerment from AI awareness to implementation.
承接组织绩效提升与人才学习发展业务,覆盖企业内训、公开课、在线学习和项目咨询四大板块,并将AI赋能内容融入不同业务与岗位场景。
We support organizational performance improvement and talent learning development across enterprise internal training, public courses, online learning and project consulting, embedding AI empowerment into business and role-specific scenarios.
服务世界500强企业、合资工厂、国有企业、快速发展的民营企业及行业代表性企业,客户包括微软、Intel、阿里巴巴、腾讯、华为、三星、丰田等知名科技与制造企业。
We serve Fortune 500 companies, joint ventures, state-owned enterprises, fast-growing private companies and industry leaders, including Microsoft, Intel, Alibaba, Tencent, Huawei, Samsung, Toyota and other leading technology and manufacturing enterprises.
覆盖AI赋能与领导力、通用管理、人力资源、精益智造及个人效能等方向,为不同岗位提供实战课程。
围绕组织绩效与人才发展定制培训方案,可将AI办公、智能体、AI研发与数字化供应链等内容嵌入业务场景。
提供人才梯队、智能制造与AI转型咨询,通过案例驱动、工具实操和模板交付推动方案落地。
企业视频号
公司微信公众号
公开课小程序
AI效能提升 × HR实战干货 × 领导力精要,前沿管理智慧每周更新,
关注视频号获取全场景管理解决方案,让卓越触手可及!
AI productivity, practical HR insights and leadership essentials, updated weekly.
Follow our video channel for management solutions across every scenario.
Karen资深顾问
Tim资深顾问微信咨询(注明来意)· 周一至周日 8:00–20:00
珀菲特培训小程序
微信公众号
视频号