当前，以大模型为核心的AI技术正加速向实体产业渗透。工业企业中已经应用大模型及智能体的比例从2024年的9.6%提升到2025年的47.5%，其中已在多环节开展应用的企业从1.7%提升到35%。从智能客服到工艺优化，从设备预测性维护到知识管理，AI智能体正在重新定义制造业的运营效率边界。

然而，多数企业内部AI人才的培养速度远远跟不上技术发展的节奏。对于承担企业AI战略落地核心任务的AI先锋骨干而言，普遍面临三个突出的能力痛点：一是对大模型能力边界认知模糊，面对业务需求时“想得到，设计不出”，不知道什么样的任务适合交给大模型、什么样的任务需要人机协同；二是提示工程、Agent搭建等核心技能缺乏系统训练，工具应用停留在浅层对话，无法充分释放模型的潜能；三是缺乏端到端AI项目设计经验，无法独立承接事业部的AI场景需求，难以将业务问题转化为可落地的技术方案。这些短板直接制约了后续AI Agent平台的选型落地与价值释放。

基于以上现实，本课程紧扣“用得起来、用得出价值”的核心目标，通过系统化能力训练，帮助AI先锋骨干完成从工具使用者到智能体架构师的角色跃迁，为企业AI Agent平台选型和业务场景深度落地做好充分的人才储备和能力铺垫。

1、系统掌握大模型能力边界判断方法：能够准确判断哪些业务场景适合大模型解决、哪些场景需要人机协同，建立起“业务需求→技术方案”的工程化思维框架，从根本上解决“想得到、设计不出”的痛点。

2、全面掌握提示工程进阶方法与典型场景应用：从基础提示词编写到复杂任务拆解，从多角色提示框架到上下文关联设计，具备应对各类业务场景的精准调优能力。

3、独立掌握AI Agent设计全流程方法论：完整经历“需求拆解→流程编排→工具调用→效果评估”的智能体开发闭环，能够独立承接本单位AI场景的落地任务。

4、获得可直接复用的制造业典型场景实战经验：通过销售线索处理、合同审阅、技术文档生成、运营数据分析等真实场景的动手演练，产出可直接带回工作的智能体原型。

5、为企业AI人才激励机制建设提供能力评估锚点：通过实战演练产出的成果，可作为任职资格评定、岗位认证的重要参考依据。

一、走出认知迷雾：大模型的能力边界在哪里

1. 大模型的核心能力图谱

大模型的三个强项领域：

1）语言生成与摘要提炼，从复杂文本中提取关键信息并以结构化方式呈现；

2）代码生成与逻辑推理，根据自然语言描述生成代码片段或解决逻辑问题；

3）内容创作与创意激发，在给定框架下生成高质量的文本内容

大模型的三个核心短板：

1）缺乏真实业务数据支撑，面对企业内部专有知识时容易出现“幻觉”；

2）缺乏特定工具操作能力，无法直接调用企业内部系统；

3）缺乏任务执行的闭环意识，需要人工编排才能形成完整的工作流

2. 制造业场景中的“通用模型困境”

制造业实践中，通用大模型面临的三大挑战：

1）“幻觉”风险不可忽视

2）行业知识深度不足

3）实时响应能力不足

3. 什么样的任务该交给AI，什么样的不该

建立“任务分层模型”是AI先锋骨干的第 一课。可将业务任务分为四个层级：

1）“纯自动化层”：规则明确、输入输出边界清晰、不依赖深度推理的任务

2）“人机协同层”：需要模型提供推理建议、但最终决策权在人的任务

3）“不可触达层”：涉及核心商业机密、需要严格合规审批、或依赖物理实体操作的任务，不适合交给大模型处理

4）“待观测层”：目前技术尚不成熟、但未来可能突破的任务边界

二、从零到一：用“场景定位画布”快速判断业务可行性

1. 场景定位画布的四个关键维度

四维度评估框架：任务复杂度（线性流程 vs. 多分支决策）、知识依赖度（通用知识 vs. 企业专有知识）、实时性要求（毫秒级 vs. 分钟级）、风险容忍度（零容忍 vs. 可接受误差）

通过对四个维度的逐一评估，快速判断一个业务需求是否适合交给大模型解决

2. 实战演练：用画布评估三个真实业务场景

提供三个制造业真实场景案例，各组使用画布工具进行独立评估；逐一剖析其判断依据和可能盲区

三、标杆案例拆解1：青山工业十大AI智能体——制造业多智能体协同的落地实践

背景：云从科技与青山工业合作落地的典型成果，双方打造了十个覆盖企业关键业务的智能体，形成了协同作战的“数字专家团”

核心亮点：“多智能体分层协同架构”

成果：文档查询响应时间从平均15分钟缩短至3秒以内；设备维修顾问已分析超过4000条检修记录，可基于问题描述自动诊断故障并基于历史数据提供解决方案；相关生产环节整体效率显著提升

案例拆解：痛点还原；架构拆解；可复用原则

互动环节：每小组选择一个“最想在自己的事业部落地的AI场景”，使用场景定位画布进行快速评估并分享，现场点评

一、提示工程的核心方法论

1. 从“对话”到“设计”：提示工程的思维跃迁

提示工程不是简单的“问得好”，而是一套将业务需求转化为模型可执行指令的系统化方法

2. “需求→任务→指令”三层转化模型

1）“业务需求层”：将业务人员模糊的需求转化为清晰的任务描述；

2）“任务拆分层”：将一个复杂任务拆解为多个子任务，明确每个子任务的输入和输出；

3）“指令设计层”：将子任务编写为模型可执行的提示词，并设计相应的输出格式约束和验证规则

核心价值：将不可控的“黑箱对话”转变为可复用的“白箱方法”

3. 多角色提示框架与上下文关联设计

1）多角色提示框架是一种经典的进阶技巧

2）上下文关联设计的核心原则

4. 常见陷阱与调优技巧

提示工程中常见的“雷区”

二、针对制造业五大典型场景的提示词设计

1. 销售线索处理场景

设计要点：将客户沟通记录中的非结构化信息转化为结构化的线索评分，同时标注跟进优先级和建议话术

2. 合同/技术规范审阅场景

设计要点：构建“分段审阅+风险标注+条款比对”的提示链，让模型逐段分析合同条款，识别潜在风险点，并与企业内部标准条款库进行比对

3. 技术文档生成场景

设计要点：建立“大纲设定→内容生成→格式排版→校对润色”的四阶段提示流程，确保生成的文档既专业又符合企业内部规范

4. 运营数据分析场景

设计要点：设计“数据解读→趋势识别→异常告警→建议生成”的推理链条，让模型不仅能看到数据变化，还能给出业务洞察和行动建议

5. 设备故障诊断场景

设计要点：基于故障现象描述和历史维修记录，构建“现象识别→根因推断→维修建议→备件查询”的智能诊断流程

三、标杆案例拆解2：Coze发票识别助手——零代码提效83%的制造业财务实践

背景：某汽车零部件企业的实际应用。使用Coze平台构建发票识别系统后，该企业实现了开发效率提升83%、识别准确率达到98.7%、系统维护成本降低76%的显著效果。财务审核环节，该模块使财务审核效率提升4倍，每月减少200+小时的人工核对工作

案例分析重点：三大关键设计——OCR识别→字段映射→逻辑验证→异常处理的四层流水线设计；内置税务规则引擎对金额合计、税率计算等业务规则的自动校验；以及与传统开发模式的直观对比

互动环节：每组领取一个制造业典型提示词场景，使用提示工程框架在10分钟内完成提示词设计，现场使用大模型工具验证效果并点评

一、AI Agent的核心架构与工作原理

1. 感知层、决策层、执行层三层架构

从工程化视角拆解AI Agent的三层核心架构：

感知层

决策层

执行层

2. Agent如何让大模型“知行合一”

Agent的核心价值在于：弥补大模型“能想不能做”的短板。通过感知层提供精准的输入数据，通过决策层规划合理的任务路径，通过执行层调用具体工具完成操作，Agent让大模型真正具备了端到端解决业务问题的能力

二、从需求到落地：四阶段工作流设计方法

1. 需求拆解阶段

最关键也最容易出错的环节。核心原则是“边界优先”——先划定Agent不能做什么，再定义它应该做什么。需要产出：业务场景清单、量化目标定义、边界条件界定

2. 流程编排阶段

设计Agent的工作流，包括人机协同模式设计、多Agent协同架构设计、以及与现有系统的集成方案

3. 工具调用阶段

识别并接入Agent需要调用的工具：企业内部系统API（ERP、MES）、外部知识库（技术规范库、合同模板库）、以及通用的AI能力（OCR、代码生成、数据分析）

4. 效果评估阶段

建立“任务完成率、业务指标提升率、用户满意度”三维可量化评估体系，形成“数据采集→指标量化→根因分析→方案调优→效果验证”的闭环迭代流程

三、标杆案例拆解3：库迪咖啡×Coze AI巡检员——近20个智能体覆盖1.8万家门店

背景：库迪咖啡携手火山引擎，结合豆包视觉理解模型和Coze平台，搭建了近20个细分巡检场景智能体，覆盖员工着装、营销物料、环境卫生、设施设备等各类巡检场景

案例关键数据：90%的重复性人工审核工作实现自动化处理；“营销物料合规智能体”具备十余种自定义维度，当营销物料更新时仅需少量调整参数即可快速适配，大幅降低了维护及模型重训的成本；质检场景能以模板化方式快速复用于更多门店

复用价值：从“问题定义”到“智能体搭建”再到“规模化复制”的完整方法论，对工程建设企业构建智能巡检、安全监控等场景具有直接的借鉴意义

一、场景一：销售线索智能处理Agent

1. 场景背景与需求定义

某设备制造企业每天收到大量来自不同渠道的销售线索（展会咨询、官网留言、渠道商推荐），但线索质量参差不齐，销售团队花费大量时间筛选和跟进低质量线索，优质线索反而被淹没

2. Agent设计方案

需求拆解：线索入库→质量评分→优先级排序→跟进建议生成→数据回传CRM的端到端流程

流程编排：设计“信息提取→评分模型→分级分流→话术生成”四段式工作流

工具调用：对接企业CRM系统的API实现数据同步；调用大模型进行客户意向分析和跟进话术生成；对接企业内部产品知识库实现个性化方案推荐

3. 标杆案例拆解4：跨国供应链知识审计Agent——读懂工业表格的“金牌审计员”

背景：展示如何利用Coze和TextIn构建一个能够读懂复杂工业表格的“审计员”智能体。在制造业的全球供应链采购中，技术对齐是最耗时的环节。审核工程师每天可能需要处理数十份来自不同供应商的PDF规格书

核心技术创新：“版面语义还原”

启示：工程图纸、技术规范、设备手册等大量非结构化文档是工程建设领域最常见的“数据孤岛”。案例提供了一套“文档解析→语义理解→信息提取”的可复用方法链

4. 实战操作

各组领取一组真实的销售线索数据（模拟数据），完成以下操作：

• 使用提示工程框架设计销售线索评估提示词；

• 在Coze平台上搭建“线索评分+话术生成”智能体原型；

• 对给定的5条线索进行模拟测试，对比人工评估与智能体评估结果差异；

• 提交智能体配置文件及测试报告

二、场景二：技术文档智能生成Agent

1. 场景背景与需求定义

设备制造企业的技术方案撰写是一项耗时耗力的工作。销售工程师需要根据客户需求，从产品库、案例库、技术参数库中检索信息，撰写出符合企业标准的解决方案。这一过程往往需要2-3天，且质量高度依赖撰写者的经验水平

2. Agent设计方案

需求拆解：客户需求解析→方案框架生成→技术参数检索→案例匹配→方案撰写→格式排版→审核反馈的全流程

流程编排：设计“需求捕获→框架搭建→内容填充→审核输出”的四阶段工作流，每个阶段设置明确的质量门禁和人工复核节点

工具调用：对接企业产品参数库、历史案例库和技术规范库；调用大模型完成方案撰写和润色；对接企业OA系统实现方案的自动归档和版本管理

3. 标杆案例拆解5：西门子Engineering Copilot——AI赋能制造业工程设计的先行者

背景：西门子Engineering Copilot以生成式AI赋能制造业，第 一阶段从工程环节切入。通过自然语言描述，工程师可以生成PLC代码、创建TIA Portal项目及完成设备参数配置，还可实现文档分析注释、HMI界面批量处理及项目文本翻译等功能，显著减少了工程重复任务

启示：技术方案撰写、图纸标注、BOM清单生成等重复性工程文档工作，是当前最适合通过智能体实现提效的切入点

4. 实战操作

各组领取一个模拟的客户技术需求，完成以下操作：

• 设计技术方案撰写提示词链（大纲→内容→格式→审核）；

• 在Coze平台上搭建方案生成Agent，接入模拟的企业知识库；

• 生成一份符合企业标准的技术方案初稿；

• 小组间互评方案质量，讲师点评

一、小组成果汇报与互评

每组5分钟展示上午下午两个实战场景的智能体原型成果，内容包含：场景定义与需求拆解、智能体架构设计思路、提示词设计方案、测试结果与效果评估、当前存在的局限及后续迭代方向

其他小组使用统一评分表进行交叉评分，综合点评

二、AI Agent平台选型对比：Coze vs. Workbody vs. Dify

基于前面理论学习和实战，系统梳理当前主流AI Agent平台的核心能力对比：

• Coze（扣子）平台：火山引擎出品，以低代码编排和插件化能力见长。最适合需要快速搭建、迭代频率高的业务场景

• Workbody：企业级AI Agent编排平台，在复杂工作流管理和企业级权限控制方面优势显著，适合需要与企业现有系统深度集成的场景

• Dify平台：开源AI编排平台，支持Docker部署和源码配置，兼具灵活性、可定制性和数据主权优

选型决策框架：从数据安全要求、开发团队能力、集成复杂度和预算规模四个维度进行评估，结合本单位的实际情况做出初步判断

三、企业AI知识库沉淀与能力评估机制

1. 各事业部可复用案例的标准化沉淀

明确案例沉淀的标准化模板：场景痛点描述、Agent架构图、核心提示词清单、效果评估数据、迭代优化记录。所有案例经过质量审核后统一存入企业AI知识库

2. AI能力评估锚点与人才激励机制建设

工作坊产出的实战成果，将为后续AI人才激励机制（任职资格评定、岗位认证等）提供重要的能力评估锚点。具体而言：

• 初级认证：完成提示工程基础模块并通过测试；

• 中级认证：独立完成一个业务场景的Agent设计并成功部署；

• 高级认证：主导跨部门、多智能体协同项目的设计与落地

3. 后续行动计划制定

每组制定一份“未来30天AI场景落地行动计划”，包含：选定的业务场景、时间节点（需求确认-原型搭建-测试验证-上线部署）、需要的资源支持、预期的效果目标和评估指标

一、核心能力回顾与刻意练习计划

系统回顾全天六大核心能力的掌握要点：大模型能力边界判断能力、场景定位画布应用能力、提示工程进阶设计能力、智能体四阶段工作流设计能力、平台工具实操能力、效果评估与迭代优化能力

提供一份“30天刻意练习计划”，包含每周的练习主题、推荐的学习资源、可选的练习项目和自我评估标准

二、行动实践指南

1、课后30天行动路线图

第 一周（能力巩固）

第二周（场景选定）

第三周（原型搭建）

第四周（试点验证）

2、团队协作与持续学习建议

三、推荐学习资源与工具

四、现场答疑与问题诊断