AI流程管理公开课：从AI超级个体到超级组织 · 詹老师

AI流程管理公开课

从AI超级个体到超级组织

用流程、Skill与AI变革把个人能力升级为组织能力

主讲詹老师

面向流程管理专家 / PMO / 质量管理专家

交付Skill清单 + AI落地路线图

全天导航

今天，你将带走什么

从超级个体到超级组织的七个实战模块

总览 2

🧭

一套AI常识框架

知道AI是什么、能干什么、什么事情不适合直接交给AI。

🤖

一次智能体演练

打开斑头雁 BetterYeah AI 智能体平台，亲手理解模型、知识、工具、上下文和智能体结构。

📦

一份领域Skill清单

每个领域识别机会，形成5-10个Skill雏形。

🧪

一套Skill评测方法

用规范、触发、执行质量、Benchmark、可维护五维度持续打磨Skill。

💻

两轮AI Coding实战

先做个人插件助手，再用许愿卡片互换开发一个数字产品。

🚀

一套AI变革五步法

从顶格战略、蓝图规划、能力筑基到试点验证和规模推广。

📚

一组可复制材料

模板、评测包、PRD和课堂Skill资源平台均可在课件里打开。

1 / 2

Opening

AI时代，流程专家要先成为AI超级个体

AI正在重写流程管理、PMO与质量管理的专业标准，专家能力必须升级，并沉淀为组织能力。

✓时代压力

✓岗位重定价

✓超级个体

✓组织能力

模块1

今天不是工具课，是工作标准重写课

AI时代首先改变的是岗位价值和工作方式

1-1

本次课程直接进入一个更关键的问题：当AI进入企业流程体系以后，组织竞争力的计算方式会被重写，流程专家的价值也会被重新定义。

核心问题

过去的专业要求	AI时代的新要求
把流程文件做到标准	流程文件做到标准，还要会用AI提效、诊断和运营
会访谈、画流程、开评审会	会让AI整理材料、生成初稿、检查风险、追踪行动项
懂业务流程、制度和质量经验	能把经验写成Skill，让AI按标准复用
会给IT或数字化团队提需求	能写详细PRD、搭原型、验收一个AI应用Demo

开场判断：AI时代不会奖励“知道很多工具”的人，而会奖励“能把人才密度、AI杠杆和组织摩擦重新组织起来”的人。

模块1

执行成本下降，组织摩擦变成胜负手

超级个体放大分子，超级组织降低分母

1-2

NUMERATOR 01

人才密度

独立闭环的人越多，组织越能接住复杂问题。

NUMERATOR 02

AI杠杆

AI进入真实工作流越深，个人能力越能被放大。

DENOMINATOR

组织摩擦

等待、审批、对齐、信息衰减，会吃掉AI带来的增益。

RESULT

组织竞争力

不是工具数量相加，而是分子和分母同时改变。

公式维度	对流程 / PMO / 质量专家意味着什么
提升人才密度	培养更多能独立闭环、能判断、能验收的人
放大AI杠杆	让AI进入流程节点、Skill、Agent和业务系统
降低组织摩擦	减少等待、反复对齐和跨部门信息损耗

模块1

各类角色都在焦虑，但流程专家的问题更关键

AI表面是工具问题，本质是价值问题

1-3

角色	表面问题	真正问题
老板 / 高管	AI这么火，公司怎么不掉队？	投哪里、谁落地、如何变成经营结果
部门负责人	大家都在用AI，部门怎么管？	经验如何沉淀，流程如何提效，风险如何可控
流程 / 数字化 / IT	业务需求越来越多，怎么承接？	如何把零散需求变成可复用能力体系

这堂课的回答：AI不会一次性替代一个人，但会先替代一个人的某些任务；任务被替代多了，岗位价值就会被重新定价。

模块1

替代不是岗位突然消失，而是任务一块一块被拿走

高频、规则清楚、输出稳定的任务最先被AI化

1-4

工作环节	旧做法	AI时代的新做法
写材料	从空白页开始写	AI先出结构，人校准逻辑和事实
整理信息	手工复制、汇总、改格式	AI先抽取字段、归类、生成清单
检查规则	靠记忆和经验逐项看	把规则写成Skill，按流程节点检查
做分析	先堆数据，再慢慢找结论	AI先提取异常、模式、假设和追问
提需求	等别人理解、排期、开发	先做可点击Demo，让需求可讨论、可验收

→

岗位

原来是一整块职责。

→

任务拆分

被拆成多个可重组任务。

→

AI化

高频清晰任务先被改写。

价值排序

会用AI的人接管更多任务。

模块1

哪些工作会更早被AI重构

不是岗位没有价值，而是岗位里的部分任务会先变化

1-5

更容易先被重构的任务	典型表现	人要升级到哪里
文档型工作	纪要、报告、邮件、制度初稿	从写作者变成结构设计者和审核者
信息整理型工作	汇总表格、整理资料、提炼要点	从搬运者变成信息质量把关者
规则检查型工作	合同初筛、报销检查、资料完整性检查	从逐项检查变成规则建模与例外判断
问答服务型工作	制度问答、流程问答、常见问题回复	从重复答疑变成知识库和Skill运营
初级分析型工作	周报分析、异常归类、风险提示	从做初稿变成提出判断、验证假设
初级原型/代码工作	小工具、页面、插件、脚本	从等开发变成先搭Demo、参与验收

模块1

流程专家正在变成AI变革多面手

流程专业只是起点，AI把专家推向复合型变革能力

1-6

流程专业懂业务、质量、责任

AI沟通任务、材料、边界

任务拆解目标、步骤、标准

流程建模触发、输入、输出

Skill沉淀可复用能力包

自动化Agent/脚本/工具

产品原型插件/系统Demo

验收迭代测试和改进

关键句：AI时代，流程专家不是少做事，而是要带着AI把个人方法放大成组织能力。

模块1

不只是人的要求变了，事情本身的要求也变了

做完不够，还要可复用、可自动化、可沉淀

1-7

过去做事	AI时代做事
交付一次结果	交付结果，同时沉淀方法
只要自己会做	要让AI也能按标准做
靠个人经验	把经验转成流程、规则、模板、测试用例
靠口头传帮带	靠Skill、知识库、智能体和应用复制
做完即结束	做完以后还能评测、迭代、复用

关键转向：未来组织里最值钱的，不只是一个人会不会做，而是这个人的能力能不能被沉淀、被调用、被复制、被放大。

模块1

如果你不做，就会有人做

替代很多时候不是外部砸下来，而是从身边开始

1-8

同岗位更会用AI的人

同样工作更快、更稳、更可追踪。

跨岗位复合型人才

业务、流程、AI、产品一起做，拿走更多价值链环节。

更小更快的团队

用AI承担过去一个小团队的交付量。

已沉淀Skill的组织

经验不只在个人脑子里，而是进入工具和流程。

现实判断：你不把经验沉淀成能力，别人就会把能力产品化；你不把工作自动化，别人就会用自动化重新定义这件工作。

模块1

什么是AI超级个体

不是一个人什么都会，而是一个人能调度一组AI能力完成工作

1-9

AI超级个体 = 把AI排进工作动线，用专业判断指挥AI完成跨角色任务，并让这种做法影响团队的人。

结构特征	课堂解释	流程专家要练什么
AI First	不是遇到困难才问AI，而是先让AI跑一版	任务、材料、边界和输出标准
能力跃迁	一个人能跑通过去多个角色接力的链路	流程建模、PRD、原型、测试
主动探索	不等组织安排，主动寻找AI能改写的节点	机会扫描和小闭环试点
影响力溢出	高效个体只让自己变快，超级个体让团队变快	把经验沉淀为Skill和可见Demo

关键阈值：只提升个人效率还不够；当你的方法能被别人看见、复用、迭代，才真正开始走向组织能力。

模块1

超级个体的能力栈

它不是口号，而是一条可训练的能力链路

1-10

专业判断好坏、风险、边界

任务拆解目标、输入、步骤

AI协作提示、追问、修正

流程建模触发、动作、断点

Skill沉淀标准能力包

自动执行Agent和工具

产品原型AI Coding

组织复用领域资产

能力要求：未来流程专家不一定都写复杂代码，但必须能把流程想法搭出来、试出来、讲清楚。

模块1

从超级个体到超级组织

个人提效只是起点，组织能力沉淀才是终点

1-11

→

个人任务提效

先把报告、纪要、检查、分析这些工作用AI跑起来。

→

方法结构化

把有效做法写成流程、规则、模板和测试用例。

→

流程节点标准化

明确触发、输入、步骤、输出和风险断点。

→

沉淀为Skill

让AI知道什么时候用、怎么做、做到什么标准。

→

接入Agent/工具

把Skill放进智能体、插件、系统Demo里。

成果被看见

Demo、分享、复盘，让一个人的突破变成团队信号。

转化逻辑：个人提效不会自动变成组织能力。只有当方法结构化、成果可见、工具可复用，超级个体的能力才会向外溢出。

模块1

今天的学习路径

带着自己的工作进来，带着一个能力雏形出去

1-12

→

开篇定调

为什么必须成为AI超级个体。

→

AI常识

讲清AI、Agent、Skill。

→

智能体演练

看到智能体如何执行任务。

→

领域Skill共创

围绕流程挖5-10个Skill雏形。

→

Skill评测

用标准把Skill从草稿改到可用。

→

AI Coding

做出插件或业务系统Demo。

企业AI变革

把个人能力升级为组织级落地路线图。

阶段	核心任务	产出
开篇	建立AI时代工作标准重写	为什么必须成为AI超级个体
上午	AI常识、智能体、流程Skill	领域Skill机会清单和Skill雏形
下午	用AI Coding把Skill做成入口，理解企业AI变革五步法	个人插件助手 + 互换开发作品 + AI落地路线图

模块1

三句话总结

把方向收住，再进入AI常识

1-13

AI时代的流程专家标准正在升高：会做流程、PMO或质量管理，还要会用AI提升人才密度和AI杠杆。
超级个体不是一个人更忙，而是一个人能用AI First的方式跑通任务闭环，并把方法沉淀出来。
超级组织不是人人各玩各的AI，而是把专家经验变成可见、可复用、可评测的组织能力，同时降低组织摩擦。

1 / 14

AI Basics

AI常识与能力边界

用同一个质量异常案例讲清AI、Agent、Skill，以及为什么企业能力必须围绕流程构建。

✓AI能力

✓贯穿案例

✓Agent

✓Skill

模块2

先记住一个贯穿案例

后面所有概念都用这个例子讲

2-0

某批产品被客户反馈“尺寸异常”。质量工程师需要整理客户投诉、检验记录、生产批次、工艺变更和8D模板，先形成一版8D报告初稿，再由质量负责人判断和确认。

贯穿案例：质量异常8D初稿

这件事里有什么	对应AI常识
客户投诉、检验记录、工艺变更	这是AI要看的材料和上下文
8D模板、质量判定规则	这是AI要遵守的知识和标准
整理事实、归类原因、生成初稿	这是AI适合辅助的工作
最终原因判定、责任归属、对外承诺	这是必须人工确认的边界

模块2

什么是AI：不是魔法，是概率化的能力底座

先把底层逻辑讲清楚，后面才不会迷信工具

2-1

概念	通俗解释	企业含义
AI	让机器执行过去需要人类认知参与的任务	写、读、归纳、判断、生成、调用工具
LLM	大语言模型，基于Token预测下一个最可能的内容	会生成，但也可能一本正经地错
Prompt	你给AI的任务指令	任务、角色、材料、边界、输出标准必须说清
Context	模型当次看到的全部信息	上下文不足，AI就容易泛化、猜测和编造

例子：你让AI“帮我写8D”，它会写；但如果没有客户投诉原文、检验数据和公司模板，它只能按常见套路猜。AI能生成，不代表它天然知道事实。

模块2 · 图解

图解：LLM到底是怎么工作的

一次对话背后发生的事——它不"理解"，它在预测

2-1b

你问一句"帮我写8D报告"，模型内部发生了什么？

你的输入 "帮我写一份8D报告"

Token化 把文字拆成小碎片

LLM逐Token预测 每次预测"下一个最可能的字"

组装输出 拼成完整回答

你看到的回答 一段看起来像样的8D

类比：LLM像一个"超强自动补全"——你打了开头，它预测后面最可能跟什么字。它不是在查事实，是在做概率预测。

所以：如果你没有给它真实材料（投诉记录、检验数据），它就只能按"常见套路"猜着写——看起来像，但事实可能不对。

记住：AI能生成 ≠ AI知道事实。你给它什么材料和边界，它才更可能做对。

模块2 · 图解

图解：大模型是怎么"记住"你说的话的

它没有记忆——每一轮都把完整历史重新喂进去

2-1c

你跟AI对话三轮，它背后其实在做这件事：

第1轮

System Prompt 用户: 帮我写8D

LLM输出：好的，请提供材料…

第2轮

System Prompt 用户: 帮我写8D AI: 好的，请提供… 用户: 这是检验记录

LLM输出：已收到，开始分析…

第3轮

System Prompt 用户: 帮我写8D AI: 好的，请提供… 用户: 这是检验记录 AI: 已收到，开始… 用户: 用公司模板

LLM输出：按模板生成8D…

核心机制：大模型没有"记忆"。每次对话，后台程序把之前所有历史拼成一个完整输入重新发给模型——所以它才能"记住"之前说了什么。

Context Window：能拼进去的总量有上限（约100万Token）。超过就"忘了"最早的对话。所以RAG技术用检索代替全量喂入，降低成本。

你给的材料越完整、越精准，模型的Context质量越高，输出就越靠谱。这就是为什么Skill里要明确规定"必须提供什么材料"。

模块2

AI到底是什么：五层技术架构

从算力到应用，先把AI产业链和企业落点讲清楚

2-2

层级	通俗解释	代表内容	企业要关注什么
第五层：应用层 App	员工真正打开来用的AI工具	办公助手、知识问答、审批助手、质量分析工具	有没有进入真实工作流，能否节省时间、降低错误
第四层：平台层 Platform	搭建AI应用和智能体的工具箱	斑头雁 BetterYeah、Dify、Coze、企业内部AI平台	能否管理知识、流程、权限和发布
第三层：模型层 Model	AI的大脑，决定理解、生成和推理上限	DeepSeek、通义千问、GPT、Claude、Gemini	选什么模型、成本多少、效果是否稳定
第二层：算法层 Algorithm	训练和优化模型的方法	Transformer、强化学习、微调、RAG	普通业务人员不必深究，但要知道模型能力来自这里
第一层：算力层 Computing	跑AI的电力和发动机	GPU、数据中心、云计算、推理服务	决定成本、速度、稳定性和可用性

一句话：流程管理、PMO和质量专家看到的是应用层；IT和数字化团队会关注平台层；模型、算法、算力决定底座能力。业务团队最重要的战场，是把应用层和平台层嵌进真实流程。

所以今天不是让大家去造 GPU、训大模型，而是学会把模型能力通过平台、Skill、插件和Demo，变成能在岗位上使用的AI应用。

模块2

从LLM到Agent Skill的底层链条

把企业AI能力最关键的一条线讲完整

2-3

01LLM 大脑理解、生成、推理，但不天然知道企业规则
02Prompt + Context把任务、材料、历史、标准放进同一次工作环境
03Tool / MCP让AI能查数据、读文件、调用外部工具
04Agent能自主规划、调用工具、持续执行任务
05Skill预先写好的做事规则，让Agent稳定按标准干活

放到质量异常案例里	具体长什么样
Prompt	请按8D模板整理这批尺寸异常的事实、原因线索和行动项
Context	客户投诉、检验记录、批次信息、工艺变更、历史8D样例
Tool / MCP	读取Excel检验表、打开模板、检索历史异常案例
Agent	先检查材料，再提取事实，再归因分类，再生成8D初稿
Skill	质量异常8D报告初稿Skill：规定步骤、边界、输出格式和测试用例

模块2 · 图解

图解：工具调用的完整链路 + MCP统一标准

大模型不能直接上网查天气——它需要"平台"帮它调用工具

2-3a

一次工具调用的完整流程（四个角色）

👤

用户

提出问题

🔀

平台

传话筒 + 执行者

🧠

大模型

决策 + 归纳

🔧

工具

执行具体操作

用户→平台"今天天气怎么样？下雨帮我找卖伞的店"

平台→大模型转发问题 + 可用工具清单

大模型→平台我要调 weather_tool(city=上海)

平台→工具真正执行 → 返回"有雨,26°C"

平台→大模型工具结果: 有雨,26°C

大模型→平台整合成人话 → 转发给用户

MCP: 把"同一个工具写三遍"变成"写一次到处用"

❌ 没有 MCP

🔌 ChatGPT → 按OpenAI规范写一套

🔌 Claude → 按Anthropic规范再写一套

🔌 Gemini → 按Google规范再写一套

同一个工具，写 3 遍代码！

✅ 有了 MCP

📐 MCP 统一标准（像Type-C接口）

✓ 工具按MCP写一次

✓ 所有支持MCP的平台直接用

写 1 次，到处生效！

记住两个关键点：① 大模型只负责"决定调哪个工具"，真正执行的是平台；② MCP让工具开发者不用为每个平台重复开发。

模块2 · 图解

图解：智能体如何一步步执行任务

以"生成8D初稿"为例——规划、执行、再规划的循环

2-3b

System Prompt

你是质量工程师AI助手。
可用工具：read_excel, search_history, fill_template
规则：按8D Skill执行，缺材料先列出来，不做最终判定。

Tools 可用工具

read_excel search_history fill_template notify_human

用户请求："帮我根据这3份材料生成8D初稿"

用户请求+材料

LLM规划

read_excel

输出：读取到检验记录3份，批次号B2024-0891，尺寸偏差+0.15mm

Step1结果

LLM规划

search_history

输出：找到2条相似历史异常，均与工序3温控参数有关

Step1+2结果

LLM生成

fill_template

输出：8D初稿已生成，含事实表、原因假设、行动项、待确认3项

关键认知：Agent不是一问一答，而是"规划→调用工具→拿到结果→再规划→再调用"的循环。每一步LLM都在思考下一步该做什么。

模块2

AI不是聊天框，而是一套生产能力

从个人问答到企业生产系统

2-4

层次	个人使用	企业使用
输入	随手问一句	有场景、材料、角色和标准
过程	模型自由发挥	按流程、Skill、工具和人工断点执行
输出	一段回答	可验收、可复用、可追踪的结果

例子：聊天式用法是“帮我写个8D”；生产式用法是“按质量异常8D Skill，读取这三份材料，先列缺失信息，再输出事实表、原因假设、行动项和人工确认点”。

模块2 · 图解

图解：同一任务的两种处理方式

聊天式 vs 生产式——加了Skill和工具后差别有多大

2-4b

聊天式 AI

用户"帮我写个8D报告"

LLM 自由发挥没有材料、没有规则、没有工具

一段通用回答套路化、事实可能不对、无法验收

— 到此结束 —

生产式 AI（Skill + Agent + 工具）

用户 + 3份材料"按8D Skill处理这批尺寸异常"

加载 Skill 规则步骤、标准、边界、输出格式

读取材料（Tool）read_excel → 投诉 + 检验 + 批次

LLM按规则整理检查缺失 → 提取事实 → 归因分类

人工断点最终原因和责任归属 → 必须人确认

可验收的8D初稿事实表 + 原因假设 + 行动项 + 待确认清单

同样是"写8D"这件事，加了Skill规则、工具连接和人工断点后，输出从"看起来像"变成了"可以用"。

模块2

AI适合做什么

先从低风险、高频、可验收的任务开始

2-5

📝

文本生成

纪要、邮件、报告、方案初稿。

🧾

材料整理

制度、表单、记录、反馈的结构化。

🔎

对比检查

合同条款、报销资料、供应商信息完整性。

📊

分析归纳

周报、异常、客户声音、项目风险。

🎓

知识问答

制度问答、流程问答、培训小测。

⚙️

重复执行

按固定规则生成标准输出。

同一个质量异常案例	AI适合辅助什么
写	生成8D初稿、客户回复初稿、内部复盘摘要
读	读取投诉记录、检验记录、历史8D、工艺变更说明
整理	把零散材料整理成事实表、问题清单、缺失信息清单
对比	对比本次异常和历史相似异常的差异
推演	列出可能原因、验证动作和责任人待确认项

模块2

什么时候不太适合直接用AI

边界越清楚，AI越能安全进入业务

2-6

不适合直接交给AI	原因	正确做法
最终审批、付款、签署、处罚	涉及责任与授权	AI只做材料检查和建议，必须人工确认
高敏数据未脱敏	存在合规和泄密风险	先脱敏、分级、授权
领域规则未达成共识	AI会放大混乱	先统一规则和输出标准
需要实时操作核心系统	权限与安全风险高	先做辅助分析，再逐步连接工具
重大法律、商业承诺	AI不能承担最终责任	保留人工断点和复核链路

例子：AI可以说“根据材料，尺寸异常可能与某工序参数波动有关”；但不能直接说“最终责任属于某人/某供应商”，也不能替负责人做对外承诺。

🎮 来一起互动！

AI能做什么？不能做什么？推荐做什么？不推荐做什么？用互动答题快速校准判断。

👉 点击进入互动答题

模块2

Skill是什么

给Agent看的说明文档，也是企业经验的最小产品

2-7

组成	必须写清	为什么
元数据	名称、描述、适用场景	决定AI什么时候发现它
触发边界	WHEN / WHEN NOT	决定该用时能用、不该用时不误用
执行步骤	先检查、再提取、再判断、再输出	决定结果稳定性
输出标准	格式、字段、质量要求	决定能否验收
测试用例	正常、缺失、混乱、高风险、空输入	决定能否持续变好

质量异常8D报告初稿Skill	应该写清楚什么
适用场景	客户投诉、内部不良、来料异常等需要8D初稿的场景
输入材料	投诉描述、检验数据、批次信息、历史案例、8D模板
执行步骤	查缺失、抽事实、归类原因、列行动项、标人工确认点
输出标准	事实表、原因假设、临时措施、长期措施、待确认事项
不适用场景	最终责任认定、处罚建议、对外正式承诺

课堂口径：这里先讲到能听懂、能跟练、能写第一版 Skill；Skill 体系的完整方法不在本课展开，课后可看 Skill 体系深入课件。

模块2 · 图解

图解：Skill如何指导Agent每一步

Skill不是摆设——它是Agent执行任务时的"操作手册"

2-7b

Agent执行"质量异常8D初稿"时，每一步都在看Skill规则

Agent 动作

Skill 规则（Agent执行时参照）

1检查输入材料是否齐全

Skill规则：必须有投诉记录+检验数据+批次信息。缺任何一项 → 先列出缺失清单，不继续。

2提取客观事实

Skill规则：只提取材料中可验证的事实，不添加推测性判断。

3归类可能原因

Skill规则：按工艺/材料/环境/人为四类分类，每类列证据来源。

4生成8D报告初稿

Skill规则：按公司8D模板格式输出，含事实表+原因假设+行动项。

5标记人工确认点

Skill规则：最终原因判定、责任归属、对外承诺 → 必须标"待人工确认"，不得自行结论。

Skill的价值：没有Skill，Agent每次执行结果都不一样；有了Skill，Agent按同一套标准干活，输出可复用、可验收、可迭代。

模块2

三句话总结

把概念收束到方法

2-8

AI的本质不是聊天框，而是从算力、算法、模型、平台到应用逐层组装起来的生产能力。
智能体要稳定工作，必须有知识、Skill、工具连接、上下文和人工断点。
Skill不是凭空写出来的，它必须回到流程节点、业务规则和真实材料。

模块2 · AI常识

AI常识 · 快问快答

10题 · 每题10分 · 满分100分 · 答完显示成绩

2-Q

🎮

快问快答挑战

共10道单选题，每题10分，满分100分
选项高亮即时反馈，答完查看总分

1 / 17

BetterYeah Practice

斑头雁智能体演练

本章只做一件事：带着一个低敏业务场景，从斑头雁 BetterYeah AI 智能体平台进入智能体演练，理解创建、提示词、知识、测试和发布这一套业务智能体方法。

✓进入斑头雁

✓业务提示词

✓测试边界

模块3

本章产出：每组完成一次智能体演练

不跳工具，不讲概念空话，照着步骤做出来

3-1

🤖

斑头雁 BetterYeah AI 智能体平台

点击打开：https://ai.betteryeah.com/

打开斑头雁

课堂口径：本章先不追求复杂集成，每组只用公开或低敏材料，完成一个能回答、能追问、能输出结构化结果的智能体初版。

→

选场景

从质量、生产、供应链、研发、人事、财务里选一个低敏流程节点。

→

进斑头雁

打开斑头雁 BetterYeah AI 智能体平台，进入智能体演练模块。

→

写提示词

把角色、任务、输入、输出、边界写进系统提示词。

→

加知识

按需要接入低敏模板、制度摘要、FAQ或样例。

→

测边界

用正常、缺失、混乱、高风险四类输入测试。

再发布

确认效果可控后发布为课堂演示版本。

模块3 · 原理

先理解：智能体的五层结构

你在斑头雁里配的每一项，对应Agent的一层能力

3-1a

你即将配置的智能体，内部结构长这样：

🧠

第1层：模型（大脑）
理解、推理、生成——决定能力天花板

📚

第2层：知识
制度、模板、FAQ、历史案例

⚡

第3层：技能（Skill）
执行规则、步骤、输出标准

🔌

第4层：工具连接（MCP）
读Excel、查系统、调接口

💬

第5层：上下文（Context）
对话历史、当前输入、工具结果

在斑头雁里你配的每一项 = Agent的一层

选模型 → 决定理解力和推理上限

配知识库 → 喂入业务规则和参考材料

写提示词 → 定义角色、步骤和输出格式（Skill）

接工具 → 让Agent能读写外部系统

测试对话 → 上下文在每轮对话中自动积累

认知框架：缺任何一层，Agent都不完整。没知识=瞎猜；没Skill=不稳定；没工具=只能聊天；没上下文=健忘。

模块3 · 原理

先理解：Agent的思考-行动循环（ReAct）

为什么Agent能"多步执行"而不是一问一答？因为它在循环

3-1b

Agent执行复杂任务时的核心模式：Reason → Act → Observe → 再Reason

Agent
循环

REASON

思考 & 规划

"需要先查检验记录"

ACT

调用工具

read_excel(检验表)

OBSERVE

观察结果

"偏差+0.15mm,批次B891"

REASON

再次规划

"接下来查历史异常"

核心逻辑：Agent不是预设了固定步骤，而是每执行完一步就"回头想一下"——根据当前结果决定下一步做什么，直到任务完成。

和模块2的关系：m2讲的Agent执行链（规划→调工具→拿结果→再规划）就是这个循环的展开版。ReAct是Agent最主流的构建模式。

从斑头雁平台进入练习

3-2

统一入口：课堂从斑头雁 BetterYeah AI 智能体平台进入智能体演练，界面以平台当前版本为准。

→

打开斑头雁

进入斑头雁 BetterYeah AI 智能体平台。

→

创建应用

点击创建应用，选择智能体应用。

→

进入智能体配置

按斑头雁平台当前界面完成基础配置，便于后续添加知识、工具并发布。

命名

建议命名为“领域 + 任务 + 助手”，例如：质量8D初稿助手。

模块3

第二步：先选一个业务场景

场景越窄，智能体越容易跑稳

3-3

推荐场景	适合输入	课堂输出物
质量8D初稿助手	客诉描述、不良现象、检验记录、8D模板	事实整理、原因假设、临时措施、待确认事项
供应商交付风险助手	交付计划、延期记录、来料异常、库存缺口	风险等级、原因分类、跟进行动清单
设备点检异常助手	点检记录、故障描述、维修记录、停机影响	异常归类、排查步骤、维修建议和升级提醒
工艺变更评审助手	变更申请、影响范围、试制数据、评审意见	影响分析、缺失材料、评审问题清单

讲师提示：现场优先选质量、生产、供应链这类材料比较清楚、风险可控的场景。不要一上来做审批、责任认定、处罚建议。

模块3

第三步：配置模型、提示词和知识

先把三个核心按钮看清楚

3-4

配置项	课堂看什么
模型选择	选择平台中可用、适合多步理解和工具调用的模型，课堂不纠结参数，先跑通。
系统提示词	系统提示词决定智能体角色、行为边界和输出格式，是本章最重要的配置。
知识库配置	需要引用制度、模板、FAQ或低敏样例时，再把知识库接进来。

讲师提示：实际按钮位置以斑头雁 BetterYeah AI 智能体平台当前界面为准，课堂只看创建、提示词、知识、测试、发布这五件事。

模块3

智能体配置清单：老师带着逐项填

不要让学员面对空白框发懵

3-5

应用名称

质量8D初稿助手 / 供应商交付风险助手 / 设备点检异常助手

使用者

质量工程师、班组长、采购专员、设备工程师等具体岗位。

模型

课堂先选一个平台可用模型，能稳定回答即可。

系统提示词

写清角色、任务、输入材料、执行步骤、输出格式、禁止事项。

知识库

只接低敏模板、制度摘要、公开资料或课堂样例，不上传内部敏感原件。

测试问题

至少准备正常输入、缺材料输入、格式混乱输入、高风险输入四组。

发布

小组内部演示前发布，正式上线前必须再走权限和安全检查。

模块3

业务提示词示例：质量8D初稿助手

直接放进智能体练习的系统提示词

3-6

智能体系统提示词示例： 你是某制造企业质量管理场景下的“8D报告初稿助手”，服务对象是质量工程师和相关业务负责人。你的任务：根据用户提供的低敏客诉描述、检验记录、不良现象、批次信息和8D模板，整理一份“8D初稿辅助材料”。你必须按照以下步骤工作： 1. 先判断输入材料是否足够；如果缺少批次、时间、产品、数量、现象、临时措施等关键信息，先列出缺失项，不要直接编写结论。 2. 从材料中提取事实，只写用户提供的信息，不编造供应商、客户、批号、责任人和数据。 3. 按8D结构输出：问题描述、影响范围、临时围堵措施、可能原因假设、验证建议、纠正预防措施建议、待人工确认事项。 4. 对“根因判定、责任归属、对外承诺、处罚建议、最终结论”必须标为人工确认，不得替人做最终决定。 5. 输出要结构化，优先用表格和清单，语言专业、克制、可复核。如果用户输入的是高风险问题，请先提醒需要人工确认，并只给分析框架和待补充问题。

模块3

再给两个业务提示词方向

不同领域只换任务，不换方法

3-7

场景	系统提示词可写成这样
供应商交付风险助手	你是供应链交付风险分析助手。请根据低敏交付计划、延期记录、来料异常和库存缺口，输出风险等级、主要原因、影响范围、建议跟进行动、需要采购或计划确认的问题。不得编造供应商承诺，不得替负责人做最终处罚或切换供应商决定。
设备点检异常助手	你是设备点检异常整理助手。请根据点检记录、异常描述、维修记录和停机影响，整理异常分类、可能原因、排查步骤、临时处理建议、升级维修条件和待确认事项。不得跳过安全风险，不得替维修负责人做最终停机决定。
工艺变更评审助手	你是工艺变更评审辅助助手。请根据变更申请、影响范围、试制数据和评审意见，输出变更摘要、影响分析、缺失材料、评审问题清单、风险提示和后续验证建议。不得替评审委员会做最终通过决定。

模块3

第四步：用四类问题测试智能体

不是问一句你好，而是测它能不能稳住边界

3-8

测试类型	课堂测试问题
正常输入	这里是一段客诉描述和检验记录，请整理8D初稿辅助材料。
缺失输入	只有一句“客户反馈尺寸异常”，请你处理。
格式混乱	把聊天记录、检验表摘要和口头描述混在一起，让智能体先归类再输出。
高风险输入	请直接判断责任部门并给出处罚建议。

验收标准：正常输入能结构化输出；缺失输入会追问；格式混乱会先整理；高风险输入会停下来提示人工确认。

模块3

测试时看运行轨迹

看它怎么规划、调用知识、形成回答

3-9

看运行结果：在斑头雁平台中输入测试问题，观察智能体如何理解输入、引用知识并形成回答。

老师带看	看什么
回答是否引用了输入材料	有没有编造没给过的数据、客户名、批次或责任人。
步骤是否符合业务流程	是不是先查缺失，再提事实，再给建议。
边界是否清楚	遇到责任、处罚、审批、对外承诺时是否停下来。
输出是否能直接用	表格、清单、待确认项是否清楚。

模块3

第五步：发布课堂演示版本

发布不是正式上线，是方便小组展示

3-10

课堂操作：测试通过后，在斑头雁平台中发布或保存课堂演示版本，便于小组展示和复盘。

课堂边界：这里的发布只用于课程演示和小组复盘。企业正式上线前，还要补权限、数据安全、知识库维护、评测和Owner机制。

模块3

小组实操：30分钟完成一个智能体初版

每组照着这张页推进

3-11

→

选一个场景

质量、供应链、生产、设备、工艺、人事任选一个低敏任务。

→

进入斑头雁

打开斑头雁 BetterYeah AI 智能体平台，进入智能体演练模块。

→

粘贴提示词

用本课模板改成自己领域的角色、任务、输入、输出和边界。

→

接低敏知识

有模板或FAQ就接，没有就先只用提示词跑通。

→

跑四类测试

正常、缺失、混乱、高风险各问一次。

准备展示

展示应用名称、解决场景、提示词亮点、测试结果和下一步要补的资料。

模块3

三句话总结

把智能体演练逻辑收住

3-12

智能体练习不是先点页面，而是先选清楚一个低敏业务场景。
练习顺序是：进入斑头雁平台、选场景、写系统提示词、接知识库、跑测试、再准备展示。
好的业务智能体必须会追问缺失信息、结构化输出结果，并把高风险判断留给人工确认。

模块3 · 智能体演练

智能体演练 · 快问快答

10题 · 每题10分 · 满分100分 · 答完显示成绩

3-Q

🎮

快问快答挑战

共10道单选题，每题10分，满分100分
选项高亮即时反馈，答完查看总分

1 / 16

Skill Workshop

领域Skill体系共创

不再重复概念，直接按流程领域扫描任务、挖掘机会、写出Skill，并用评测标准修第一版。

✓工作架构

✓流程挖掘

✓五维评测

模块4

先构建领域工作架构，再挖Skill

L1职责领域 × L2工作模块 × L3具体任务

4-1

→

列L1职责领域

这个领域覆盖哪些大类工作，例如质量管理、供应商管理、招聘管理。

→

拆L2工作模块

每类职责下面有哪些稳定工作模块，例如客诉处理、供应商评价。

→

列L3具体任务

落到每天、每周、每月具体做什么，例如生成8D初稿。

标Skill机会

判断哪些任务高频、规则明确、可复用、风险可控。

🧩

流程体系的Skill平台

点击打开：https://e2eskill.cn/all-skills

打开平台

模块4 · 原理

图解：Skill为什么有效——渐进式披露机制

Agent不是一次性读完所有Skill——它按需加载，像工具箱一样

4-1a

一个Skill从"躺在目录里"到"指导Agent干活"的完整生命周期：

📂

阶段一：发现

Agent启动时

Agent扫描skills目录 → 只读取每个Skill的 Name + Description

质量8D初稿助手供应商风险评估出门穿搭助手 ...更多Skill

此时Agent知道"有哪些能力可用"，但还没读具体规则 → 节省Token

🎯

阶段二：匹配

用户提出任务时

用户说"帮我处理这批尺寸异常" → Agent比对Description → 命中"质量8D初稿助手"

✓ 匹配成功 → 加载这个Skill的完整指令层

⚡

阶段三：执行

按规则逐步干活

Agent按Skill指令层的步骤执行：检查材料 → 提取事实 → 归类 → 生成

每一步都有Skill规定的标准，输出格式统一，边界明确。执行完成后Skill"退出"，Token释放。

为什么这个机制重要：如果Agent一次性读完所有Skill规则，Context会爆满。渐进式披露让Agent"用到才加载"，既节省Token又保持专注。

对你写Skill的要求：Name和Description必须精准——它们是Agent"发现"Skill的唯一线索。写不好=Agent找不到你的Skill。

模块4

打开流程小册：看一次完整挖掘

先看别人怎么从流程节点挖出Skill

4-2

🧭

流程小册：Skill 挖掘分析报告

云帆数据客户需求交付流程 · 按节点评分、排序、封装预览

打开小册

小册里要看什么	对应课堂动作
流程节点清单	不要泛泛找场景，而是逐节点看哪里能AI化。
AI可执行度 / 重复频率 / 价值 / 实现难度	把感觉判断变成评分判断。
Top 3 优先实施建议	从一堆机会里选首批，不要平均用力。
封装预览	看一个节点如何变成可复用 Skill。

模块4

按流程节点做适合度分析

不是头脑风暴，是逐节点打分

4-3

评分维度	高分表现	低分提醒
AI可执行度	输入输出清楚，规则能写成步骤	依赖临场判断，规则说不清
重复频率	每周、每月、每个项目都会发生	一年偶尔一次
价值释放空间	节省时间、减少返工、提升一致性明显	只是锦上添花
实现难度（反向）	不需要复杂系统集成，低敏材料即可试跑	强依赖权限、接口和敏感数据
风险可控	只做初稿、提醒、检查和建议	涉及最终审批、付款、责任认定

模块4

用 Qoder 挖出 Skill 机会清单

把工作架构交给AI，但判断权在人

4-4

Qoder提示词： 请你作为企业 AI 能力架构顾问，基于我们领域的真实工作架构，帮我挖掘 Skill 机会。领域名称：【填写】 L1职责领域：【填写】 L2工作模块：【填写】 L3具体任务：【填写】现有材料：【流程、制度、表单、报告、模板、案例】常见痛点：【耗时、返工、漏项、经验依赖、格式不统一】敏感边界：【哪些资料不能上传，哪些结论不能由AI决定】请输出： 1. 逐个L3任务的Skill适合度分析； 2. 每个机会的AI可执行度、重复频率、价值、实现难度、风险可控评分； 3. 15-30个Skill机会清单； 4. Top 5-10首批建议； 5. 暂缓项和原因； 6. 每个首批Skill的输入材料、输出物和人工断点。要求：不要编造业务材料；如果信息不足，先列出需要补充的问题。

模块4

Skill优先级排序

先做少而精，不做运动式清单

4-5

维度	高分标准
价值	节省时间明显、减少错误明显、影响人数多
可行	输入材料清楚、规则明确、输出格式稳定
风险	不触碰重大审批、资金、合规红线
复用	多人、多项目、多周期可以重复使用

排序提示词： 请对以下 Skill 机会进行优先级排序。评分维度：价值、可行性、风险可控、复用性，每项1-5分。请输出：评分表、首批建议做的5-10个Skill、暂缓原因、每个首批Skill的建设建议。 Skill机会如下：【粘贴机会清单】

模块4

Skill命名规则

动作 + 对象 + 输出物

4-6

✅

合同条款风险初筛Skill

对象和输出都清楚。

✅

客户拜访纪要行动项提取Skill

明确动作：提取行动项。

✅

质量异常8D报告初稿Skill

清楚是初稿，不是最终结论。

❌

智能助手

太泛，无法判断何时调用。

❌

帮我处理一下

没有对象和输出。

❌

AI办公神器

口号，不是Skill。

模块4

Skill内容模板

每个Skill必须写清楚12件事

4-7

模块	最低要求	为什么重要
适用场景 / 不适用场景	WHEN / WHEN NOT	决定触发边界
输入材料	必填、选填、禁止	决定结果质量
执行流程	5-10步具体动作	决定稳定性
输出标准	字段、格式、质量要求	决定能否验收
测试用例	至少5条	决定能否持续变好
维护信息	Owner、版本、状态	决定能否运营

点到为止：现场只要求大家写出可继续打磨的第一版 Skill，不在这里展开完整 Skill 体系。想深入学习的同学课后看 Skill 体系深入课件。

Skill体系深入课件

模块4

用评测标准反推好Skill

Skill第一版做出来不难，持续做好很难

4-8

维度	判断口径	写Skill时要做到什么
① 规范	像不像标准能力包	名称、结构、字段完整，便于归档
② 触发	AI知不知道什么时候用	写清WHEN、WHEN NOT、正例和反例
③ 执行质量	AI能不能稳定干活	工作流、输入、输出、示例、失败处理
④ Benchmark	能不能复跑和比较	测试用例、预期行为、评分规则、结果落盘
⑤ 可维护	后续能不能迭代	Owner、版本、更新记录、引用材料

模块4

实操：让评测Skill来评测Skill

每写完一版就跑一遍

4-9

🧪

Skill 评测操练包

打开后复制 rubric.md 或 SKILL.md 进行评测

打开

→

粘贴Skill初稿

让AI按五维标准评分。

→

读取P0/P1/P2

P0必须当场修完。

修完再评

记录前后得分变化。

模块4

平台清单不是为了好看，而是为了运营

把Skill放进清单，才不会三天后散掉

4-10

字段	说明
领域 / Skill名称	哪类能力，叫什么
场景 / 输入 / 输出	什么时候用、用什么、交付什么
优先级 / 风险等级	先做哪个，哪些要谨慎
Owner / 状态	后续谁维护，现在进度如何
评测得分 / 关键问题 / 测试状态	最近一次评测结果和整改情况

平台承载：课堂 Skill 资源平台用于课前下载课堂资源、课中上传小组 Skill 成果、课后分享可复用版本。入口：https://e2eskill.cn/login

打开课堂Skill资源平台打开 Qoder

模块4

小组展示模板

每组2分钟，讲清楚就够

4-11

这个领域的L1 / L2 / L3工作架构是什么。
我们按流程节点识别了多少个Skill机会。
首批选择了哪5-10个，为什么。
最有价值的1个Skill是什么。
它输入什么、输出什么、能节省什么。
它当前评测得分是多少，P0/P1问题修了哪些。
下午准备把哪个Skill做成插件或产品原型。

模块4

三句话总结

从机会清单进入AI Coding

4-12

第四章不再重复概念，直接从领域工作架构和流程节点挖 Skill。
Skill机会不是想出来的，而是沿着L3任务逐个评分筛出来的。
Skill必须经过评测和迭代，才能从草稿变成可复用能力。

模块4 · 领域Skill

领域Skill · 快问快答

10题 · 每题10分 · 满分100分 · 答完显示成绩

4-Q

🎮

快问快答挑战

共10道单选题，每题10分，满分100分
选项高亮即时反馈，答完查看总分

1 / 15

AI Coding

把Skill做成插件或产品Demo

下午进入两轮实战：先独立做插件，再互换卡片帮别人开发数字产品。

✓个人插件助手

✓互换开发

✓测试验收

模块5

为什么超级个体必须懂AI Coding

不是人人转岗程序员，而是人人要具备构建和验收能力

5-1

过去	现在	超级个体要做到
只会提需求	能写详细PRD	把业务场景、边界、验收标准讲清
等IT排期	能先搭Demo	把想法变成可点击、可讨论的原型
只看成品	能参与测试	知道正常、异常、风险输入怎么验
不懂实现	懂最小产品逻辑	能判断AI生成的东西是否可靠

开场回扣：未来员工不一定都写复杂代码，但必须能用AI把自己的想法搭出来、试出来、讲清楚。

模块5

下午两轮练习：先做插件，再互换开发

插件训练个人能力，互换开发训练真实需求理解

5-2

🧩

练习1：个人插件助手

把一个Skill变成工作页面旁边的快捷按钮。

🖥️

练习2：许愿卡片互换开发

把同伴的真实愿望做成可点击、可展示的数字产品。

说明：智能体前面已经练过，下午不再把“搭智能体”作为单独选题。先做属于自己的工具，再帮别人做一个有需求输入的小产品。

模块5

AI Coding不是Vibe Coding

不是凭感觉生成页面，而是走真实开发流程

5-3

环节	Vibe Coding	AI Coding
需求	一句话想法	场景、用户、边界、验收标准
开发	一次性生成	分模块搭建、逐步确认
测试	看起来差不多	正常、缺失、混乱、高风险、空输入
验收	自己觉得可以	能演示、能解释、能被业务理解

模块5

从Skill到插件的转化逻辑

Skill规定怎么做事，插件让能力被使用

5-4

📦

Skill

规定角色、输入、流程、输出和边界。

🧠

System Prompt

把Skill转成AI调用时的稳定指令。

🖥️

插件 / 产品原型

给用户输入、按钮、输出区和验收体验。

模块5

可以搭哪些业务系统Demo

前端形态不一定是现成平台给你的，那就先自己搭一个

5-5

Demo方向	输入材料	最小可演示版本
AI工时管理	工时记录、项目任务、人员列表	自动归类工时、识别异常、生成周报
AI排产助手	订单、产能、交期、设备约束	生成排产建议和冲突提醒
质量异常看板	不良记录、8D、检验结果	异常归因、风险分级、行动项
供应链风险台账	供应商报价、交付记录、库存	比价说明、交付风险、优先级
合同/报销初筛	合同条款、报销单据、制度	完整性检查、风险提示、人工确认点

模块5

第一步：写完整插件PRD

完整到Qoder可以从0到1复刻插件

5-6

打开 Qoder

PRD字段	要写什么
用户和场景	哪个岗位、在哪个流程节点、为了完成什么任务
页面结构	有哪些区域、按钮、输入框、输出区和状态提示
数据结构	页面读取什么字段，输出什么字段，如何存储
Skill逻辑	角色、步骤、输出格式、人工确认点和不适用边界
测试验收	正常、缺失、混乱、高风险、空输入、API失败怎么测

下载神秘小礼物

模块5

第二步：让AI生成开发计划

不要直接写代码，先拆任务

5-7

提示词： 请基于下面的完整插件PRD，帮我拆成可逐步完成的AI Coding开发计划。要求： 1. 先做最小可行版本； 2. 每一步说明要创建或修改哪些文件； 3. 每一步都有明确验收标准； 4. 先用模拟AI结果跑通，再考虑真实API； 5. 明确哪些地方来自上午的Skill逻辑； 6. 不要新增PRD范围外的功能。 PRD如下：【粘贴PRD】

模块5

第三步：搭建基础界面

先让人能看懂、能输入、能点击

5-8

→

页面骨架

标题、说明、输入区、生成按钮、输出区。

→

示例输入

给一段低敏样例，帮助用户知道怎么用。

输出占位

分析结论、风险/问题、建议行动、人工确认提示。

模块5

第四步：接入Skill方法

把上午的Skill变成system prompt

5-9

提示词： 请把下面的 Skill 文件转化为可放入 AI 调用里的 system prompt。要求： 1. 保留执行流程； 2. 明确输入不足时必须追问； 3. 明确不得编造数据； 4. 明确输出格式； 5. 加入人工确认点； 6. 标注这个Skill对应的流程节点和适用边界。 Skill内容如下：【粘贴Skill文件】

模块5

第五步：Skill评测 + 产品测试

评测和测试都不是可选项

5-10

测试层	看什么	最低要求
Skill评测	规范、触发、执行质量、Benchmark、可维护	修完P0，落盘benchmark，至少修1-2个P1
产品测试	按钮、输入、输出、异常、展示	至少5条用例
业务验收	是否解决真实任务	2分钟讲清价值和下一步

打开课堂Skill资源平台

模块5

原型验收标准

能点、能看、能讲清

5-11

项目	必须达到
产品名称	清楚
使用者	清楚
输入区	可粘贴或上传材料
生成按钮	可点击
输出区	有结构化结果
Skill逻辑	能看出采用上午Skill方法
流程节点	能说清服务哪个流程环节
人工确认	有提示
展示说明	能讲清

模块5

练习1：每个人做一个个人插件助手

先独立完成一个可安装、可演示、可复用的浏览器插件

5-12

EXERCISE 01

所有人都交付一个可安装的 Chrome 个人插件助手

最低要求不是“页面好看”，而是能对话、能读当前页面、能打开网页、能调用自己的 Skill，并能在真实工作现场旁边使用。

课堂验收：能安装、能演示、能讲清楚服务哪个岗位和哪个流程节点。

MVP 01

基础插件能力

可加载到谷歌浏览器，侧边栏或弹窗可打开；具备基础对话能力。

MVP 02

页面工作能力

能输入网址打开网页；能读取当前页面标题、正文、选中文本或页面摘要。

MVP 03

Skill 内置能力

至少内置 3 个 Skill，可从审批、方案、流程图、流程文件等方向选择。

MVP 04

模型与记忆能力

先选提供商，再填 AK，再拉取模型并选择模型；能沉淀、补足和存储个人记忆。

模块	最低要求	进阶加分
内置 Skill	审批意见速览、方案框架生成、流程图绘制、流程文件起草，四选三即可。	允许替换成自己岗位的真实 Skill，但要写清触发、输入、输出和边界。
模型适配	支持多家模型提供商配置，例如 DeepSeek、通义、OpenAI、Claude 等。	支持 provider → AK → 拉取模型 → 选择当前模型的完整链路。
页面与文件	能围绕当前网页继续追问，能把页面内容交给 Skill 处理。	能把分析结果、方案或流程图生成一个可打开的 HTML 文件。
记忆系统	能记录“我是谁、我的岗位、常用格式、常见业务背景”。	对话中发现缺失信息时，自动追问并补足长期记忆。

练习1验收：做一个真正属于自己的个人 AI 助手插件，让它贴着浏览器页面工作，而不是停留在聊天框里。

模块5

练习2：许愿卡片互换开发

先写下想要的数字产品，再让同伴帮你开发出来

5-13

EXERCISE 02

抛开技术限制，此刻你最想获得什么？

上课前或进场时写完许愿卡：可以是个人介绍页、业务系统、AI智能体、小工具、小产品，只要是数字世界里的产品都可以。允许提前“漏题”，但练习开始前卡片必须全部写完。

个人介绍页业务系统DemoAI智能体流程小工具虚拟产品

核心玩法：不是自己给自己闭门造车，而是互为需求方、互为开发者。

STEP 01

课前许愿

在卡片上写清：我想要什么、谁来用、解决什么问题、希望看到什么结果。

STEP 02

组内配对

同组内交换卡片；数字一样的人优先配对，商量谁先做、谁后做。

STEP 03

互为开发者

A先讲需求，B复述确认并开发；跑出结果后，双方角色调换。

STEP 04

上台分享

展示做出的数字产品，讲清需求、追问、开发过程和下一步想迭代什么。

许愿人

讲真实需求、补充背景、持续反馈，最后验收“这是不是我想要的”。

↔

开发者

追问、复述、拆成页面和功能，用AI Coding快速做出可看的版本。

为什么这样玩	课堂要求
没有互动、没有输入，AI Coding很容易只做出空页面。	开发前必须先听懂对方需求，并用自己的话复述一次。
真实需求来自别人，产品感会被迫长出来。	开发过程中可以反复追问，不许只照卡片机械生成。
角色互换后，大家同时体验“需求方”和“开发者”。	最终每组至少选一个作品上台分享，讲需求、过程和结果。

模块5

三句话总结

从两个练习回到超级个体能力

5-14

超级个体不只是会使用AI，还要能把自己的业务想法做成可安装插件或可演示数字产品。
AI Coding不是随手生成页面，而是在真实需求输入、追问、测试、验收中把产品做实。
当你能为自己做工具，也能为别人开发小产品，就开始具备带团队走向超级组织的产品化能力。

延伸学习：AI Coding课程

模块5 · AI Coding

AI Coding · 快问快答

10题 · 每题10分 · 满分100分 · 答完显示成绩

5-Q

🎮

快问快答挑战

共10道单选题，每题10分，满分100分
选项高亮即时反馈，答完查看总分

1 / 16

Transformation

企业AI落地变革五步法

不是只画路线图，而是给超级个体和超级组织提供土壤、光照和水源。

✓竞争力公式

✓五阶段推进法

✓涌现型组织

模块6

从能力到组织：为什么只做项目不够

顶层负责创造条件，底层负责长出能力

6-1

前面解决了什么	组织落地还差什么
能力认知	个人知道AI能做什么，但组织还没有形成共同工作方式。
Skill体系	有了原子能力，但成果还需要被看见、被复用、被运营。
AI Coding	能搭原型，但原型必须回到真实流程和业务价值。

核心判断：AI变革不是“买工具 + 发通知”。顶层能设计的是土壤，真正的能力要从具体问题、具体人、具体成果里长出来。

密

提升人才密度

让更多人具备独立闭环能力。

杠

放大AI杠杆

让AI深入流程节点和业务系统。

摩

降低组织摩擦

减少等待、审批、对齐和信息衰减。

模块6

企业AI转型五阶段推进法：总体框架

顶格战略 → 蓝图规划 → 能力筑基 → 试点验证 → 规模推广，同时让能力自下而上涌现

6-2

Phase 01

顶格战略与园丁角色

一把手工程
定义土壤光照水源
形成高层共识

Phase 02

蓝图规划与价值锁定

18个月路线
锁定完整问题
明确价值目标

Phase 03

能力筑基与敏捷交付

AI平台
数据和工具权限
2周一迭代

Phase 04

试点验证与成果可见

对比实验
Demo Day
人机协作SOP

Phase 05

规模推广与生态运营

Skill应用商店
AI午餐会
持续运营

推进逻辑：每个阶段都有明确产出，但不要把变革误解为“命令员工用AI”。正确做法是创造条件，让超级个体的成果被看见，再把成果沉淀为组织资产。

模块6

Phase 01：顶格战略与统一共识

目标：将AI转型确立为“一把手工程”，形成高层共识

6-3

土

土壤：完整问题

给真实业务问题、完整链路和足够上下文，不只给碎片任务。

光

光照：成果可见

让AI成果能展示、能被看见、能被同伴模仿。

水

水源：容错空间

允许小闭环试错，允许第二天推翻第一天的想法。

核心产出	说明
《AI转型愿景宣言》	讲清不是工具采购，而是组织竞争力重构。
园丁型治理机制	高层负责给问题、权限、展示舞台和容错边界。
第一批超级个体雷达	找到已经自发使用AI、做出超岗位产出的人。

模块6

Phase 02：蓝图规划与价值锁定

目标：制定转型路线图，锁定首批高价值战役

6-4

业

业务架构

识别8-12个核心业务流程。

数

数据架构

形成数据资产目录和质量评分。

用

应用架构

AI平台与业务系统集成。

18个月路线图	核心动作
速赢期 0-6月	建共识、定蓝图。
攻坚期 6-12月	建能力、跑试点。
规模期 12-18月	全面推广。

机会全景：营销、销售、客服、研发IT、HR、财务、法务等都可以纳入AI赋能机会池，但首批必须回到高价值、高可行度、低风险场景。

模块6

Phase 03：能力筑基与敏捷交付

目标：构建可复用AI能力，敏捷交付首批场景

6-5

能力	做法	关注点
AI平台	私有化部署或云服务选型	数据安全、实施速度、适配行业。
首批场景	选1-2个高可行度场景，2周一个迭代	每个场景必须有量化目标。
数据资产	数据清洗与标注、领域知识库、质量监控	没有数据资产，就没有稳定AI能力。
核心能力	模型管理、A/B测试、监控告警	让AI能力可管理、可评测、可持续优化。

落地口径：不要追求一步到位的大系统，先用流程专家最熟的高频节点跑通“小闭环”。

模块6

Phase 04：试点验证与组织调优

目标：验证模式，调整组织流程适应AI

6-6

选择试点单位

选择一个业务单元，例如华东区销售团队；关键是试点单位有变革意愿，不能强推。

验证业务价值

用试点组 vs 对照组做对比实验，同时收集效率、成本、满意度和使用意愿。

组织流程调优三步	示例
调整岗位职责	客服从“解答问题”转向“处理复杂投诉”。
优化考核指标	从“处理量”转向“解决率”，用AI会改变KPI。
建立人机协作SOP	明确AI做什么、人做什么、出错后如何处理。

模块6

Phase 05：规模推广与生态运营

目标：将成功模式规模化，建立持续创新生态

6-7

会

AI午餐会

让同事现场展示用AI做出的真实成果，缩短心理距离。

日

每日一条

低门槛分享一个AI用法、一个提示词、一次失败或一次改进。

秀

Demo Day

让个人突破变成团队信号，让成果可见、可模仿、可传播。

AI创新生态	持续运营优化
共享Skill库	经验传递的最小单位从“说一段话”升级为“递一个可执行工具”。
内部Skill平台	沉淀Owner、版本、评测结果和复用案例。
试点复制	不是全员一刀切推广，而是把已验证的小闭环分裂复制。

五阶段总结：顶格战略 → 蓝图规划 → 能力筑基 → 试点验证 → 规模推广，每个阶段都要沉淀方法、资产和Owner，同时让成果持续被看见。

模块6

实战案例：财务法务智能审核项目

用五阶段推进法，把一个规则明确的场景跑成项目成果

6-8

项目背景	内容
痛点	合同审核周期长，财务法务人力紧张。
目标	识别20个审核场景，覆盖50-60%审核流程。
涉及部门	财务、法务、合规等多部门协作。

→

顶格战略

CFO挂帅，明确审核时效降低50%。

→

蓝图规划

锁定合同、报销、付款审核等高价值场景。

→

能力筑基

搭建解析、Skill处理、Benchmark评测三层架构。

→

试点验证

用真实单据跑对比，持续修正规则和模型。

规模推广

沉淀标准审核Skill和上线检查清单。

模块6

实战案例：系统架构设计——三层架构

解析平台、Skill处理智能体、Benchmark评测系统，层层把关

6-9

输入源

PDF / Word / 扫描件

合同条款 / 付款规则

历史审核意见

评价体系：Benchmark评测系统

1000+标准测试用例，自动对比AI审核结果与专家审核结果。

准确率召回率F1值回归测试

评测结果反哺 Skill、规则库和提示词，哪里弱就补哪里

处理层：Skill处理智能体

按场景调用合同解析、风险识别、意见生成和规则匹配 Skill。

解析Skill风险Skill意见Skill规则Skill

获取层：解析平台

统一抽取字段、证据、条款位置和附件信息，为上层处理提供结构化输入。

字段抽取证据定位格式统一

输出与管控

风险等级 / 审核意见

证据链与引用位置

人工确认 / 最终审批

核心逻辑：不要把AI直接接到最终审批上。先获取，再处理，再评测，用评测驱动优化，哪里弱就补哪里。

模块6

实战案例：项目成果与关键成功因素

从单点试验走向可汇报的经营结果

6-10

指标	改进前	改进后	提升
审核时效	3天	1天	降低67%
人工成本	基准	-	减少40%
审核准确率	85%	95%	+10%
规则覆盖率	60%	90%	+30%

架

三层架构设计

解析、处理、评测，层层把关。

挂

CFO挂帅

高层支持是前提。

测

Benchmark驱动

用评测数据持续优化，而不是拍脑袋。

模块6

从超级个体到超级组织：流程专家的变革位置

先把自己武装起来，再带着组织一起升级

6-11

你要先成为	然后带组织成为
能用AI重做流程工作的超级个体	能把流程节点、Skill、Agent和系统联动起来的超级组织
能把经验写成Skill的人	能把专家经验沉淀为组织资产的团队
能做原型、验收结果的人	能让成果被看见、被复用、被评测的变革催化者
能降低自己工作摩擦的人	能降低组织摩擦、放大AI杠杆的企业

全国巡回课的核心主张：AI流程管理不是“多学几个工具”，而是流程专家先成为超级个体，再像园丁一样创造土壤、光照和水源，把企业推向超级组织。

1 / 12

Action

总结与课后行动

前面已经讲完AI、智能体、Skill、AI Coding、评测和企业AI变革；最后只做一件事：把课堂能力带回真实业务。

✓一页总结

✓课后行动

✓真实结果

模块7

一页复盘：今天到底学了什么

从理解AI到把能力放回工作流，再推向企业变革

7-1

今天讲过	真正要带走的能力
AI常识	知道AI不是魔法，而是算力、算法、模型、平台、应用组成的能力系统。
智能体	知道智能体靠目标、知识、工具、流程、提示词和Skill协同工作。
领域Skill	知道如何从L1/L2/L3工作架构和流程节点里挖出可复用能力。
AI Coding	知道如何把Skill推进成个人插件助手，并通过互换开发把需求做成数字产品。
企业AI变革	知道如何用五阶段推进法，把单点能力推向组织级落地。
评测	知道Skill、产品原型和试点项目都要用测试、边界和验收标准不断打磨。

收束：这一部分不再重讲方法，只讲课后怎么行动。

模块7

回去第一件事：把一个Skill打磨到可用

别把今天的Skill停在课堂草稿里

7-2

→

选一个真实场景

从今天的清单里选最有价值、最低风险、最容易试跑的一个。

→

补齐真实材料

回到业务领域，补低敏样例、模板、制度和历史输出。

→

打磨Skill

把适用场景、输入、步骤、输出、边界、测试继续写细。

交出结果

跑出一份真实报告、清单、初稿或分析结果，而不只是截图。

模块7

从自己用，到影响别人用

Skill的价值不在写出来，而在被复用

7-3

阶段	目标	判断标准
自己用	让自己一个真实任务省时间、少返工	能连续跑3次，输出可用。
同岗位用	分享给1-3个同事试用	别人不用你解释，也能按步骤使用。
部门共用	沉淀到部门清单或内部平台	有Owner、有版本、有反馈、有迭代。

一个好的Skill，不是“我会用AI了”，而是“别人也能复用我的做事方法”。

模块7

勇敢踏出AI Coding这一步

把过去干不到的东西，先做成能看的版本

7-4

🧩

插件

把Skill插在浏览器或业务页面旁边，用在真实工作现场。

🖥️

系统Demo

把流程、输入、输出和报告做成可点击原型。

📄

真实报告

让工具跑出能被业务讨论的结果，而不是只停留在想法。

关键动作：先不用追求完整系统，先用AI Coding把一个过去很难推动的想法做成可演示、可测试、可讨论的版本。

模块7

让AI能力进入真实工作流

最终不是展示Demo，而是嵌回系统和流程

7-5

落地方式	可以怎么做	示例
插在系统旁边	做浏览器插件、侧边栏、复制/填入按钮	流程审批分析、合同初筛、报销检查
接到业务流程里	在流程节点触发Skill，输出待确认结果	质量8D初稿、供应商评价、招聘匹配
形成可追踪结果	保留输入、输出、人工确认和修订记录	一份报告、一张清单、一次评审结论
持续打磨	根据同事反馈修Skill、修页面、修测试用例	从个人工具变成组织能力

模块7

课程体系：三门课，从入门到进阶

把AI从“会用”真正做成“能交付”

7-6

模块7

企业内训推荐：AI素养与业务效率提升

一天讲清楚：AI到底是什么，企业员工应该怎么用

7-7

企业内训推荐

企业 AI 素养与业务效率提升内训

不是追热点、背概念、玩工具，而是帮企业建立共同语言，找到真实业务提效路径。

这门课面向企业真实业务现场，帮助员工系统理解 AI、大模型、Agent、提示词、知识库、工具、工作流和 AI 应用之间的关系，让“我听说 AI 很厉害”变成“我知道怎么把 AI 用到工作里”。

讲清楚 AI 是什么用业务人员听得懂的方式，讲清大模型、Agent、知识库、工具和工作流之间的关系。

建立全员 AI 共识让管理层、业务部门、数字化团队统一能力边界、适用场景、风险边界和落地路径。

提升员工 AI 素养让员工学会提出好问题、拆解好任务、判断好结果，而不是只会随便问一句。

找到业务提效路径聚焦信息整理、制度问答、报告初稿、材料检查、流程辅助、风险提示和知识复用。

走向组织级应用从个人使用走向任务标准化、知识沉淀、流程优化和部门级 AI 应用建设。

当天带走行动方向不止听懂概念，还能盘点本岗位可提效任务，形成下一步试点清单。

课程内容支持按行业、岗位、业务场景和企业数字化基础进行高度定制。

1 / 8