企业级AI智能体开发实战课程
课程简介：
本培训面向企业业务人员，专注于Dify平台在技术状态管理标准框架下的智能体深度开发。课程旨在解决现有简单知识问答中"回复质量不佳、缺乏知识关联性"的困扰，全面提升学员在提示词可控性设计、历史非结构化文本术语统一处理、逻辑推理与业务推导、非结构化单据自动化拆分生成等方面的实战技能。通过六大模块、百余个实操环节及贯穿始终的实战案例，助力学员从"掌握基础工作流"跃升至"构建稳定可靠、熟悉业务规则的智能体"，从而将历史文本数据转化为可追溯、可推导、可执行的技术状态管理能力，切实提升日常工作质量与效率。
本课程凝聚尹老师多年人工智能领域的实战经验，系统阐述AI大模型技术及其应用实践，展望未来发展方向。
具体安排如下：
一、培训目标：
1、全面解析Dify智能体架构与高稳定性提示词工程；
2、全面解析知识库深度优化与术语一致性治理；
3、全面解析基于历史文本数据推导生成结构化业务结论；
4、全面解析非结构化文本驱动的任务拆分与分工生成；
5、全面解析大模型Skill应用与日常业务提效；
6、全面解析综合实战——端到端复杂业务智能体构建；
二、培训对象：
1、对人工智能发展趋势及投资机遇感兴趣的人员；
2、架构师、技术经理、高级工程师；
3、企业科技研发人员及人工智能科学家；
4、企业管理人员、数据分析师、产品经理、办公自动化相关人员等。
三、时 间：2026年7月29-31日（29日报到）
四、地 点：贵阳（具体地点及路线图详见报到通知）
五、课程设置：
第1个模块：人工智能AI概述（系统讲解人工智能概述与应用场景）
1、人工智能概述
2、人工智能的背景
3、人工智能未来趋势预测
a)弱人工智能 b)强人工智能
4、大模型标志第四次工业革命的开始
5、智能涌现
6、大模型
7、智能体Agent
8、语言理解和文本生成能力
9、人工智能的价值剖析
10、人工智能应用场景
11、编写脚本、代码、文案、翻译、聊天机器人程序
12、提示词的使用技巧 13、人工智能在科研办公场景中的应用
第2个模块：Dify智能体架构与高稳定提示词工程（系统讲解Dify智能体架构与高稳定提示词工程）
1、Dify智能体架构与高稳定提示词工程
2、智能体核心架构：工作流、Agent、知识库的协作关系
3、Dify应用模式选择：对话型 vs. 工作流型 vs. Agent型
4、提示词确定性原理：温度参数、Top P、频率惩罚对稳定性的影响
5、零样本与少样本提示：固定输出格式的方法
6、结构化提示词模板：System → Context → Instruction → Constraints
7、输出解析器：强制JSON/Markdown结构以控制内容一致性
8、变量锚定法：使用固定示例库锁定关键输出字段
9、逻辑链条固化：Chain-of-Thought的确定性写法
10、反问校验机制：让模型自我验证结果一致性
11、上下文窗口管理：避免旧信息干扰稳定输出
12、提示词版本控制与A/B测试方法
13、多轮对话中的状态锁定与记忆重置技巧
14、实战案例：构建"技术状态更改分类提示词模板"——多次生成"更改类别（I/II/III类）
第3个模块：知识库深度优化与术语一致性治理（系统讲解知识库深度优化与术语一致性治理）
1、知识库深度优化与术语一致性治理
2、知识库的向量化原理：分块策略、嵌入模型影响
3、术语不一致的三大根源：同义异形、英文缩写、军内简称
4、自定义词典构建：强制专有名词分词正确
5、同义词库配置：将"ECR/更改请求/变更申请"映射到同一概念
6、元数据标签体系：为文档打上标准术语标签
7、预处理清洗：正则表达式统一英文缩写格式
8、混合检索策略：向量检索+关键词检索（BM25）解决简称问题
9、重排序（Rerank）优化：将术语匹配的片段优先输出
10、知识库细分策略：按标准类型/装备阶段/文档类别分库
11、动态知识库更新：通过API增加标准术语对照表
12、问答日志分析：持续发现业务中的非标准表述
13、用户输入预处理：将"六性"自动映射为"可靠性、维修性、保障性、测试性、安全性、环境适应性"
14、实战案例：构建"技术状态项识别智能体"——输入任意文本中的缩略语（如"构型""CI""技术状态项"），智能体自动统一识别为标准术语并提取对应的技术状态项清单。
"判断结果完全一致，输出固定格式的更改申请单草稿。
第4个模块：基于历史文本数据推导生成结构化业务结论（系统讲解基于历史文本数据推导生成结构化业务结论）
1、基于历史文本数据推导生成结构化业务结论
2、大模型推理能力本质：从记忆到逻辑演绎的跨越
3、RAP（推理-行动）框架：让模型先思考再回答
4、思维树（Tree-of-Thoughts）提示：多路径推演最优解
5、证据链构建：从历史文本中提取三要素（事实→规则→结论）
6、角色扮演推理：以"主任设计师""标准化检查员"等角色输出
7、对比推理：引用两个不同版本历史文本的矛盾点
8、时序推理：根据历史变更记录推导当前状态的有效性
9、约束满足推理：结合GJB 3206B-2022条款限制推导可行方案
10、多文档交叉验证：从多份纪要、报告中提炼唯一结论
11、置信度标注：模型输出附带"依据段落索引+置信度分数"
12、否定证据处理：当历史数据与规则冲突时的推理策略
13、业务规则注入：将内部管理规定作为推理的硬约束
14、实战案例：输入某型号3份历史技术状态控制纪要和1份不完整的更改申请，智能体推导："该更改属于II类更改，需原审批机构批准，受影响的技术状态文件包括XX、YY，不满足3206B第5.3.2条，建议补充试验报告。"
第5个模块：非结构化文本驱动的任务分解与分工生成（系统讲解非结构化文本驱动的任务分解与分工生成）
1、非结构化文本驱动的任务分解与分工生成
2、非结构化单据的信息抽取：实体、动作、责任主体识别
3、文本分块与角色标注：从段落中抽取"执行单位""执行内容""分工"
4、历史模式学习：让模型统计历史变更中各单位出现的频次与职责
5、模板填充生成：将抽取的信息填入设计变更执行单模板
6、责任矩阵自动构建：从会议纪要文本生成RASCI矩阵
7、顺序约束解析：识别"先……后……"等逻辑提取执行步骤
8、模糊指代消解：将"他们""该单位"替换为具体部门名称
9、单位标准名称映射：将"一所""1室"映射到全称
10、多文档合并推理：综合变更单、邮件、纪要生成完整分工
11、异常处理生成：当历史数据分工矛盾时生成待确认项
12、输出格式控制：固定生成"变更编号|执行单位|执行内容|配合单位|时限"
13、人工在环校验：对低置信度分工生成高亮提示，供业务人员确认
14、实战案例：输入某型号3份设计变更相关非结构化会议记录文本，智能体生成表格："设计变更#DC-001 | 总体部执行更改图纸 | 工艺所配合修订工艺文件 | 质量部跟踪验证"，并标注每行分工的文本