课程背景BACKGROUND
把AI变成可测试、可复用、可管控的团队能力
很多研发团队已经开始使用AI：写代码、写用例、分析日志，打包发版等。但这些尝试大多停留在个人层面，没有沉淀成团队可复用的方法。会用AI，和把AI用进稳定的研发流程，是两回事。
落到具体岗位，问题很快变得现实：研发不敢把AI代码直接合进主干，测试拿不准AI用例覆盖够不够，大数据担心口径算错，ERP开发担心业务规则跑偏。管理层真正关心的，也不是大家会不会用工具，而是这些零散尝试能不能变成稳定、可控、可推广的团队能力。
本课程围绕前端、后端、测试、BI、运维等岗位场景，带团队走完从能力边界、智能体搭建、智能体测试到多智能体探索的路径。主线是半自动优先，结果可审，过程可控，把AI从个人尝鲜推进到团队级研发测试能力。
课程安排ARRANGEMENT
适用对象
技术总监、前后端开发、测试、大数据开发工程师，及相关技术负责人与项目骨干
授课方式
方法讲解+现场演示+统一样板分组实操（分岗位改造）+可复用成果交付
课程收益BENEFITS
1. 建立研发测试团队的AI使用共识：清楚哪些任务适合交给AI，哪些必须人工兜底
2. 形成岗位级AI场景清单：不同研发岗位都能识别2–3个可落地场景
3. 掌握一个可复用的智能体搭建流程：从需求分析、提示词、知识库、工具到测试调试与优化
4. 把测试团队从“AI使用者”升级为“AI质量守门人”：会设计测试样本、检查幻觉、验证权限、跑回归
5. 理解多智能体的适用边界：知道什么时候一个智能体加工具就够，什么时候才值得复杂化
课程大纲OUTLINE
- 一、掌握AI优劣势，落地研发流程风控底线
- 1. 优劣甄别：会生成、会归纳，弱在精确计算与事实保真
- 2. 风险预判：代码可能藏bug，口径可能算错，事实可能是编的
- 3. 流程底线管控：全程人工审核、结果可复测、异常可回滚
- 二、搭建自研选型框架，按需匹配低成本高适配模型
- 1. 框架自建
- 2. 多维研判选型（六维综合评估）
- ——模型能力、使用成本、上下文承载力、工具调用能力、私有化适配、数据安全边界
- 3. 场景适配匹配
- ——实行分级选型策略
- 模型样本：GLM、豆包、通义、DeepSeek、GPT、Claude、Gemini4. 模型池储备
- 三、拆解多岗位高频场景，制定AI标准化使用纪律
- 1. 五类岗位高频场景
- 第一类：前端页面/组件
- 第二类：后端接口/SQL
- 第三类：测试用例/数据
- 第四类：大数据ETL/口径
- 第五类：ERP规则/配置
- 2. AI编程助手使用纪律：生成→审查→测试→入库
- 工具样本：Cursor、Codex、ClaudeCode、Copilotcodingagent、通义灵码、Trae。
- 案例：从一段需求说明，到接口草稿、测试用例与前端原型——一个场景看清五岗落点。
- 讨论：哪些环节AI能写，哪些必须人来把关？
- 一、以工作流思维搭建智能体
- ——智能体不是“更会聊天”，而是按流程完成任务。
- 一条回路：感知→规划→记忆→行动。
- ——搭之前先想清楚输入、知识、工具、输出
- 二、分级匹配落地工具
- 1. 低代码平台，快速验证：百炼、Coze、Dify、HiAgent
- 2. 研发执行环境，承接真实流程：Codex、ClaudeCode、Cursor、OpenHands、OpenCode
- 3. 自研编排样本，系统内嵌：LangGraph、LlamaIndex等
- 选择原则：先跑通、再下沉，先低门槛、再工程化
- 三、从需求到智能体：搭建流程与易翻车点
- 1. 需求分析：把想法拆成可执行任务
- 1）输入材料：需求文档、接口说明、业务规则、样例数据
- 2）输出结果：问答、草稿、检查清单、操作建议
- 3）责任边界：AI处理什么，人确认什么，失败如何兜底
- 2. 提示词设计：任务、边界、格式、示例、校验
- 1）任务说明：让智能体知道要解决哪个具体问题
- 2）输出格式：让结果可复制、可检查、可进入流程
- 3）校验规则：让模型遇到不确定内容先提示而不是编造
- 3. 知识库构建：清洗、切分、来源标注、召回检查
- 1）资料准备：去掉过期、重复和冲突内容
- 2）切分策略：按主题、流程、规则或问答场景组织
- 3）召回检查：验证答复是否来自正确资料
- 4. 工具调用：从“会说”到“会做”的风险控制
- 1）最小权限：只开放当前任务必须使用的能力
- 2）调用留痕：记录工具输入、输出和异常
- 3）人工确认：写入、提交、删除等关键动作必须兜底
- 四、把测试能力用在智能体上
- 1. 测试样本：正常、边界、错误输入
- 1）正常样本：验证基础任务能否稳定完成
- 2）边界样本：验证规则临界点和复杂组合
- 3）错误输入：验证拒答、澄清和风险提示
- 2. 专项检查：幻觉、召回、权限
- 1）幻觉检查：识别无来源、编事实、编规则
- 2）召回检查：验证知识库是否找到正确资料
- 3）权限检查：验证工具是否越权或误操作
- 3. 回归与量化：答对率、出错率、失败边界。
- 4. 可选工具：Ragas、promptfoo、Langfuse、LangSmith
- 实战演练：搭一个岗位智能体
- 1. 统一样板：测试用例生成助手/研发知识库问答助手
- 1）前端/后端组：围绕接口、页面、代码解释改造
- 2）测试组：围绕用例、数据、缺陷复现改造
- 3）大数据/ERP组：围绕口径、规则、配置校验改造
- 2. 实战流程：搭建→测试→优化
- 成果产出：基础智能体、测试样本、优化清单
- 案例：智能问数为什么不能裸用NL2SQL。
- 一、精准甄别单/多智能体场景
- ——一个agent+工具能解决的，就别上多智能体——过度设计最常见、也最贵
- 适用场景：长任务链、多角色、多系统、需仲裁
- 核心分工：检索、分析、生成、校验、执行
- 二、角色分工与冲突处理
- 1. 角色拆分
- 1）主控角色：拆任务、排顺序、汇总状态
- 2）执行角色：查资料、跑工具、生成草稿
- 3）校验角色：检查事实、规则、权限和风险
- 2. 冲突处理
- 1）仲裁角色
- 2）优先级规则
- 3）人工兜底
- 3. 研发Harness
- ——Codex、ClaudeCode、Cursor、OpenClaw、OpenHands、OpenCode
- 总结：工具承接执行，治理仍靠团队
- 三、落地的现实约束
- 1. 权限与数据安全：数据流向、可见范围、操作边界
- 2. 成本与性能：调用次数、响应延迟、可观测性
- 3. 私有化部署：适用场景、代价与门槛
