课程简介
课程将结合 Spec-Kit SDD、Verifiable Spec、MPFA 元数据渐进式折叠、上下⽂⼯程、MCP、Agent Runtime、
意图识别微调、参数抽取、LoRA/QLoRA、多智能体协作和 Agent 可观测性等内容，帮助学员理解如何把模糊
业务意图转化为可验证规格，把异构知识组织为可调度上下⽂，并设计可评估、可追踪、可治理的智能体应⽤
⽅案。
目标收益
1. 掌握 Spec-Kit SDD 的核⼼流程，能够将模糊需求转化为可验证规格、验收条件、任务拆解和测试清单。
2. 理解 MPFA 元数据渐进式折叠⽅法，能够围绕字段、实体、事件、场景逐层组织异构知识，缓解索引冲突和推理冲突。
3. 掌握上下⽂⼯程与 MCP 的关键概念，能够设计资源感知、容错、优先级调度的 Agent Runtime 架构。
4. 掌握模型深度应⽤链路，理解意图识别微调、参数提取优化、语料治理、LoRA/QLoRA 的使⽤边界。
5. 理解多智能体协作机制，掌握上下⽂压缩、任务体系、短期记忆、⻓期记忆和智能体间协同⽅式。
6. 建⽴ Agent 可观测性意识，能够设计⼯具调⽤链、模型调⽤、任务状态、异常回退、成本和质量指标的追踪⽅案。
7. 完成⼀份⾯向企业场景的 AI 赋能技术全链路⽅案，包括规范、知识、模型、运⾏时、多智能体和治理闭环。
培训对象
本课程⾯向企业技术研发、架构设计、数据治理、测试、运维、产品与项⽬管理等相关⼈员
课程大纲
| 第⼀天-上午：规范驱动开发与智能化基座（3h） |
1. 课程开场与企业 AI 技术全链路总览（0.5h） 介绍课程⽬标、学习路径、分组⽅式、实操环境和最终输出要求。 概览企业 AI 应⽤从 Copilot 到 Agentic Workflow 的演进路径。 建⽴本课程全链路框架：⼯程确定性、认知深度对⻬、上下⽂运⾏时、模型深度应⽤、多智能体治理。 说明线下培训中的协作⽅式：讲师讲解、助教⽀持、分组实操、⽅案沉淀和现场点评。 2. Spec-Kit SDD 与 Verifiable Spec ⽅法（1h） 讲解 Spec-Kit SDD 的核⼼思想：先规格、后计划、再任务，避免直接从模糊需求跳到代码或流程实现。 拆解 Spec、Plan、Tasks、Implement 的⼯作流，以及规格⽂档、技术计划、任务清单、验收标准之间的关系。 介绍 Verifiable Spec 的设计⽅法：⽬标、⽤⼾⻆⾊、业务约束、输⼊输出、异常路径、验收条件、可测试证据 说明 SOP 资产化与规范驱动开发的关系：将流程经验、操作规则、质量⻔禁和⼈⼯确认点转化为 AI 可 执⾏约束。 3. 规范驱动开发案例拆解（0.5h） 以“智能需求分析助⼿”或“服务⼯单归因助⼿”为例，将⼀句模糊需求拆解为业务⽬标、边界条件、依赖资 源和验收标准。 对⽐普通需求描述与可验证规格在任务拆解、测试设计、⻛险控制和协作沟通中的差异。 讲解如何在规格中嵌⼊质量⻔禁：输出格式、引⽤依据、失败回退、⼈⼯确认和审计记录。 4. 课程实战-1：从模糊意图到可验证规格（1h） 每组领取⼀个模拟业务场景，例如知识问答助⼿、⼯单分析助⼿、流程规范助⼿或测试⽤例⽣成助⼿。 使⽤⼤模型将模糊需求整理为 spec.md 结构，包括业务⽬标、⽤⼾故事、约束条件、输⼊输出、异常流程和验收标准。 基于规格继续⽣成任务拆解清单和测试验证清单，明确哪些内容可以⾃动验证、哪些内容必须⼈⼯确 认。 输出成果：⼀份 Verifiable Spec 卡⽚、⼀份任务拆解清单和⼀份验收检查表。 |
| 第⼀天下午：知识⼯程、MPFA 与上下⽂运⾏时（3h） |
1. ⾼精度数据治理与异构知识融合（0.5h） 讲解企业 AI 应⽤中的典型知识来源：制度⽂档、SOP、业务表单、接⼝说明、⽇志、⼯单、FAQ、指标 ⼝径和元数据。 介绍知识⼊库前的数据治理流程：⽂档解析、结构清洗、语义切分、字段标准化、版本标记、权限标签 和质量检查。 说明混合检索在异构知识融合中的作⽤：关键词检索、向量检索、重排、引⽤溯源和答案校验。 2. MPFA 元数据渐进式折叠与认知深度对⻬（1h） 讲解 MPFA 的基本思想：将离散字段逐步折叠为实体、事件、流程和场景，使机器上下⽂更接近业务认 知结构。 拆解 MPFA 的四层组织⽅式：字段层⽤于保留原始事实，实体层⽤于统⼀对象，事件层⽤于表达变化， 场景层⽤于⽀撑推理任务。 介绍 Metadata Gating 设计：版本⻔控、时效⻔控、权限⻔控、⼀致性⻔控和置信度⻔控，降低异构索 引和多源推理冲突。 结合企业场景说明 MPFA 的适⽤边界：适合多⽂档、多表格、多流程、多系统知识融合，不替代基础数 据治理和权限管理。 3. 上下⽂⼯程、MCP 与 Agent Runtime 调度（1h） 讲解上下⽂⼯程的组成：系统指令、任务规格、历史摘要、短期记忆、⻓期记忆、检索证据、⼯具结果 和输出约束。 介绍 MCP 的核⼼概念：Tools、Resources、Prompts、Elicitation，以及它们在 Agent 连接外部资源中的 作⽤。 设计资源感知的 Agent Runtime：按任务优先级、上下⽂预算、⼯具可⽤性、失败次数和⼈⼯确认需求 进⾏调度。 讲解容错与回退策略：参数缺失追问、⼯具失败重试、结果冲突仲裁、敏感操作确认、低置信度拒答 4. 课程实战-2：MPFA 与 Agent Runtime 蓝图设计（0.5h） 每组基于上午的业务场景，补充知识来源、元数据字段、实体关系、事件线索和场景上下⽂。 设计⼀个上下⽂装配流程，明确哪些信息进⼊提⽰词、哪些信息通过 MCP ⼯具获取、哪些信息需要⼈⼯补充。 输出成果：⼀张 MPFA 上下⽂地图和⼀张 Agent Runtime 调度流程图。 |
| 第⼆天-上午：模型深度应⽤、多智能体协作与企业治理（3h） |
1. 模型深度应⽤：意图识别、参数抽取与语料治理（1h） 讲解意图识别和参数抽取在企业智能体中的作⽤：识别⽤⼾⽬标、提取关键槽位、补⻬⼯具参数、触发 正确⼯作流。 介绍语料治理全链路：语料采集、脱敏处理、标签体系、正负样本、⻩⾦测试集、难例沉淀和版本管 理。 说明 Prompt、RAG、⼯具调⽤、轻量微调之间的选择逻辑，避免把所有问题都推给模型训练。 介绍 LoRA/QLoRA 的应⽤边界：适⽤于领域表达、意图分类、格式稳定性和参数抽取优化，不适合直接 承载频繁变化的事实知识。 2. 多智能体原理、任务体系与记忆机制（0.5h） 讲解多智能体架构的常⻅⻆⾊：Planner、Retriever、Executor、Reviewer、Supervisor。 介绍任务体系设计：任务拆解、状态流转、职责边界、交接协议、失败回退和最终汇总。 说明上下⽂压缩、短期记忆、⻓期记忆和任务⽇志在⻓流程协作中的作⽤。 3. Agent 可观测性与企业级治理（0.5h） 讲解 Agent 调⽤链可观测性：模型调⽤、⼯具调⽤、检索证据、任务状态、异常信息、⼈⼯确认和最终 输出。 介绍常⻅指标：任务完成率、⼯具调⽤准确率、参数提取准确率、上下⽂命中率、延迟、成本、失败类 型和⼈⼯接管率。 说明如何将失败样例回流到规格、提⽰词、知识库、⼯具定义、语料集和评测集中，形成持续优化闭 环。 4. 课程实战-3：AI 赋能技术全链路⽅案设计与评审（1h） 每组整合前两段实操成果，设计⼀个企业 AI 应⽤⽅案，覆盖 Spec-Kit SDD、MPFA、上下⽂⼯程、 MCP、Agent Runtime、多智能体和可观测性。 明确⽅案中的关键问题：解决什么业务问题、使⽤哪些知识、调⽤哪些⼯具、如何调度、如何评测、如 何回退、如何治理。 讲师和助教从业务价值、⼯程确定性、知识治理质量、运⾏时可控性、模型应⽤合理性和可观测性六个 维度进⾏点评。 输出成果：⼀份 AI 赋能技术全链路⽅案说明、⼀张架构流程图和⼀份价值评估清单。 |
|
第⼀天-上午：规范驱动开发与智能化基座（3h） 1. 课程开场与企业 AI 技术全链路总览（0.5h） 介绍课程⽬标、学习路径、分组⽅式、实操环境和最终输出要求。 概览企业 AI 应⽤从 Copilot 到 Agentic Workflow 的演进路径。 建⽴本课程全链路框架：⼯程确定性、认知深度对⻬、上下⽂运⾏时、模型深度应⽤、多智能体治理。 说明线下培训中的协作⽅式：讲师讲解、助教⽀持、分组实操、⽅案沉淀和现场点评。 2. Spec-Kit SDD 与 Verifiable Spec ⽅法（1h） 讲解 Spec-Kit SDD 的核⼼思想：先规格、后计划、再任务，避免直接从模糊需求跳到代码或流程实现。 拆解 Spec、Plan、Tasks、Implement 的⼯作流，以及规格⽂档、技术计划、任务清单、验收标准之间的关系。 介绍 Verifiable Spec 的设计⽅法：⽬标、⽤⼾⻆⾊、业务约束、输⼊输出、异常路径、验收条件、可测试证据 说明 SOP 资产化与规范驱动开发的关系：将流程经验、操作规则、质量⻔禁和⼈⼯确认点转化为 AI 可 执⾏约束。 3. 规范驱动开发案例拆解（0.5h） 以“智能需求分析助⼿”或“服务⼯单归因助⼿”为例，将⼀句模糊需求拆解为业务⽬标、边界条件、依赖资 源和验收标准。 对⽐普通需求描述与可验证规格在任务拆解、测试设计、⻛险控制和协作沟通中的差异。 讲解如何在规格中嵌⼊质量⻔禁：输出格式、引⽤依据、失败回退、⼈⼯确认和审计记录。 4. 课程实战-1：从模糊意图到可验证规格（1h） 每组领取⼀个模拟业务场景，例如知识问答助⼿、⼯单分析助⼿、流程规范助⼿或测试⽤例⽣成助⼿。 使⽤⼤模型将模糊需求整理为 spec.md 结构，包括业务⽬标、⽤⼾故事、约束条件、输⼊输出、异常流程和验收标准。 基于规格继续⽣成任务拆解清单和测试验证清单，明确哪些内容可以⾃动验证、哪些内容必须⼈⼯确 认。 输出成果：⼀份 Verifiable Spec 卡⽚、⼀份任务拆解清单和⼀份验收检查表。 |
|
第⼀天下午：知识⼯程、MPFA 与上下⽂运⾏时（3h） 1. ⾼精度数据治理与异构知识融合（0.5h） 讲解企业 AI 应⽤中的典型知识来源：制度⽂档、SOP、业务表单、接⼝说明、⽇志、⼯单、FAQ、指标 ⼝径和元数据。 介绍知识⼊库前的数据治理流程：⽂档解析、结构清洗、语义切分、字段标准化、版本标记、权限标签 和质量检查。 说明混合检索在异构知识融合中的作⽤：关键词检索、向量检索、重排、引⽤溯源和答案校验。 2. MPFA 元数据渐进式折叠与认知深度对⻬（1h） 讲解 MPFA 的基本思想：将离散字段逐步折叠为实体、事件、流程和场景，使机器上下⽂更接近业务认 知结构。 拆解 MPFA 的四层组织⽅式：字段层⽤于保留原始事实，实体层⽤于统⼀对象，事件层⽤于表达变化， 场景层⽤于⽀撑推理任务。 介绍 Metadata Gating 设计：版本⻔控、时效⻔控、权限⻔控、⼀致性⻔控和置信度⻔控，降低异构索 引和多源推理冲突。 结合企业场景说明 MPFA 的适⽤边界：适合多⽂档、多表格、多流程、多系统知识融合，不替代基础数 据治理和权限管理。 3. 上下⽂⼯程、MCP 与 Agent Runtime 调度（1h） 讲解上下⽂⼯程的组成：系统指令、任务规格、历史摘要、短期记忆、⻓期记忆、检索证据、⼯具结果 和输出约束。 介绍 MCP 的核⼼概念：Tools、Resources、Prompts、Elicitation，以及它们在 Agent 连接外部资源中的 作⽤。 设计资源感知的 Agent Runtime：按任务优先级、上下⽂预算、⼯具可⽤性、失败次数和⼈⼯确认需求 进⾏调度。 讲解容错与回退策略：参数缺失追问、⼯具失败重试、结果冲突仲裁、敏感操作确认、低置信度拒答 4. 课程实战-2：MPFA 与 Agent Runtime 蓝图设计（0.5h） 每组基于上午的业务场景，补充知识来源、元数据字段、实体关系、事件线索和场景上下⽂。 设计⼀个上下⽂装配流程，明确哪些信息进⼊提⽰词、哪些信息通过 MCP ⼯具获取、哪些信息需要⼈⼯补充。 输出成果：⼀张 MPFA 上下⽂地图和⼀张 Agent Runtime 调度流程图。 |
|
第⼆天-上午：模型深度应⽤、多智能体协作与企业治理（3h） 1. 模型深度应⽤：意图识别、参数抽取与语料治理（1h） 讲解意图识别和参数抽取在企业智能体中的作⽤：识别⽤⼾⽬标、提取关键槽位、补⻬⼯具参数、触发 正确⼯作流。 介绍语料治理全链路：语料采集、脱敏处理、标签体系、正负样本、⻩⾦测试集、难例沉淀和版本管 理。 说明 Prompt、RAG、⼯具调⽤、轻量微调之间的选择逻辑，避免把所有问题都推给模型训练。 介绍 LoRA/QLoRA 的应⽤边界：适⽤于领域表达、意图分类、格式稳定性和参数抽取优化，不适合直接 承载频繁变化的事实知识。 2. 多智能体原理、任务体系与记忆机制（0.5h） 讲解多智能体架构的常⻅⻆⾊：Planner、Retriever、Executor、Reviewer、Supervisor。 介绍任务体系设计：任务拆解、状态流转、职责边界、交接协议、失败回退和最终汇总。 说明上下⽂压缩、短期记忆、⻓期记忆和任务⽇志在⻓流程协作中的作⽤。 3. Agent 可观测性与企业级治理（0.5h） 讲解 Agent 调⽤链可观测性：模型调⽤、⼯具调⽤、检索证据、任务状态、异常信息、⼈⼯确认和最终 输出。 介绍常⻅指标：任务完成率、⼯具调⽤准确率、参数提取准确率、上下⽂命中率、延迟、成本、失败类 型和⼈⼯接管率。 说明如何将失败样例回流到规格、提⽰词、知识库、⼯具定义、语料集和评测集中，形成持续优化闭 环。 4. 课程实战-3：AI 赋能技术全链路⽅案设计与评审（1h） 每组整合前两段实操成果，设计⼀个企业 AI 应⽤⽅案，覆盖 Spec-Kit SDD、MPFA、上下⽂⼯程、 MCP、Agent Runtime、多智能体和可观测性。 明确⽅案中的关键问题：解决什么业务问题、使⽤哪些知识、调⽤哪些⼯具、如何调度、如何评测、如 何回退、如何治理。 讲师和助教从业务价值、⼯程确定性、知识治理质量、运⾏时可控性、模型应⽤合理性和可观测性六个 维度进⾏点评。 输出成果：⼀份 AI 赋能技术全链路⽅案说明、⼀张架构流程图和⼀份价值评估清单。 |
近期公开课推荐