课程简介
本课程衔接AI认知与产品思维框架，围绕银行业务中的AI场景挖掘、方案设计与智能体实践展开。通过复杂单据智能审核案例，梳理从图像预处理、OCR识别、信息提取到规则校验与风险判断的技术链路，探讨相关方法向其他业务场景迁移的可能性。
课程逐项介绍AI方案设计的标准作业程序（SOP），涵盖输入定义、指令工程、工具调用、人工协同和输出交付，并基于AI工具平台开展智能体设计实践。同时，将结果校验、异常处理、人工复核与兜底方案纳入设计过程，帮助学员完善AI解决方案的业务逻辑与功能设计。
目标收益
培训对象
课程大纲
| 一、AI应用场景挖掘 |
案例A：复杂单据的智能审核（OCR + LLM） - 拆解如何从非结构化图片（如发票、合同、报关单）中提取关键风控点 - 技术链路：图像预处理 → OCR识别 → 信息提取 → 规则校验 → 风险判断 - 讨论：为什么简单的OCR不够？AI如何根据银行规章制度做“逻辑判断”？ - 思考：这个案例的哪些方法可以迁移到你的业务场景？ |
| 二、AI场方案设计SOP |
AI方案设计标准作业程序（SOP）逐项讲解： - 输入定义：业务数据在哪？（邮件、系统截图、数据库、Excel、PDF？）数据格式是什么？数据质量如何？ - 指令工程（Prompt）：如何把业务SOP翻译成AI能听懂的指令？好的Prompt长什么样？ - 插件/工具调用：什么时候需要AI联网？什么时候需要查内部知识库（RAG）？什么时候需要调用API？ - 人工协同（HITL，Human-in-the-Loop）：在哪个环节必须由人来最后确认？风控闭环如何设计？ - 输出交付：AI产出的是报表、短信、邮件、系统工单、还是直接执行业务操作？ |
| 三、基于AI工具平台的智能体设计 |
- 任务拆解：如何将复杂目标分解为可执行的子任务 - 工具调用：Agent如何主动调用API、数据库、代码等工具 - 记忆管理：Agent如何在长周期任务中保持上下文一致性 - 反馈迭代：Agent如何根据执行结果进行自我优化 - 结果校验：如何确保Agent的输出质量 |
| 四、认识AI能力边界 |
- 异常处理机制：当AI置信度偏低，如何自动触发“人工复核”流程？ · 置信度阈值的设定方法 · 人工复核队列的设计 · 复核结果的反馈学习闭环 - 思考AI的能力边界：这个任务AI真的能做吗？准确率能接受吗？ - 设计出错的兜底方案（Plan B）：如果AI处理不了或处理错了怎么办？ |
|
一、AI应用场景挖掘 案例A：复杂单据的智能审核（OCR + LLM） - 拆解如何从非结构化图片（如发票、合同、报关单）中提取关键风控点 - 技术链路：图像预处理 → OCR识别 → 信息提取 → 规则校验 → 风险判断 - 讨论：为什么简单的OCR不够？AI如何根据银行规章制度做“逻辑判断”？ - 思考：这个案例的哪些方法可以迁移到你的业务场景？ |
|
二、AI场方案设计SOP AI方案设计标准作业程序（SOP）逐项讲解： - 输入定义：业务数据在哪？（邮件、系统截图、数据库、Excel、PDF？）数据格式是什么？数据质量如何？ - 指令工程（Prompt）：如何把业务SOP翻译成AI能听懂的指令？好的Prompt长什么样？ - 插件/工具调用：什么时候需要AI联网？什么时候需要查内部知识库（RAG）？什么时候需要调用API？ - 人工协同（HITL，Human-in-the-Loop）：在哪个环节必须由人来最后确认？风控闭环如何设计？ - 输出交付：AI产出的是报表、短信、邮件、系统工单、还是直接执行业务操作？ |
|
三、基于AI工具平台的智能体设计 - 任务拆解：如何将复杂目标分解为可执行的子任务 - 工具调用：Agent如何主动调用API、数据库、代码等工具 - 记忆管理：Agent如何在长周期任务中保持上下文一致性 - 反馈迭代：Agent如何根据执行结果进行自我优化 - 结果校验：如何确保Agent的输出质量 |
|
四、认识AI能力边界 - 异常处理机制：当AI置信度偏低，如何自动触发“人工复核”流程？ · 置信度阈值的设定方法 · 人工复核队列的设计 · 复核结果的反馈学习闭环 - 思考AI的能力边界：这个任务AI真的能做吗？准确率能接受吗？ - 设计出错的兜底方案（Plan B）：如果AI处理不了或处理错了怎么办？ |
近期公开课推荐