任你选择
课程介绍
当 AI Coding 把内部研发效能提升之后，真正决定企业竞争力的是：能不能把大模型转化为可交付、可运营、可计费的智能体能力。对易盛所在的金融科技领域，这意味着把行情、交易、风控、量化、客户服务等系统“Agent 化”——不改变原有系统，而在其之上构建统一的智能体入口，实现多系统语义化拉通与自动化调用。
本课程聚焦“业务价值 + 生产级治理”两条主线：一方面讲清 Agent 架构、RAG 知识库、既有系统赋能与商业化路径；另一方面引入 Harness Engineering 面向通用 Agent 的完整工程化方法——编排循环、工具层、护栏分级、Human-in-the-Loop、熵管理，帮助易盛构建从 PoC 到生产可靠运行的企业级 Agent 系统。
课程特点
业务贴身：围绕交易、行情、风控、量化、客户服务五大业务线展开，每个模块都有金融科技实战案例。
方法论完整：打通智能体架构 + 知识库 + Harness Engineering + 3AD 敏捷 AI 工程 + 合规与费用治理全链路。
生产级视角：不止“能跑”，重点解决“可审计、可观测、可控成本、可长时间自主运行”的生产落地问题。
成果导向：两天课结束形成“业务场景 Agent 方案 + Harness 设计 + 组织治理行动方案”三张交付物。
课程大纲
Day 1 业务变革——Agent 赋能业务
模块一：智能体的核心架构与金融业务价值（半天）
目标：建立对智能体（Agent）本质的系统认知，看清其在金融科技业务中的价值空间。
1. 解构智能体：大脑、感知、行动与工具
· LLM 作为“大脑”，外部世界通过感知（输入）与行动（工具调用）与之交互。
· 对比传统规则引擎与 RPA：Agent 的“涌现式决策”与“工具使用”能力的独特之处。
2. 金融科技场景全景
· 行情数据智能分析与异常检测；交易系统运行状态智能监控与运维。
· 多市场/多通道行情智能调度；量化策略助手与因子挖掘。
· 智能风控告警与工单派发；客户服务/投顾对话；合规与异常交易监测。
3. 既有系统的 AI 赋能与接口提取
· 不改变原有系统，在其之上赋能：通过提取交易/行情/风控/CRM 等系统的 API/HTTP/消息接口，封装 Skill，用智能体实现多系统语义化拉通和调用。
· Skill 封装实战：行情查询、合约信息、持仓查询、报单/撤单（沙盒/演练账户）、风控规则查询等操作如何封装为智能体可调用的 Skill。
· Skill 编排与组合：多个 Skill 组合实现复杂业务流程的自动化和智能化（如“一句话生成日内策略回测报告”、“智能盘后复盘”）。
4. 工作坊：易盛业务场景 Agent 拆解
· 分组选定一个行情/风控/量化/客户服务场景，完成“业务目标 → 关键操作 → 所需 Skill → Agent 编排”四层拆解。
模块二：知识库 RAG 与企业级集成方案（半天）
目标：掌握 RAG 与企业知识库建设的核心方法与避坑经验，理解企业级 Agent 系统的集成路径。
1. 知识库与 RAG 的实践与避坑
· RAG 与知识库：如何有效利用企业私有数据（产品手册、API 文档、合规规则、历史工单），解决通用大模型的“幻觉”问题。
· RAG 不准的根因与对策：场景混合、切片粒度不当、向量搜索原理局限性分析；分场景、分粒度的优化策略。
· 新技术方向探讨：Page Index、长上下文窗口替代传统切片、Notebook LM 等新范式的发展与展望。
2. 金融知识库实战案例
· 交易/行情产品答疑、客户服务知识库、合规规则库的建设、维护与优化经验。
· 如何区分“标准问答 / 长文档检索 / 结构化规则”三类场景，采用不同的检索与生成策略。
3. 企业级集成方案与落地案例
· 案例复盘：金融科技与期货行业智能化转型路径、大企业亿元级智能体项目的关键决策、专家经验沉淀方法论。
· 从 PoC 到生产：稳定性与延迟、合规与审计的可追溯性、需求沟通、过程管理、交付标准等关键痛点。
· 案例：CRM 重构全程中的里程碑驱动、Commit 级与 Repo 级审查、版本切分实践。
4. Day 1 收尾工作坊
· 每组在上午场景拆解基础上，补充知识库设计 + 集成方案，形成完整的业务 Agent 初步方案。
Day 2 生产级治理——Harness Engineering + 组织变革
模块三：企业级 Agent Harness 架构设计（半天）
目标：把 Harness Engineering 从 AI Coding 推广到企业级 Agent 系统，解决“能跑”到“能生产”的核心工程问题。
1. 编排循环（Orchestration Loop）
· TAO 循环（Thought-Action-Observation）：组装提示 → 调用 LLM → 解析输出 → 执行工具调用 → 结果回传 → 循环直到完成。
· 与多智能体协作模式的结合：层级式/对等式/混合式编排中的 Harness 设计。
2. 工具层（Tool Layer）
· 工具注册、Schema 验证、参数提取、沙箱执行、结果格式化。
· 从 Harness 角度理解 Skill：Skill 即 Harness 中的标准化工具单元；与 Day 1 的 Skill 封装承接。
3. 护栏（Guardrails）设计
· 限制文件访问范围、要求提交前 Lint、阻断破坏性命令（除非显式批准）。
· 设计原则：“先严后松”——从严格约束开始，随信心增长逐步放开。
· 四类软件分级策略及过渡：人工值守类 → 人机协同类 → AI 自主开发类；对应从最严到最松的 Guardrails 配置。
4. Human-in-the-Loop 设计
· 哪些操作需要人工审批：触及生产数据、修改基础设施、变更安全配置、发送真实报单。
· 人类角色转变：从“写代码的人”到“在更高抽象层工作的人”——优先级排序、需求翻译为验收标准、结果验证。
· 3AD 中的 AIBP 角色：AIBP 本质上是 Harness 中 Human-in-the-Loop 节点的承担者。
5. “熵管理”——Harness 的持续维护
· Agent 环境的“漂移”问题：文档过时、规范偏离、工具版本不匹配。
· OpenAI 的实践：定期“垃圾回收”扫描——用 Agent 检测漂移并建议修复。
· 与 3AD 生命周期第四阶段“自主运营与监控”的对应。
6. 工作坊：为 Day 1 的业务 Agent 方案加上 Harness
· 各组为昨日的业务 Agent 方案补齐：Guides 清单（规范文件、Hooks、架构约束） + Sensors 清单（Evals、测试、审查、可观测性） + Human-in-the-Loop 介入点 + 熵管理机制。
模块四：组织治理、费用管理与行动规划（半天）
目标：构建适配 AI 时代的企业制度、流程与安全防线，解决算力费用、合规、交付模式等实际问题，并形成可执行的组织级行动方案。
1. TOKEN 费用管理与企业部署方案
· 企业套餐 vs. 本地/私有化部署 vs. 按量付费：成本对比与适用场景，重点关注金融行业对数据出域的限制。
· 国产大模型选型建议：各主流大模型在金融场景中的实际表现对比（含可私有化部署的开源模型）。
· 费用治理：Token 观测、成本归因到业务线、Harness 中的预算护栏。
2. 安全与合规
· 智能体应用中的数据安全问题及金融企业应对措施（客户数据、交易数据、行情数据的隔离与脱敏）。
· 开源智能体框架的企业适配：吸收开源架构优点，规避合规风险，封装为企业可控的解决方案。
· 避免“幻觉”带来的业务风险：技术手段（强 Sensor、Evals、LLM-as-Judge）与管理手段（审批流、可追溯日志）的结合。
3. AI 时代的敏捷管理与项目交付新模式
· 3AD 敏捷 AI 工程方法：适应 AI 原生软件迭代开发的全新管理流程；与 Harness Engineering 的协同关系。
· 智能体的评估指标与测试方法：如何衡量“AI 员工”的输出，特别是在交易/风控等高可靠场景下。
· 交付新模式：从“交付软件许可”到“交付 AI 能力 + 持续运营”——按订阅付费、按调用量计费、与客户业务结果挂钩的商业模式探讨。
4. 新岗位与能力要求
· Harness Engineer 的能力模型：横跨 Prompt Engineering、Context Engineering、DevOps、质量工程。
· 与既有角色的融合：Skill 封装工程师 → Harness 工具层工程师；AI 效能教练 → Harness 成熟度教练。
· 金融科技企业转型中的新业务机会与组织架构调整建议。
5. 风险演练与管理流程共创
· 风险演练：模拟“幻觉”输出错误风控规则、行情数据泄露等场景，制定处置流程。
· 管理流程共创：设计 3AD 敏捷 AI 工程方法在易盛的落地路径，覆盖需求 → 开发 → 上线 → 运营。
6. 综合收尾：两天课成果整合
· 各组输出三件交付物：业务 Agent 方案、Agent Harness 设计、组织治理与 2 个月行动方案；讲师点评与 Q&A。
