AiDD研发数字峰会 — 上海站议题提交

议题提交

深度工作坊

DEEP WORKSHOP
(限40人)

李明宇

AI 大模型落地实战专家

企业智能化转型首席顾问

中科院计算所副教授（高级工程师），历任国家重点实验室课题组负责人，创业公司CTO，上市公司事业群技术总监和首席技术专家，荣获中国软件协会“优秀CTO”等多项荣誉，中国新一代IT 产业联盟分委会秘书长，全国高校人工智能与大数据创新联盟专家委员，北京开源创新委员会委员，中国开源软件创新大赛总决赛评委。

国内为数不多兼具大型企业高管视野与一线技术实操能力的复合型技术和管理专家，十余年来始终深耕IT 新技术在企业级场景的规模化落地，跨顶级科研机构-创业公司-大型民营企业和央国企，成功主导多个产品从技术研发、工程实施到商业变现的全链路闭环，能够从前沿视野、战略解码、开发实操、项目管理、产品设计等多个角度给予企业全面的培训与辅导。

内容简介：

随着大模型技术的爆发，企业级 AI 应用普遍面临“交付难、成本黑洞、效果不可控”的三大痛点。据 Gartner 预测，到 2027 年，40% 的智能体项目可能烂尾。
造成这一困局的核心原因在于，传统的瀑布式或慢敏捷开发模式，已无法适应 AI 项目“需求涌现化”、“输出概率性”和“技术迭代快”的特征。传统的职能分工导致产品、研发与交付之间存在“职能墙”，在AI 项目中难以形成合力。与此同时，Palantir 等成功的AI 公司通过设置对最终业务效果负责的新型人才—— FDE（Forward Deployed Engineer，特遣工程师），并设计相应的敏捷组织架构和流程，打破边界、成功破局。
本工作坊正是为了解决 AI 落地中的“剪刀差”现状，由具有大规模人工智能项目成功落地经验的实战派讲师亲自授课，通过讲解+实战培养具备全链路闭环能力的 FDE，帮企业将大模型技术真正转化为可落地的业务价值。

适合人群：

研发总监、技术VP、CTO、创新部门/数字化转型负责人、AI/ML工程师、算法工程师、全栈工程师、后端工程师、技术型产品经理、有技术背景的解决方案架构师/售前专家、有志于成为FDE的资深个人开发者/创业者。

演讲提纲：
模块一：概念重构 —— 理解 FDE 的内涵
1.1 定义 FDE
• 新定义：在 AI 2.0/Software 3.0 时代，能够打破“数据-算法-工程”职能墙，独立完成从“业务意图 -> 数据处理 -> 模型/智能体调优 -> 工程部署”全链路闭环的工程师。
• 核心差异：传统模式关注“产出代码”和“算法实现”，FDE 模式关注交付“智能能力”和“业务价值”。
1.2 思维范式转变
• 从 Code-First 到 Value-First：拒绝重复造轮子，善用公司技术资产和开源生态快速构建 MVP（最小可行性产品）。
• 从确定性到概率性：管理 AI 输出的不确定性（幻觉控制、置信度评估），这是FDE 的核心门槛。
• 内涵关键词： Ownership（对最终业务效果负责）与 Velocity（极速迭代）。
1.3 FDE 的四个核心角色
• 业务咨询师：识别业务痛点，并转化为AI可处理的问题。并向业务人员进行 AI 赋能。
• 架构操盘手：设计AI系统架构、RAG 管道与 Agent 逻辑，快速编写胶水代码实现MVP。
• AI 驯化师：掌握 Context Engineering、Few-shot Learning 及微调等技术，持续优化 AI 能力。
• 监控运维官：监控算力成本、响应延迟 (Latency) 及回答质量等指标，负责系统升级。

模块二：能力矩阵 —— "T型" 技能树构建
2.1 核心技能栈 (Hard Skills)
• AI Native 能力构建：
- 工具链：智能体平台、开发框架、向量数据库、模型推理与训练框架。
- Agentic AI 架构基础： RAG (检索增强生成)、Agent (智能体) 编排、function calling与MCP 接入外部系统、记忆与状态管理。
- 模型认知与选型：主流闭源与开源模型的能力优劣与成本/性能比较。
- RAG 进阶工程：合检索（关键词+向量）、重排序（Rerank）、查询改写（Query Rewriting）、多模态RAG、PDF/表格的解析与入库策略。
- Context Engineering： CoT (链式思维)、ReAct 框架、Plan-and-Execute、动态上下文管理。
- Skills：业务 SOP（指令） + 执行脚本（代码） + 领域知识（文档）
- 多智能体协同：路由模式（Router）、评审模式（Critic）、层级调度模式。
- 评估驱动开发（EDD）：建立自动化评估数据集（Golden Dataset）、设计面向业务的评估指标、LLM as a Judge。
• 编程能力升级：
- Python 高级编程。
- AI Coding/Vibe Coding。
2.2 软技能 (Soft Skills)
• 需求挖掘与预期管理：
识别模糊需求，转化为 AI 可处理的问题。运用“价值优先（Value-First）”原则，筛选出高价值切入点，快速构建最小可行性产品（MVP）。
向业务方传递 AI 的“概率性”特征，帮助用户建立对“幻觉”和“错误率”的正确容忍度，并设定合理的置信度评估标准。
• 敏捷协作：
“以演示促交付”，通过每周的 Demo 会议快速收集真实环境反馈，利用高频迭代解决 AI 项目“效果不可控”的痛点，确保项目不偏离业务价值。
摒弃传统的“流水线”作业，FDE 与 AIBP等同事组成 2-4 人的敏捷小队，实现从数据处理到模型调优的全链路实时协同。
• 用户侧高层沟通：
清晰阐述解决的具体业务痛点，用数据驱动的方式量化项目成果。在项目早期通过 PoC验证可行性，及时止损或明确资源投入。
阐明从“技术托管”到“自主运营”的清晰路径，消除客户对于长期技术依赖和“被机器替代”的顾虑。

模块三：组织与流程 —— 智能体系统敏捷工程
3.1 组织架构：智能体敏捷小组
• 最小作战单元：告别职能部门墙，组建 2-4 人的全功能小队。
• 关键角色：
- AIBP (AI Business Partner)：业务效果负责人（通常由业务专家或产品经理担任），负责定义“模糊意图”并提供真值数据 (Ground Truth)。
- FDE：智能体搭建、Prompt 资产管理、模型调试、工程优化与集成。
- Data Engineer (可选)：在重数据依赖场景下介入，负责高质量数据供给。
3.2 智能体系统敏捷开发生命周期
• 阶段一：场景探索与 PoC：框架先行，聚焦核心 Case，快速验证技术可行性与商业价值。
• 阶段二：迭代交付与试用：进入周度迭代 (Weekly Sprint)，交付 Beta 版，并在真实环境中收集反馈。
• 阶段三：持续优化与自主调校：交付 V1.0，开发“配置化界面”，赋能 AIBP 自主调整 Prompt 或规则，FDE 逐步抽身。
• 阶段四：自主运营：业务方独立运营，FDE 仅负责监控与阶段性升级。
3.3 核心战术动作
• 沟通与会议机制
• 任务分解、结果度量与流转闭环
• 产出与数字资产管理

模块四：实战落地 —— 案例演练（可根据客户所在行业定制）
案例A：结合企业业务场景的垂域智能问数
案例B：结合企业内外部数据的综合调研与报告撰写

听众收益：
帮助团队设置和培养FDE（Forward Deployed Engineer），并引入智能体系统敏捷开发方法论，重塑组织能力和开发流程，解决 AI 项目“落地难、交付慢、效果不可控”的痛点。具体如下：
1. 思维范式重塑： 帮助学员打破“产品-研发-交付”的传统职能墙，从关注“产出代码”转向关注“交付智能能力与业务价值” 。建立“Value-First”思维，学会利用现有资产快速构建 MVP，并掌握管理 AI 输出不确定性的核心方法。
2. 核心技能构建： 构建 FDE 的“T型”技能树，掌握从 RAG 进阶工程、Agentic AI架构、多智能体协同到评估驱动开发（EDD）的全栈技术体系。使学员具备独立完成“业务意图转化为工程实现”的全链路闭环能力。
3. 敏捷组织落地： 掌握智能体敏捷小组的组建方法，学习如何与 AI 业务伙伴（AIBP）高效协同。熟悉智能体系统敏捷开发生命周期，通过周度迭代和 Demo 机制，解决反馈不及时、项目交付难的问题。
4. 实战痛点解决： 通过真实案例演练，让团队具备解决 AI 项目“落地难、效果不可控”的具体战术能力，确保项目能从 PoC 阶段顺利推向生产环境并实现持续自主运营。