FDE：AI智能体赋能职场，从AI认知，AI工具实操，RAG知识库构建到Agent开发和Skills构建案例实操

课程背景

大多数职场人对AI的认知还停留在“会聊天的工具”这个层面，但实际变化远比这深刻。2026年以来，大模型的推理能力、多模态处理、自主执行任务的能力都在快速进化，AI已经从“你问它答”进入“你定目标它干活”的阶段。这意味着，不会用AI的人和工作流用上AI的人，效率差距正在从“差一点”变成“差一个量级”。然而现状是，多数企业的AI应用还处于散点尝试状态。有人用AI写邮件，有人用AI查资料，但很少有人把AI真正嵌入到完整的业务流程里。更深一层的问题在于：通用大模型不懂你公司的具体业务，写出来的东西能用但不精准；Agent概念听了很多，真到自己动手搭一个能跑通的流程，卡在第一步的人占了大多数。

这门课要解决的正是这两个断层——从建立正确的AI认知开始，到能够独立完成Prompt工程和RAG知识库搭建，再到动手开发可复用的Agent技能包，skills技能沉淀实操。两天时间，从认知到实操，从使用者到构建者。

课程收益

1.建立对AI能力的准确判断力。不再被营销话术带着走，能分辨什么场景AI真能提效，什么场景它暂时干不了，做技术选型时有自己的判断框架。

2.掌握结构化Prompt的写法，不是背模板，而是理解背后的沟通逻辑。拿到一个新的工作需求，能自己设计提示词并迭代到好用，输出质量可预期、可复现。

3.能够独立搭建部门级RAG知识库。把团队积累的文档、流程、经验变成AI可调用的知识资产，解决通用模型不懂你业务的核心痛点。

4.理解Agent的运行机制，能在桌面智能体平台上完成从需求拆解、技能包设计到调试上线的完整流程，带走三个可直接复用的SKILL技能包。

5.建立AI使用的安全意识。清楚哪些数据不能喂、哪些输出不能直接用，形成个人和团队层面的合规操作习惯，避免在效率提升的同时埋下风险。

课程特色

理论精讲+案例实操+工具代码实操+项目实操；理论:实操=3:7

培训时长

2天

课程大纲

第一天 AI基础知识、进展、最佳实践和企业RAG知识库构建实操

第一部分 重新理解AI与职场的关系

1.1 这波AI浪潮到底改变了什么

1.1.1 从工具到协作者：工作模式的根本转向

1.1.2 岗位边界在模糊，能力组合在重构

1.1.3 三个正在被AI重塑的典型工作流拆解

1.2 大模型为什么能听懂人话

1.2.1 从文字接龙到逻辑推理，底层原理白话版

1.2.2 Token不是单词，上下文窗口意味着什么

1.2.3 模型的幻觉从哪来，如何判断它靠不靠谱

1.3 职场人该建立的三个基本认知

1.3.1 会用AI和用好AI之间差了100次实操

1.3.2 提示词不是咒语，是沟通框架

1.3.3 安全红线：什么数据绝对不能喂给AI

第二部分 结构化Prompt工程实操

2.1 为什么你的提示词总是出不来想要的结果

2.1.1 指令模糊、信息残缺、角色错位三大常见病

2.1.2 好的提示词长什么样，拆一个高效果案例

2.1.3 用角色设定锁定输出风格，而不是碰运气

2.2 结构化Prompt的四个核心要素

2.2.1 角色定义：不是写“你是专家”，而是定义边界

2.2.2 任务描述：把“帮我写个方案”变成可执行步骤

2.2.3 输出格式：约束比自由更重要

2.2.4 示例引导：一个例子胜过十行描述

2.3 写出第一个高质量Prompt并迭代

2.3.1 现场出题，每人写一个工作中的真实需求

2.3.2 三轮迭代：从能用到好用，记录每次改动点

2.3.3 互相审阅，找出五类容易忽略的细节问题

第三部分 通用AI工具矩阵与选型逻辑

3.1 主流通用大模型能力边界对比

3.1.1 文本、代码、多模态，各家强项各不同

3.1.2 免费与付费之间的实际差距有多大

3.1.3 什么场景下必须用特定模型，什么场景可以混用

3.2 办公场景常用AI工具速览

3.2.1 文档撰写类：从初稿到润色到改写，工具组合策略

3.2.2 数据分析类：自然语言驱动Excel与BI工具

3.2.3 知识管理类：用AI做会议纪要、信息提取、知识归档

3.3 建立自己的AI工具箱决策框架

3.3.1 按任务类型分类，而不是追着新工具跑

3.3.2 评估三个维度：准确性、可控性、效率提升比

3.3.3 一个岗位的典型AI工具组合方案示例

第四部分 前沿动态与多行业落地案例拆解

4.1 当前AI技术的关键进展

4.1.1 推理能力增强：模型开始会“多想几步”

4.1.2 多模态融合：文字图像语音不再割裂

4.1.3 Agent概念落地：从对话工具到自主执行任务

4.2 跨行业应用案例深度拆解

4.2.1 市场营销岗：竞品分析、内容矩阵、用户洞察一条龙

4.2.2 人力资源岗：简历初筛、面试提纲、培训方案生成

4.2.3 研发技术岗：代码辅助、文档自动生成、Bug定位

4.2.4 行政管理岗：公文撰写、日程统筹、采购比价分析

4.3 案例拆解的通用分析框架

4.3.1 原始工作流长什么样，痛点卡在哪个环节

4.3.2 AI嵌入后的新流程，改动到底有多大

4.3.3 量化效果：时间、质量、可复制性三个维度评估

第五部分 AI应用安全与合规底线

5.1 数据安全不可逾越的红线

5.1.1 商业机密、个人隐私、未公开信息三类绝不可输入

5.1.2 模型服务商的数据使用政策怎么看，关键条款解读

5.1.3 企业内部制定AI使用规范的七个要点

5.2 输出内容的合规风险

5.2.1 AI生成内容的版权归属，当前法律模糊地带

5.2.2 对外发布前必须做的事实核查，三个必查项

5.2.3 行业监管特殊要求，金融医疗等领域额外注意

5.3 建立个人的AI使用安全清单

5.3.1 输入前的三道自问：能喂吗、脱敏了吗、有必要吗

5.3.2 输出后的四步检查：事实、逻辑、合规、价值观

5.3.3 团队协作场景下的AI使用约定模板

第六部分 RAG知识库构建实操

6.1 RAG是什么，能解决什么问题

6.1.1 大模型不懂你公司的事，RAG让AI读你的资料

6.1.2 检索增强生成的基本流程：向量化、召回、重排

6.1.3 哪些场景适合上知识库，哪些场景不如直接写Prompt

6.2 从零搭建一个可用的知识库

6.2.1 选工具：Dify、FastGPT、AnythingLLM优劣势对比

6.2.2 文档预处理：切分策略、格式清洗、元数据标注

6.2.3 现场实操：上传一个部门的真实文档集并测试问答

6.3 知识库效果调优与持续维护

6.3.1 召回不准的排查路径：切分粒度、检索参数、模型选择

6.3.2 混合检索策略：关键词匹配加语义搜索的组合拳

6.3.3 知识库不是做完就算，建立定期更新的机制

第二天 AI Agent开发实战和Skills沉淀案例实操

第一部分 Agent基本结构与运行逻辑

1.1 什么是Agent，它和聊天机器人差在哪

1.1.1 有目标、能规划、会调用工具、可自主循环

1.1.2 四个核心模块：大脑、记忆、工具、执行器

1.1.3 一个完整的Agent运行流程走一遍

1.2 Agent的决策机制拆解

1.2.1 任务拆解：大目标变子任务，怎么分合理

1.2.2 工具调用判断：什么情况调用外部能力，什么情况自己干

1.2.3 反思与纠错：执行结果不达预期时怎么修正

1.3 当前主流的Agent产品形态

1.3.1 对话式Agent：藏在聊天窗口里的自主执行者

1.3.2 流程式Agent：固定节点加智能决策的混合体

1.3.3 自主式Agent：给目标就能自己规划执行的多步体

第二部分 桌面智能体平台应用

2.1 为什么选择桌面智能体平台

2.1.1 直接操控本地应用，打通信息孤岛

2.1.2 所见即所得的配置方式，降低开发门槛

2.1.3 常用平台一览：功能对比与选型建议

2.2 平台基础操作上手

2.2.1 界面布局与核心功能区详解

2.2.2 创建一个最简单的Agent：理解输入、处理、输出

2.2.3 工作流画布的使用：节点连接、条件分支、循环控制

2.3 第一个实操案例：自动化信息处理

2.3.1 场景定义：从网页抓取信息并整理成表格

2.3.2 拖拽搭建完整流程，逐个节点配置参数

2.3.3 测试运行，查看执行日志，定位报错原因

第三部分 SKILL核心结构与运行机制

3.1 SKILL是什么，为什么要用

3.1.1 SKILL是可复用的能力模块，不是一次性脚本

3.1.2 标准化封装带来的三个好处：即插即用、组合灵活、维护方便

3.1.3 一个SKILL包的内部结构长什么样，逐层拆解

3.2 SKILL的核心组成要素

3.2.1 意图识别：如何定义这个SKILL能处理的请求类型

3.2.2 参数提取与校验：从用户输入中拿到关键信息

3.2.3 执行逻辑：核心任务的处理步骤与工具调用

3.2.4 输出规范：结果以什么格式返回给用户或下游

3.3 SKILL之间的协作方式

3.3.1 串行调用：一个SKILL的结果作为另一个的输入

3.3.2 并行调度：多个SKILL同时执行，按条件汇总结果

3.3.3 条件路由：根据中间结果动态决定调用哪个SKILL

第四部分 简单SKILL模块搭建实操

4.1 案例一：文档自动处理SKILL

4.1.1 需求定义：接收文档，提取关键信息，生成摘要

4.1.2 拆分实现步骤：读取、分段、提取、汇总

4.1.3 现场搭建并跑通第一个SKILL，验证输出质量

4.2 案例二：数据查询与可视化SKILL

4.2.1 需求定义：自然语言问数据，返回图表或报告

4.2.2 连接数据库或表格，配置查询模板

4.2.3 调试参数，解决查询失败和格式不匹配的常见问题

4.3 案例三：多步骤审批流程SKILL

4.3.1 需求定义：模拟一个请假审批的自动流转

4.3.2 条件判断节点的配置：金额、级别、时间等分支逻辑

4.3.3 异常处理：审批超时、信息不完整时的兜底策略

第五部分 三场景SKILL技能包定制开发

5.1 场景一：客服自动化技能包

5.1.1 业务背景：常见问题自动应答加疑难问题转人工

5.1.2 技能包设计：FAQ匹配SKILL加意图识别SKILL加转接SKILL

5.1.3 分组开发，每组完成一个子SKILL的完整配置

5.2 场景二：报告自动生成技能包

5.2.1 业务背景：周报月报的数据收集、分析、成文一键化

5.2.2 技能包设计：数据提取SKILL加分析计算SKILL加文档排版SKILL

5.2.3 各组独立开发，注意输入输出格式的衔接约定

5.3 场景三：竞品监控技能包

5.3.1 业务背景：定时抓取竞品动态，分类汇总推送提醒

5.3.2 技能包设计：信息采集SKILL加内容分类SKILL加通知推送SKILL

5.3.3 处理采集过程中遇到的格式不一致、反爬、重复等问题

第六部分 调试、演示与成果复用

6.1 系统化调试方法

6.1.1 单SKILL调试：输入输出对齐，边界条件测试

6.1.2 技能包联调：数据流追踪，断点定位出错的环节

6.1.3 常见错误的分类与解决：参数错误、超时、格式不兼容

6.2 成果演示与同行评审

6.2.1 每组15分钟演示，说明业务场景和技术方案

6.2.2 现场测试：其他组出题，检验技能包的健壮性

6.2.3 评审要点：可用性、容错能力、可扩展性

6.3 成果固化与组织内复用

6.3.1 规范化导出：SKILL包的文档撰写标准

6.3.2 版本管理：后续迭代时如何记录变更

6.3.3 建立内部SKILL库，打通从开发到复用的最后一公里