🚀最新出炉，马上启航~
课程概述
课程定位
本课程以目标导向为核心设计原则：不是"学完知识点"，而是"能独立交付企业级 AI Agent 项目"。
一位传统行业实施人员（制造、金融、医疗、政务、零售等），经过本课程系统训练后，应当能够：
-
独立完成企业级 Agent 项目的需求判断与方案设计
-
使用主流开源框架与平台搭建可运行的智能体应用
-
完成私有化部署、评测验证与生产上线
-
推动跨部门协作，实现从 PoC 到生产的全链路交付
目标人群
| 人群类型 | 现有优势 | 需要补齐 |
|---|---|---|
| 传统行业实施/交付顾问 | 懂业务流程、懂客户沟通 | AI 技术栈、编程能力、Agent 工程 |
| 项目经理/业务分析师 | 懂项目管理、需求分析 | 编程基础、AI 应用开发 |
| 售前/解决方案人员 | 懂方案设计、客户预期管理 | 技术落地能力、动手构建 |
| 运维工程师 | 懂部署、监控 | AI 应用开发、业务理解 |
前置要求
-
无 AI/编程基础要求------课程从零开始教 Python
-
需有行业经验------这是 FDE 最稀缺的起点
-
需有基本 IT 常识------了解什么是数据库、API、服务器
学习周期与节奏
| 阶段 | 名称 | 周数 | 每日投入 | 累计 |
|---|---|---|---|---|
| 一 | AI 认知启蒙 | 4 周 | 2 小时/天 | 4 周 |
| 二 | 技术地基 | 6 周 | 2-3 小时/天 | 10 周 |
| 三 | AI 应用技术（含 SDD 方法论） | 10 周 | 2-3 小时/天 | 20 周 |
| 四 | 平台与交付（含 Agent 治理） | 6 周 | 2-3 小时/天 | 26 周 |
| 五 | 行业实战与认证 | 8 周 | 3 小时/天 | 34 周 |
| 合计 | 34 周 | 约 8.5 个月 |
能力成长路径图
阶段一 阶段二 阶段三 阶段四 阶段五
认知启蒙 → 技术地基 → AI应用技术 → 平台与交付 → 行业实战
阶段产出：
. . . .
认知地图 可部署API 知识库问答 Agent PRD 端到端项目
FDE角色认知 服务 系统 +交付方案集 交付+答辩C6 胜任力 × 5 阶段映射矩阵：
| C6 能力 | 阶段一 | 阶段二 | 阶段三 | 阶段四 | 阶段五 |
|---|---|---|---|---|---|
| C1 价值感觉 | 引入 | --- | --- | 重点 | 实战 |
| C2 问题重构 | 引入 | --- | --- | 重点 | 实战 |
| C3 抽象建模 | --- | 基础 | 重点 | 巩固 | 实战 |
| C4 受控实验 | --- | --- | 基础 | 重点 | 实战 |
| C5 智能体工程 | 概念 | 基础 | 重点 | 巩固 | 实战 |
| C6 组织推动 | 引入 | --- | --- | 基础 | 实战 |
开源工具链全景图
本课程不仅对标腾讯云 ADP FDE 认证，还系统引入以下市场主流开源工具，确保学习者掌握实战能力而非仅限于单一平台：
┌─────────────────────────────────────────────────────────────┐
│ FDE 工具链全景 │
├──────────┬──────────────────────────────────┬───────────────┤
│ 领域 │ 开源/主流工具 │ 腾讯云对标 │
├──────────┼──────────────────────────────────┼───────────────┤
│ Agent │ LangChain / LangGraph / CrewAI │ ADP Agent │
│ 框架 │ Dify / AutoGen │ 引擎 │
├──────────┼──────────────────────────────────┼───────────────┤
│ RAG │ LlamaIndex / RAGFlow / Haystack │ ADP 知识引擎 │
│ 引擎 │ Unstructured / MinerU / Docling │ (Agentic RAG)│
├──────────┼──────────────────────────────────┼───────────────┤
│ 向量数据库│ Milvus / Qdrant / Chroma / │ ADP 内置 │
│ │ PGVector / Weaviate │ 向量存储 │
├──────────┼──────────────────────────────────┼───────────────┤
│ LLM推理 │ vLLM / Ollama / SGLang / │ TokenHub + │
│ 部署 │ llama.cpp │ 混元推理 │
├──────────┼──────────────────────────────────┼───────────────┤
│ MCP 生态 │ MCP SDK / awesome-mcp-servers │ ADP 插件广场 │
├──────────┼──────────────────────────────────┼───────────────┤
│ AI 编程 │ Cursor / Cline / Continue / │ CodeBuddy │
│ │ Aider / Tabby │ │
├──────────┼──────────────────────────────────┼───────────────┤
│ 工作流 │ n8n / Dify Workflow / │ ADP 工作流 │
│ 编排 │ LangGraph │ 引擎 │
├──────────┼──────────────────────────────────┼───────────────┤
│ 评测 │ RAGAS / DeepEval / Promptfoo / │ ADP 测试 │
│ │ Phoenix │ 评估 │
├──────────┼──────────────────────────────────┼───────────────┤
│ 可观测性 │ Langfuse / Phoenix / TruLens │ ADP 监控 │
├──────────┼──────────────────────────────────┼───────────────┤
│ 模型网关 │ LiteLLM / One-API / Portkey │ TokenHub │
├──────────┼──────────────────────────────────┼───────────────┤
│ 企业智能 │ Dify / n8n / 自建 │ WorkBuddy │
│ 体平台 │ │ │
├──────────┼──────────────────────────────────┼───────────────┤
│ 规范驱动 │ OpenSpec / Spec-Kit / │ ADP 智能体 │
│ 开发 │ Superpowers / Tessl │ PRD + Spec │
│ (SDD) │ │ │
├──────────┼──────────────────────────────────┼───────────────┤
│ Agent │ Constitution Check / Agent │ ADP 安全 │
│ 治理 │ Contracts / NeMo Guardrails / │ + 审计 │
│ │ Presidio │ │
└──────────┴──────────────────────────────────┴───────────────┘第一阶段：AI 认知启蒙 --- 从恐惧到理解
周期 ：4 周 | 每日 ：2 小时 | 目标：建立 AI 与 Agent 的完整概念地图，亲手体验主流 AI 工具
模块 1.1 AI 基础：名词与关系（第 1 周）
学习目标：学完本节，你能用一张图讲清 AI/ML/DL/生成式 AI 的层级关系，用一条时间线说出 AI 的三个发展阶段。
| 课时 | 知识点 | 核心内容 | 实践 |
|---|---|---|---|
| 1.1.1 | AI 层级关系 | 人工智能、机器学习、深度学习、生成式 AI 四个嵌套的圈 | 画一张层级关系图 |
| 1.1.2 | AI 三阶段发展史 | 会认（1950s-1990s）→ 会判断（1990s-2016）→ 会创造（2017至今） | 制作 AI 发展时间轴 |
| 1.1.3 | 符号 AI vs 机器学习 | 人写规则 vs 机器从数据中学规律，两种思路的本质区别 | 对比两种方法的优劣 |
| 1.1.4 | Transformer 的历史意义 | 2017 年《Attention is All You Need》如何改变一切 | 阅读 Transformer 简介文章 |
推荐阅读：
-
腾讯云 ADP FDE 课程 Chapter 01 Lesson 1.1 （腾讯云 ADP 前沿部署工程师 (FDE) 认证课程 - 腾讯云培训认证）
-
吴恩达《AI for Everyone》（Coursera 免费课程，前 2 节）
模块 1.2 大语言模型：从接龙到做事（第 2 周）
学习目标：学完本节，你能用一句话讲清大语言模型的本质，解释它为什么会"幻觉"，说出 Token 和上下文窗口的含义。
| 课时 | 知识点 | 核心内容 | 实践 |
|---|---|---|---|
| 1.2.1 | Transformer 架构 | "图纸"比喻：图纸不是楼，但照着图纸可以盖出千千万万栋楼 | --- |
| 1.2.2 | LLM 本质：文字接龙 | 模型每一步都在做"选择题"：在无数可能的字里挑最合理的下一个 | 打开 DeepSeek/豆包，观察逐字输出过程 |
| 1.2.3 | Token | 模型处理文字的最小单位，可能是汉字、英文单词或标点 | 使用 OpenAI Tokenizer 体验分词 |
| 1.2.4 | AI 幻觉 | "通顺"不等于"正确"，模型会一本正经地编造不存在的事实 | 故意问模型一个不存在的问题，观察幻觉 |
| 1.2.5 | 上下文窗口 | 模型每次能"读进眼里"的文字长度上限 | 测试不同长度输入对模型回答质量的影响 |
工具体验：
-
在线体验：豆包、DeepSeek、Kimi、通义千问、ChatGPT
-
对比不同模型对同一问题的回答差异
模块 1.3 从 LLM 到 Agent：能力跃迁的五块拼图（第 3 周）
学习目标：学完本节，你能说清大语言模型如何依靠 Prompt、记忆、RAG、Tool Use、MCP 从"只会说"变成"能做事"。
| 课时 | 知识点 | 核心内容 | 实践 |
|---|---|---|---|
| 1.3.1 | Prompt（提示词） | 在模型接龙之前先塞给它一段文字，立好人设、背景、规则 | 在豆包/DeepSeek 中尝试不同 Prompt 的效果差异 |
| 1.3.2 | 记忆（Memory） | 让模型记住之前的对话内容，而不只是看当前一句 | 在对话中让模型回忆前几轮的内容 |
| 1.3.3 | RAG（检索增强生成） | 给模型配一个"图书管理员"，先查资料再回答 | 体验 Dify 在线 Demo 的知识库问答 |
| 1.3.4 | Tool Use（工具调用） | 让模型能调用计算器、搜索、数据库等外部工具 | 体验 ChatGPT 的联网搜索功能 |
| 1.3.5 | MCP（模型上下文协议） | 统一的工具接口标准，让模型用一种协议连接万种工具 | 浏览 awesome-mcp-servers 了解生态 |
工具体验清单：
-
Dify 在线版（https://dify.ai）：体验无代码 Agent 搭建
-
豆包/DeepSeek：体验多轮对话与记忆
-
OpenAI Tokenizer：理解 Token 分词
模块 1.4 FDE 角色认知（第 4 周）
学习目标：学完本节，你能说清 FDE 是什么、与传统实施有什么本质区别、为什么你的行业经验是最大优势。
| 课时 | 知识点 | 核心内容 | 实践 |
|---|---|---|---|
| 1.4.1 | 什么是 FDE | 不是程序员，是把 AI 变成客户结果的人；从 Palantir 起源到 AI 时代爆发 | --- |
| 1.4.2 | FDE vs 传统实施 | 按结果验收（非按工时）、带产品底座（非从零写）、做完会走（能力留系统） | 对比自身当前岗位与 FDE 的异同 |
| 1.4.3 | FDE 三重身份 | 工程师（写代码）+ 产品经理（定义需求）+ 现场操作员（推动上线） | --- |
| 1.4.4 | 行业经验的价值 | 通用模型能解释理论，但不知道城市交通的真实约束、一线工人为何绕开流程 | --- |
| 1.4.5 | C6 胜任力模型 | C1 价值感觉、C2 问题重构、C3 抽象建模、C4 受控实验、C5 智能体工程、C6 组织推动 | 画一张自身能力雷达图 |
| 1.4.6 | 七阶段行动路径 | 发现问题→定义价值→受控实验→设计系统→评测验证→生产采纳→资产复制 | --- |
推荐阅读：
-
腾讯云开发者社区《你也可以成为FDE》
-
Lean-FDE 体系介绍文章
阶段产出：完成一份《我的行业经验如何映射到 FDE 能力》分析报告（含能力雷达图、优势分析、待补齐清单）
第二阶段：技术地基 --- 工程基础能力
周期 ：6 周 | 每日 ：2-3 小时 | 目标：从零掌握 FDE 必须的编程与工程技能，能独立搭建可部署的 API 服务
模块 2.1 Python 编程入门（第 1-2 周）
学习目标：能写出可维护、可排错、可交付的生产级 Python 代码，而非仅停留在 Notebook 里。
| 课时 | 知识点 | 核心内容 | 实践 |
|---|---|---|---|
| 2.1.1 | 环境搭建 | Python 安装、pip、venv 虚拟环境、conda | 搭建本地开发环境 |
| 2.1.2 | 语法基础 | 变量、数据类型（int/float/str/bool）、控制流（if/for/while）、函数 | 完成 10 道基础练习题 |
| 2.1.3 | 数据结构 | 列表、字典、集合、元组；列表推导式、字典推导式 | 编写数据处理小脚本 |
| 2.1.4 | 文件与 JSON | 文件读写（open/with）、CSV 处理、JSON 序列化与反序列化 | 读取 CSV 文件并输出 JSON |
| 2.1.5 | 模块化编程 | 模块、包、__init__.py、import 机制、异常处理（try/except）、logging 日志 |
将单文件脚本拆分为多模块项目 |
| 2.1.6 | Web API 入门 | FastAPI 基础：路由、请求参数、响应模型、Pydantic 数据验证 | 用 FastAPI 搭建一个 CRUD 接口 |
| 2.1.7 | 生产代码规范 | 类型注解（typing）、单元测试（pytest）、配置管理（.env + pydantic-settings）、依赖管理（requirements.txt / uv） | 为 API 服务编写单元测试 |
推荐学习资源：
-
官方文档：Python Tutorial、FastAPI 官方文档
-
工具：VS Code + Python 扩展、uv（包管理）
模块 2.2 SQL 与数据处理（第 3 周）
学习目标：能处理客户业务数据------往往藏在 MySQL、Excel、CSV 甚至一堆扫描件里。
| 课时 | 知识点 | 核心内容 | 实践 |
|---|---|---|---|
| 2.2.1 | SQL 基础 | SELECT、WHERE、ORDER BY、LIMIT；INSERT/UPDATE/DELETE | 在 SQLite 中完成基础查询 |
| 2.2.2 | 多表查询 | INNER/LEFT/RIGHT JOIN、GROUP BY、HAVING、聚合函数 | 多表关联查询练习 |
| 2.2.3 | 进阶查询 | 窗口函数（ROW_NUMBER/RANK）、CTE（WITH）、子查询 | 用窗口函数做排行榜 |
| 2.2.4 | 数据清洗 | 去重（DISTINCT）、缺失值处理、格式对齐、标准化、脱敏 | 清洗一份脏数据 CSV |
| 2.2.5 | Python + SQL | SQLAlchemy ORM、pandas 读取数据库、数据管道脚本 | 用 Python 读取 MySQL 数据并清洗 |
| 2.2.6 | 常见数据库 | MySQL、PostgreSQL、SQLite；Excel/CSV 用 pandas 处理 | 安装 MySQL 并导入数据 |
推荐工具：
-
DBeaver（数据库可视化工具，开源）
-
pandas（Python 数据处理库）
-
SQLAlchemy（Python ORM）
模块 2.3 Linux 与部署基础（第 4-5 周）
学习目标：代码在本地跑得再好，到了客户机房也可能寸步难行。掌握部署基本功。
| 课时 | 知识点 | 核心内容 | 实践 |
|---|---|---|---|
| 2.3.1 | Linux 命令行 | 文件操作（ls/cd/cp/mv/rm）、权限（chmod/chown）、进程（ps/kill）、文本处理（grep/awk/sed）、网络（curl/netstat） | 在 Linux 虚拟机中练习 |
| 2.3.2 | Shell 脚本 | 变量、条件、循环、函数；编写自动化部署脚本 | 写一个自动备份数据的脚本 |
| 2.3.3 | Docker 入门 | 镜像、容器、Dockerfile 编写、端口映射、数据卷 | 将 Python API 服务容器化 |
| 2.3.4 | Docker Compose | 多容器编排：API + 数据库 + Redis 一键启动 | 编写 docker-compose.yml |
| 2.3.5 | Nginx 基础 | 反向代理、负载均衡、静态文件服务、SSL 配置 | 用 Nginx 代理 FastAPI 服务 |
| 2.3.6 | 私有化部署流程 | 从代码到客户机房：环境准备→镜像打包→部署→配置→验证 | 模拟一次完整部署流程 |
| 2.3.7 | Git 版本控制 | clone/commit/push/pull/branch/merge；GitHub/Gitee 使用 | 将项目代码托管到 GitHub |
推荐工具：
-
Docker Desktop（本地 Docker 环境）
-
WSL2（Windows 上的 Linux 环境）
-
VS Code Remote（远程开发）
模块 2.4 API 集成与系统对接（第 6 周）
学习目标：FDE 要对接 ERP、CRM、OA、工单系统------客户不会给你一个干净的标准接口。
| 课时 | 知识点 | 核心内容 | 实践 |
|---|---|---|---|
| 2.4.1 | RESTful API | HTTP 方法（GET/POST/PUT/DELETE）、状态码、请求头、请求体设计 | 设计一个规范的 REST API |
| 2.4.2 | 认证方式 | API Key、OAuth 2.0、JWT（JSON Web Token）；Bearer Token | 在 FastAPI 中实现 JWT 认证 |
| 2.4.3 | 对接企业系统 | ERP（SAP/用友/金蝶）、CRM（Salesforce/纷享）、OA（钉钉/飞书）集成模式 | 调用飞书开放平台 API |
| 2.4.4 | Webhook | 事件驱动架构、Webhook 注册与回调处理 | 实现一个 Webhook 接收端 |
| 2.4.5 | 数据映射 | 字段映射、格式转换、数据校验、异常处理、重试机制 | 编写一个数据转换中间层 |
| 2.4.6 | 接口文档 | OpenAPI/Swagger 规范、FastAPI 自动文档、Postman 接口测试 | 用 Postman 测试并生成文档 |
推荐工具：
-
Postman（API 测试工具）
-
Apifox（国产 API 协作平台，开源）
-
httpx（Python HTTP 客户端库）
阶段产出：用 Python + FastAPI + Docker 搭建一个可部署的 API 服务，对接模拟企业数据库（MySQL），包含 JWT 认证、接口文档和自动化部署脚本。
第三阶段：AI 应用技术 --- RAG、Prompt 与 Agent
周期 ：8 周 | 每日 ：2-3 小时 | 目标：掌握 FDE 区别于普通工程师的核心 AI 应用能力，用开源框架独立搭建生产级系统
模块 3.1 Prompt Engineering 系统训练（第 1-2 周）
学习目标：能针对具体业务场景设计高效 Prompt，让模型稳定输出结构化结果，并建立评测体系告别"玄学调优"。
| 课时 | 知识点 | 核心内容 | 工具/框架 | 实践 |
|---|---|---|---|---|
| 3.1.1 | 提示词分类 | 系统提示词（人设/规则）vs 用户提示词；System Prompt 在产品中的真实构成 | 豆包/DeepSeek API | 对比有无 System Prompt 的输出差异 |
| 3.1.2 | 核心技巧 | 角色设定、Few-shot 示例、思维链（Chain-of-Thought）、Zero-shot | OpenAI Prompt Engineering Guide | 用 Few-shot 让模型做文本分类 |
| 3.1.3 | 输出控制 | 结构化输出（JSON/表格）、输出约束、温度参数、拒答策略、Top-P | DeepSeek API + response_format | 让模型稳定输出 JSON 格式 |
| 3.1.4 | 进阶模式 | ReAct（推理+行动）、Plan-and-Execute、Self-Consistency | LangChain Prompt 模板 | 实现一个 ReAct 推理链 |
| 3.1.5 | Prompt 评测 | 建立小型评测集、A/B 测试、Prompt 版本管理 | Promptfoo | 用 Promptfoo 对比两个 Prompt 版本 |
| 3.1.6 | Prompt 安全 | Prompt 注入攻击、越狱（Jailbreak）、输出过滤、Guardrails | NVIDIA NeMo Guardrails | 测试一个 Prompt 注入攻击并防护 |
| 3.1.7 | Prompt 管理 | Prompt 模板化、版本控制、Prompt Hub | LangSmith / Langfuse | 将 Prompt 模板化并版本管理 |
推荐工具：
-
Promptfoo（~21K Star）：面向工程师的 Prompt 评测工具，支持 A/B 测试和红队攻击
-
LangSmith / Langfuse：Prompt 版本管理
模块 3.2 RAG 知识检索系统（第 3-5 周）
学习目标：能独立搭建完整的企业级 RAG Pipeline------从文档解析到引用溯源，而非简单地把文档丢进向量库。
| 课时 | 知识点 | 核心内容 | 工具/框架 | 实践 |
|---|---|---|---|---|
| 3.2.1 | RAG 全景 | 完整 Pipeline：文档解析→分块→Embedding→向量存储→检索→重排→上下文组装→生成→引用溯源 | 架构图 | 画一张 RAG 全链路架构图 |
| 3.2.2 | 文档解析 | PDF/Word/PPT/HTML/邮件解析；OCR；表格提取；扫描件处理 | MinerU （~79K Star）、Docling （~59K Star）、Unstructured（~28K Star） | 用 MinerU 解析一份复杂 PDF |
| 3.2.3 | 文本分块 | 固定长度分块、语义分块、滑动窗口、父子分块（Parent-Child） | LangChain TextSplitter、LlamaIndex | 对比分块策略对检索效果的影响 |
| 3.2.4 | Embedding | 词嵌入原理、Embedding 模型选择（BGE/m3e/text-embedding）、维度与成本 | BGE-M3、OpenAI Embedding、智源 BGE | 对比不同 Embedding 模型的语义相似度 |
| 3.2.5 | 向量数据库 | 选型对比：大规模用 Milvus，已有 PG 用 PGVector，快速原型用 Chroma，高性能用 Qdrant | Milvus （~46K）、Qdrant （~34K）、Chroma （~29K）、PGVector | 用 Docker 启动 Milvus 并导入向量 |
| 3.2.6 | 检索策略 | 纯向量检索、关键词检索（BM25）、混合检索（Hybrid Search）、多路召回 | Weaviate 混合检索、LangChain EnsembleRetriever | 实现混合检索并对比效果 |
| 3.2.7 | 重排序 | Cross-encoder Reranker、Cohere Rerank、BGE-Reranker | BGE-Reranker、Cohere Rerank | 在检索结果上叠加重排 |
| 3.2.8 | 上下文工程 | 上下文压缩、引用溯源、权限过滤、元数据过滤 | LangChain/LlamaIndex | 实现带引用溯源的问答 |
| 3.2.9 | 高级 RAG | Agentic RAG（自主检索策略）、GraphRAG（知识图谱增强）、Self-RAG、CRAG | RAGFlow （~48.5K Star）、LlamaIndex（~51K Star） | 用 RAGFlow 搭建端到端知识库 |
| 3.2.10 | RAG 评测 | 召回率、准确率、幻觉率、上下文相关性、答案相关性 | RAGAS （~14K Star）、Phoenix | 用 RAGAS 评估 RAG Pipeline 质量 |
| 3.2.11 | 企业 RAG 架构 | 参考架构、黄金问题集模板、生产就绪检查单、权限隔离、增量更新 | --- | 设计一份企业 RAG 架构方案 |
推荐工具链：
模块 3.3 Agent 框架与开发（第 6-7 周）
学习目标：能使用主流开源 Agent 框架编排工具调用、状态流转与多智能体协作，同时清醒地知道"Agent 不是越复杂越好"。
| 课时 | 知识点 | 核心内容 | 工具/框架 | 实践 |
|---|---|---|---|---|
| 3.3.1 | Agent 概念 | 从 LLM 到自主决策；感知→规划→行动→观察循环；ReAct 范式 | --- | 理解 Agent 执行循环 |
| 3.3.2 | LangChain 基础 | Chain、Memory、Tools、Output Parsers；LCEL 表达式语法 | LangChain（~135K Star） | 用 LangChain 搭建一个带记忆的对话链 |
| 3.3.3 | LangGraph 进阶 | 状态图（StateGraph）、节点与边、条件路由、人在回路（HITL）、子图 | LangGraph（~31K Star） | 用 LangGraph 搭建一个审批工作流 Agent |
| 3.3.4 | CrewAI 多智能体 | 角色定义（Agent）、任务分配（Task）、流程编排（Process）、工具共享 | CrewAI（~57K Star） | 用 CrewAI 搭建一个"调研+写作+审核"三人组 |
| 3.3.5 | AutoGen 多智能体 | 对话式多智能体、Group Chat、代码执行 Agent | AutoGen（~60K Star） | 用 AutoGen 搭建一个代码审查 Agent |
| 3.3.6 | Agent 设计模式 | Router（路由分发）、Planner-Executor（规划-执行）、Reflexion（反思）、ReWOO | LangGraph | 实现一个 Planner-Executor 模式 |
| 3.3.7 | Human-in-the-Loop | 人工确认节点、中断与恢复、审批流设计、降级策略 | LangGraph interrupt | 在 Agent 流程中加入人工审批节点 |
| 3.3.8 | 稳定性与可审计性 | Agent 不是越复杂越好；日志全链路追踪、超时控制、错误重试、降级方案 | Langfuse 追踪 | 为 Agent 添加全链路日志追踪 |
| 3.3.9 | 低代码 Agent 平台 | 可视化编排 vs 代码编排的取舍；快速原型 vs 生产级 | Dify（~155K Star） | 用 Dify 搭建一个客服 Agent |
框架选型决策树：
需求是快速原型/无代码？
├── 是 → Dify（可视化编排，内置 RAG）
└── 否 → 需要精确控制执行流程？
├── 是 → LangGraph（状态图，精确路由）
├── 否 → 需要多角色协作？
│ ├── 是 → CrewAI（角色型多智能体）
│ └── 否 → LangChain（通用编排，生态最大）
└── 需要对话式多智能体 → AutoGen模块 3.4 Tool Calling 与 MCP（第 8 周前半）
学习目标：掌握让模型调用外部工具的核心技术，理解 MCP 协议如何标准化工具接入。
| 课时 | 知识点 | 核心内容 | 工具/框架 | 实践 |
|---|---|---|---|---|
| 3.4.1 | Function Calling | OpenAI/DeepSeek Function Calling 机制；工具定义（JSON Schema）；模型如何选择工具 | DeepSeek API | 实现一个能调用天气 API 的对话 |
| 3.4.2 | Tool 设计原则 | 单一职责、输入输出明确、错误处理、幂等性、超时控制 | --- | 设计一套工单系统的工具集 |
| 3.4.3 | MCP 协议全景 | Model Context Protocol：Server/Client/Host 三层架构；JSON-RPC 通信；Resources/Tools/Prompts 三类能力 | MCP 官方 SDK | 阅读 MCP 规范文档 |
| 3.4.4 | MCP Server 搭建 | 用 Python/TypeScript SDK 搭建 MCP Server；工具定义与注册 | MCP Python SDK、TypeScript SDK | 搭建一个文件操作 MCP Server |
| 3.4.5 | MCP Client 集成 | 在 Agent 中接入 MCP Server；Claude Desktop / Cline / Dify 中使用 MCP | awesome-mcp-servers（~91K Star） | 在 Cline 中接入自建 MCP Server |
| 3.4.6 | 工具权限与安全 | 工具调用权限控制、敏感操作确认、审计日志 | --- | 设计一套工具权限矩阵 |
模块 3.5 LLM 推理与部署（第 8 周后半）
学习目标：客户经常要求"数据不出域"，FDE 必须能在客户环境里把模型跑起来。
| 课时 | 知识点 | 核心内容 | 工具/框架 | 实践 |
|---|---|---|---|---|
| 3.5.1 | 推理加速工具 | vLLM（生产级，PagedAttention）、SGLang（前缀共享，RadixAttention）、Ollama（一键部署） | vLLM 、SGLang 、Ollama | 用 Ollama 本地部署 Qwen2.5 |
| 3.5.2 | 模型选型 | 开源 vs 闭源；参数规模选择（7B/14B/32B/72B）；中文能力评估；HuggingFace Model Hub | HuggingFace、ModelScope | 对比 Qwen2.5 与 DeepSeek 的中文能力 |
| 3.5.3 | 量化基础 | 量化概念（INT8/INT4/GPTQ/AWQ）；显存估算公式；精度与性能权衡 | llama.cpp、vLLM 量化模式 | 用 AWQ 量化部署一个 7B 模型 |
| 3.5.4 | 流式输出 | SSE（Server-Sent Events）流式响应；客户端流式接收 | FastAPI + SSE | 实现一个流式聊天接口 |
| 3.5.5 | 并发处理 | 请求批处理（Batching）、连续批处理（Continuous Batching）、队列管理 | vLLM 内置批处理 | 压测 vLLM 推理服务 |
| 3.5.6 | 模型网关 | 统一多模型接入、负载均衡、Fallback 策略、成本控制 | LiteLLM （~55K Star）、One-API（~45K Star） | 用 LiteLLM 统一管理 3 个模型源 |
| 3.5.7 | 私有化部署方案 | 数据不出域架构设计；GPU 资源规划；高可用部署 | vLLM + Docker Compose | 设计一份私有化部署架构方案 |
模块 3.6 规范驱动开发与 Agent 工程方法论（2 周）
周期调整：本模块从 1 周扩展为 2 周，第三阶段总周期从 9 周调整为 10 周
学习目标：掌握"先澄清再实现"的工程方法论------FDE 的核心挑战不是写代码，而是把客户模糊的业务需求翻译成可执行、可验证的规范，再让 AI 和人基于规范协作交付。本模块不仅教授具体工具，更建立对整个 SDD 与 Agent 工程方法论生态的全景认知，使 FDE 能在不同客户环境、不同开发平台中灵活选型。
为什么 FDE 需要学这些：FDE 的工作本质是"把模糊问题变成可运行系统"。Agent PRD、Skill Map、RAG Spec、Tool Spec 这些产出物本身就是规范（Spec）。学会规范驱动开发（SDD），等于掌握了一套系统化的方法，让"从客户现场到代码实现"这个过程可预测、可追溯、可协作。不同客户可能使用不同的 AI 编码工具和开发流程，FDE 需要掌握全景而非单一工具。
3.6.A SDD 核心理念与工具生态全景（第 1 周前半）
| 课时 | 知识点 | 核心内容 | 工具/框架 | 实践 |
|---|---|---|---|---|
| 3.6.1 | SDD 核心理念 | 规范驱动开发（Spec-Driven Development）：不是先写代码再补文档，而是先写规范再让 AI/人基于规范实现；"Build the right thing, build it right"；SDD 与传统需求文档的区别：规范是活文档、可执行、是 AI 编码助手的上下文；两大流派：spec-anchored（规范为脚手架，代码为权威）vs spec-as-source（规范即源，代码由 spec 生成） | OpenSpec | 阅读 OpenSpec 文档，理解 spec-first 理念 |
| 3.6.2 | OpenSpec 实操 | Delta-spec 模型（ADDED/MODIFIED/REMOVED 变更提案）；存量项目优先（brownfield）；规范层级：spec→change proposal→implementation→verification；与 AI 编码助手协作 | OpenSpec | 用 OpenSpec 为一个小项目编写规范 |
| 3.6.3 | Spec-Kit 七步法 | 完整流程：constitution（立宪）→ specify（定义）→ clarify（澄清）→ plan（规划）→ analyze（分析）→ tasks（拆解）→ implement（实现）；每步的产出物与验收标准；适合绿地项目（greenfield） | Spec-Kit | 用 Spec-Kit 完成一个 Agent 项目的规范流程 |
| 3.6.4 | GitHub Spec Kit | GitHub 官方开源 SDD 工具包；与 Spec-Kit 同源但在 GitHub 生态中深度集成；从 Issue → Spec → Plan → Tasks → Implement 的 GitHub 原生工作流；适合已使用 GitHub 的团队 | GitHub Spec Kit | 体验 GitHub Spec Kit 的 Issue→Spec 流程 |
| 3.6.5 | Tessl（spec-as-source） | 规范即源（spec-as-source）理念：spec 不仅是文档，还是代码生成的主要依据；规范与代码文件可 1:1 映射；部分场景标记"从规范生成"；比 spec-anchored 走得更远 | Tessl | 阅读 Tessl 博客理解 spec-as-source 理念 |
| 3.6.6 | Kiro（AWS Agentic IDE） | Amazon 构建的 Spec-Driven IDE/CLI；Specs 定义需求、架构、任务序列，agents 执行实现与验证；配套 Hooks、Property-based Testing、Steering、Powers、Subagents、Skills 等能力；企业级 agentic engineering 一体化方案 | Kiro | 体验 Kiro 的 spec→implementation 流程 |
| 3.6.7 | Superpowers 技能框架 | 可组合技能方法论：14 个 SKILL.md 文件定义 Agent 行为规范；"先澄清再实现"工作流：brainstorm→design spec→git worktree→micro-task plan→execute via subagents；方法论优先、框架其次 | Superpowers | 安装 Superpowers 并体验技能驱动开发 |
| 3.6.8 | GSD（Get Shit Done） | 轻量级 meta-prompting 与上下文工程框架；通过 .planning/ 目录下 PROJECT.md、STATE.md、PLAN.md 等工件维持跨 session 上下文；wave execution、atomic commits、独立任务上下文；适合 Claude Code 等长周期任务 |
GSD | 用 GSD 管理一个跨 session 的开发项目 |
| 3.6.9 | BMAD-METHOD | 角色驱动的多 agent 编排框架；把开发拆为人、AI、流程、工件四要素；支持 Analyst、PM、Architect、Scrum Master、Dev、QA 等角色；v6 强调 agents as versioned artifacts、Plan→Build→Verify pipeline、structured traces | BMAD-METHOD | 体验 BMAD 的角色驱动开发流程 |
SDD 工具生态全景对比表：
| 工具 | 理念流派 | 项目类型 | 开源 | 学习曲线 | FDE 价值点 |
|---|---|---|---|---|---|
| OpenSpec | spec-anchored | brownfield 优先 | 是 | 低 | delta-spec 变更提案最适合存量项目改造 |
| Spec-Kit | spec-anchored | greenfield 优先 | 是 | 中 | 七步法+constitution 最适合全新项目 |
| GitHub Spec Kit | spec-anchored | 通用 | 是 | 中 | GitHub 生态深度集成，Issue→PR 原生流程 |
| Tessl | spec-as-source | 通用 | 否 | 高 | 规范即源，代码由 spec 生成，适合大规模重构 |
| Kiro | spec-driven IDE | 通用 | 否 | 高 | 企业级一体化，含测试/验证/治理全链路 |
| Superpowers | 技能驱动 | 通用 | 是 | 中 | 约束 AI 编码助手行为，方法论+框架 |
| GSD | 上下文工程 | 长周期 | 否 | 中 | 解决跨 session 上下文衰退问题 |
| BMAD-METHOD | 角色驱动 | 团队协作 | 是 | 高 | 多角色多 agent 编排，适合复杂项目 |
SDD 框架选型决策树：
你的场景是什么？
├── 存量项目改造（brownfield）
│ ├── 需要轻量变更管理 → OpenSpec（delta-spec 变更提案）
│ └── 需要大规模重构 → Tessl（spec-as-source，代码由 spec 生成）
├── 全新项目（greenfield）
│ ├── 需要 constitution/治理优先 → Spec-Kit（七步法）
│ └── 已在 GitHub 生态 → GitHub Spec Kit（Issue→Spec→PR）
├── 需要约束 AI 编码助手行为
│ ├── 方法论优先 → Superpowers（14 个可组合技能）
│ └── 上下文工程优先 → GSD（跨 session 上下文管理）
├── 团队级多角色协作
│ └── BMAD-METHOD（角色驱动多 agent 编排）
├── 企业级一体化 IDE 方案
│ └── Kiro（spec→implementation→验证→治理 全链路）
└── FDE 推荐起点
├── 快速上手：OpenSpec（最低学习曲线，brownfield 友好）
├── 系统学习：Spec-Kit（七步法完整流程）
└── 团队推广：Superpowers + BMAD（技能+角色组合）3.6.B AI 编码工作流与 Agent 行为规范（第 1 周后半）
| 课时 | 知识点 | 核心内容 | 工具/框架 | 实践 |
|---|---|---|---|---|
| 3.6.10 | AI 编码工作流全景 | 主流 AI 编码工具的工作流模式对比：Cursor Rules（项目规则）、Claude Code 动态工作流、Windsurf Cascade（Plan/Act 模式）、Copilot Workspace（Issue→Spec→Plan）、Aider（Ask/Code bounce）、Cline（Plan→Act→Approve） | 全部 | 对比 3 个工具的工作流差异 |
| 3.6.11 | Cursor Rules / .cursorrules | 项目级、用户级、团队级规则系统；.cursor/rules 目录存储版本化规则；AI 编码助手的行为约束机制 |
Cursor Rules | 为项目编写 .cursorrules |
| 3.6.12 | Claude Code 动态工作流 | Anthropic 的动态工作流（Dynamic Workflows）：可复用 harness 覆盖 Research、Security Analysis、Agent Teams、Code Review；MCP 生态集成 | Claude Code | 体验 Claude Code 的 harness 工作流 |
| 3.6.13 | Cline Plan/Act 模式 | VS Code 开源 AI coding agent；Plan 模式探索代码库、澄清问题；Act 模式执行修改、终端命令；每次编辑需用户批准或 auto-approve | Cline（~62K Star） | 用 Cline 完成一个带审批的开发任务 |
| 3.6.14 | Copilot Workspace | GitHub 官方：Issue→Proposed Spec→Plan→Execute；spec 阶段定义当前代码库状态与目标状态；人工审核介入点 | Copilot Workspace | 体验 Issue→Spec→Plan 流程 |
| 3.6.15 | Aider 交互式开发 | 终端 AI pair programming；/ask（讨论方法）→ /code（执行修改）→ review diff；支持 architect、ask、code、help 多 mode | Aider（~28K Star） | 用 Aider 完成一个交互式开发任务 |
AI 编码工作流对比矩阵：
| 工具 | 工作流模式 | 开源 | 审批机制 | SDD 支持 | FDE 适用场景 |
|---|---|---|---|---|---|
| Cursor | Rules + Composer | 否 | 可配置 | 部分 | 快速原型，规则约束 AI |
| Claude Code | Dynamic Workflows | 否 | harness 级 | 部分 | 复杂任务编排，agent teams |
| Windsurf Cascade | Code/Chat 双模式 | 否 | Plan/Act | 部分 | 多文件修改，长期规划 |
| Copilot Workspace | Issue→Spec→Plan→Execute | 否 | spec/plan 审批 | 是 | GitHub 生态，Issue 驱动开发 |
| Cline | Plan→Act→Approve | 是 | 每次审批 | 否 | 强审计需求，VS Code 工作流 |
| Aider | Ask/Code bounce | 是 | diff 审查 | 否 | 终端偏好，轻量交互 |
3.6.C 契约驱动与 Agent 行为约束（第 2 周前半）
| 课时 | 知识点 | 核心内容 | 工具/框架 | 实践 |
|---|---|---|---|---|
| 3.6.16 | 契约驱动开发 | Design by Contract 在 Agent 架构的应用：每个组件边界定义契约------提供什么（postconditions）、期望什么（preconditions）、不可变什么（invariants）；Agent 契约：资源预算、时间约束、成功标准、生命周期管理；将 Agent 从"无界探索者"变为"有界优化器" | ai-agent-contracts | 为一个 Agent 系统设计组件间契约 |
| 3.6.17 | AGENTS.md 标准 | 开放式编码 agent 指引格式：类似 README，为 AI coding agent 提供项目上下文、setup 命令、开发约定、行为指引；可与 MCP servers、skills 等配合使用；60000+ 开源项目已采用 | AGENTS.md | 为项目编写 AGENTS.md |
| 3.6.18 | AgentSpec 运行时约束 | 轻量级 DSL，运行时约束 LLM agent 行为；规则由 trigger、predicate、enforcement mechanism 构成；实时执行约束，阻止不安全操作 | AgentSpec | 设计一组 Agent 运行时约束规则 |
| 3.6.19 | Open Agent Specification | Oracle 提出的声明式语言，跨框架定义 AI agent 和 agentic workflows；支持定义 agent、flow、node 等组件；内置 Evaluation harness 跨运行时评估 | Open Agent Spec | 用声明式语言定义一个 Agent |
| 3.6.20 | AGTP（Agent Transfer Protocol） | 为 AI agent 流量设计的应用层协议；关注 agent 身份、授权范围、意图对齐、委托、升级、确认和协作；AGTP-API 定义 endpoints、schemas、authority contract | AGTP | 阅读 AGTP 协议规范 |
| 3.6.21 | OpenAPI for Agents | OpenAPI 面向 Agentic AI 的企业 API 就绪实践；在 spec 或 companion rules 中形式化业务逻辑、数据类型、枚举、长度、范围、调用顺序约束 | OpenAPI | 为 Agent 调用的 API 设计 OpenAPI 规范 |
Agent 行为约束工具分层：
┌──────────────────────────────────────────────────┐
│ Agent 行为约束工具分层 │
├──────────┬───────────────────────────────────────┤
│ 项目指引层 │ AGENTS.md（项目上下文与行为指引） │
│ │ Cursor Rules（IDE 级规则约束） │
├──────────┼───────────────────────────────────────┤
│ 开发流程层 │ OpenSpec/Spec-Kit（spec 驱动开发） │
│ │ Superpowers（技能约束开发行为） │
├──────────┼───────────────────────────────────────┤
│ 组件契约层 │ ai-agent-contracts（资源/时间/成功） │
│ │ Design by Contract（前置/后置/不变式） │
├──────────┼───────────────────────────────────────┤
│ 运行时约束 │ AgentSpec（trigger/predicate/enforce）│
│ │ Constitution Check（行动前拦截） │
├──────────┼───────────────────────────────────────┤
│ 通信协议层 │ AGTP（agent 身份/授权/协作） │
│ │ OpenAPI for Agents（API 契约） │
├──────────┼───────────────────────────────────────┤
│ 声明式定义 │ Open Agent Spec（跨框架 agent 声明） │
│ │ Tessl（spec-as-source 声明式生成） │
└──────────┴───────────────────────────────────────┘3.6.D 需求自动化与企业级 AI 工程方法论（第 2 周后半）
| 课时 | 知识点 | 核心内容 | 工具/框架 | 实践 |
|---|---|---|---|---|
| 3.6.22 | PRD 自动化 | AI 驱动的需求分析与 PRD 自动生成；从产品想法到 PRD、用户故事、技术 spec、GTM brief；模板化输出、上下文同步 | ChatPRD（100K+ 用户） | 用 ChatPRD 生成一份 Agent PRD |
| 3.6.23 | AI-DLC 方法论 | AI-Driven Development Lifecycle：将 LLM/模型组作为主动伙伴嵌入开发全流程，而非一次性问答工具；覆盖需求→设计→编码→测试→部署全生命周期 | AI-DLC | 对比 AI-DLC 与传统 SDLC |
| 3.6.24 | AI-Native 软件工程 | AINSE：将 AI 有意识集成到传统软件工程（TDD/BDD/DevOps/SRE）；强调模块化、contract-driven、Prompt as Code、AI 交互治理、版本控制、审查和可追溯性 | AINSE | 阅读 AINSE 白皮书 |
| 3.6.25 | Agentic AI Engineering | Anthropic Applied AI team 2026 年提出的 AI-native SDLC；核心观察：当 agent 编写代码速度快于人工 review 时，交付瓶颈迁移；需重新设计 review、验证、治理和反馈机制 | Agentic AI Engineering | 阅读实践指南 |
企业级 AI 工程方法论演进：
传统 SDLC → AI 辅助开发 → AI-Native 软件工程 → Agentic AI Engineering
│
┌─────────────────────────────────────┤
│ │
Spec-Driven Contract-Driven
Development Governance
│ │
┌───────┴───────┐ ┌───────────┴───────────┐
│ OpenSpec │ │ Agent Contracts │
│ Spec-Kit │ │ Constitution Check │
│ Kiro / Tessl │ │ AGENTS.md / AgentSpec │
└───────────────┘ └───────────────────────┘3.6.E 综合实践与 FDE 映射
| 课时 | 知识点 | 核心内容 | 工具/框架 | 实践 |
|---|---|---|---|---|
| 3.6.26 | AI 编码协作综合实践 | 用 AI 编码助手 + SDD 方法论完成一个 Agent 原型：先写 spec → 让 AI 基于 spec 生成代码 → 验证实现匹配 spec → 用 AGENTS.md 约束 AI 行为 → 用 Agent Contracts 定义资源边界；这是 FDE 快速原型的核心技能 | Cursor/Claude Code + OpenSpec + AGENTS.md | 用 SDD 方法完成一个 RAG Agent 原型 |
| 3.6.27 | SDD 与 FDE 交付方法论的关系 | OpenSpec change proposal ≈ FDE Agent PRD；Spec-Kit constitution ≈ FDE Permission Matrix；Superpowers brainstorm ≈ FDE Gemba Walk；契约定义 ≈ FDE Tool Spec；AGENTS.md ≈ FDE 场景包中的行为约定；ChatPRD ≈ FDE 受控实验中的需求文档化 | --- | 画一张 SDD ↔ FDE 七阶段映射图 |
| 3.6.28 | FDE 工具选型方法论 | 面对客户时的选型框架：客户已有 GitHub → GitHub Spec Kit；客户用 Cursor → Cursor Rules + OpenSpec；客户需要强治理 → Spec-Kit + Constitution；客户是大型企业 → Kiro / BMAD；客户需要快速原型 → OpenSpec + Superpowers | --- | 为 3 个不同客户场景设计选型方案 |
FDE 与 SDD 的映射关系：
FDE 七阶段 SDD 对应
─────────────────────────────────────────────────────────
发现问题（Gemba） ←→ Superpowers brainstorm / ChatPRD
定义价值（Value Stream） ←→ Spec-Kit specify / GSD PROJECT.md
受控实验（POC Canvas） ←→ Spec-Kit clarify + plan / GSD STATE.md
设计系统（Agent PRD） ←→ OpenSpec spec + change proposal / Tessl
评测验证（Eval Plan） ←→ SDD verification / Open Agent Spec Eval
生产采纳（Adoption） ←→ 契约驱动 + constitution check / AGENTS.md
资产复制（Pack） ←→ Spec 作为可复用资产 / BMAD artifactsFDE 场景化工具推荐：
| 客户场景 | SDD 工具 | 行为约束 | AI 编码 | 理由 |
|---|---|---|---|---|
| 存量系统改造 | OpenSpec | AGENTS.md | Cursor + Cline | delta-spec 管理变更，轻量上手 |
| 全新 Agent 项目 | Spec-Kit | Superpowers | Claude Code | 七步法+技能约束，流程完整 |
| GitHub 重度团队 | GitHub Spec Kit | AGENTS.md | Copilot Workspace | GitHub 生态原生集成 |
| 大型企业 | Kiro / BMAD | Spec-Kit constitution | Kiro IDE | 一体化方案+多角色编排 |
| 快速 PoC 原型 | OpenSpec | .cursorrules | Cursor | 最低学习曲线快速出原型 |
| 强审计需求 | Spec-Kit + GSD | AgentSpec | Cline | 全链路审批+运行时约束 |
| 多 Agent 系统 | BMAD-METHOD | ai-agent-contracts | Claude Code | 角色编排+契约治理 |
推荐工具清单（按优先级排序）：
必学（FDE 核心能力）：
-
OpenSpec：AI 原生 SDD 框架，delta-spec 模型，存量项目优先，最低学习曲线
-
Spec-Kit：七步法 SDD 工具包，constitution → specify → clarify → plan → analyze → tasks → implement
-
AGENTS.md：开放标准，为 AI 编码 agent 提供项目上下文与行为指引，60000+ 项目采用
进阶（提升交付质量）：
-
Superpowers：可组合技能框架，14 个 SKILL.md，约束 AI 编码助手行为
-
ai-agent-contracts：Agent 契约库，定义资源预算、时间约束、成功标准
-
Cline（~62K Star）：VS Code 开源 AI coding agent，Plan→Act→Approve 模式，强审计
-
ChatPRD：AI 驱动的 PRD 自动生成，从想法到结构化文档
选学（按客户场景使用）：
-
GitHub Spec Kit：GitHub 官方 SDD 工具，Issue→Spec→PR 原生流程
-
Tessl：spec-as-source 理念，规范即源代码生成依据
-
Kiro：AWS 企业级 spec-driven IDE/CLI
-
GSD：轻量级上下文工程，跨 session 任务管理
-
BMAD-METHOD：角色驱动多 agent 编排框架
-
AgentSpec：运行时 Agent 行为约束 DSL
-
Open Agent Spec：Oracle 声明式跨框架 Agent 定义语言
-
AGTP：Agent 通信与授权协议
阶段产出：独立搭建一个企业知识库问答系统，要求包含：
-
用 OpenSpec/Spec-Kit 编写系统规范（Spec），先 spec 后 code
-
文档解析（MinerU/Docling）→ 分块 → Embedding → 向量数据库（Milvus/Qdrant）
-
混合检索 + 重排序（BGE-Reranker）
-
引用溯源与权限过滤
-
用 RAGAS 评估效果并生成报告
-
用 vLLM/Ollama 本地部署模型
-
用 Langfuse 追踪全链路日志
-
用 Agent Contracts 定义 Agent 的资源预算与成功标准
第四阶段：平台与交付 --- ADP 与企业级实施
周期 ：6 周 | 每日 ：2-3 小时 | 目标：掌握腾讯云 ADP 平台能力与 FDE 交付方法论，同时掌握开源替代方案
模块 4.1 腾讯云 ADP 平台（第 1-2 周）
学习目标：对标 FDE 认证要求，掌握 ADP 平台的定位、能力边界与实操。
| 课时 | 知识点 | 核心内容 | 开源对标 | 实践 |
|---|---|---|---|---|
| 4.1.1 | ADP 定位与架构 | 三大引擎（知识/工作流/Agent）+ 四大支柱（模型/组件/插件/安全） | Dify 架构对比 | 画 ADP 架构图 |
| 4.1.2 | 可视化智能体开发 | 低代码编排画布、节点配置、输入输出定义 | Dify Agent 编排 | 在 ADP 中搭建一个简单 Agent |
| 4.1.3 | 工作流引擎 | 节点类型（LLM/代码/条件/HTTP/知识库）、流程编排、变量传递 | n8n / Dify Workflow | 搭建一个多步审批工作流 |
| 4.1.4 | 知识引擎 Agentic RAG | 自主检索策略、意图识别、多轮检索、信息充分性判断 | RAGFlow Agentic RAG | 体验 ADP 知识引擎 |
| 4.1.5 | 多智能体协作 | Planner-Executor 模式、智能体间通信、任务分发与汇总 | CrewAI / AutoGen | 搭建一个多智能体协作场景 |
| 4.1.6 | 模型广场与 TokenHub | 混元/DeepSeek/优图等多模型管理；TokenHub 统一调用 | LiteLLM / One-API | 在 ADP 中切换不同模型 |
| 4.1.7 | 插件广场与连接器 | 内置插件、自定义插件、外部 API 接入 | MCP Server 生态 | 开发一个自定义插件 |
| 4.1.8 | 治理能力 | 测试环境、部署管理、版本回滚、监控告警、调用统计 | Langfuse / Phoenix | 体验 ADP 监控面板 |
模块 4.2 腾讯云 AI 工具链（第 3 周）
学习目标：熟悉腾讯云 AI 全家桶，理解各产品定位与协同方式。
| 课时 | 知识点 | 核心内容 | 开源对标 | 实践 |
|---|---|---|---|---|
| 4.2.1 | 混元大模型 | 混元系列（turbo/standard/large）、多模态（文生图/视觉理解）、API 调用 | Qwen / DeepSeek | 调用混元 API 对比效果 |
| 4.2.2 | TI-One 平台 | 全链路 ML：数据准备→Notebook→训练→部署；自动机器学习 | --- | 体验 TI-One Notebook |
| 4.2.3 | CodeBuddy | 代码补全、AI 对话编程、缺陷检测、代码审查；IDE 集成 | Cursor / Cline / Continue | 安装 CodeBuddy 体验 AI 编程 |
| 4.2.4 | WorkBuddy | 企业知识库、智能问答、文档分析、会议助手、工作流自动化 | Dify / n8n | 体验 WorkBuddy 知识库问答 |
| 4.2.5 | AI SaaS 服务 | OCR（通用/发票/身份证）、语音（ASR/TTS）、视觉（人脸/审核） | PaddleOCR / Whisper | 调用腾讯云 OCR API |
| 4.2.6 | 产品协同 | ADP + TI-One + TokenHub + WorkBuddy 联动场景 | --- | 设计一个多产品协同方案 |
模块 4.3 FDE 交付方法论（第 4-5 周）
学习目标：掌握从客户现场到生产采纳的完整交付方法论------Lean-FDE 七阶段行动路径。
| 课时 | 知识点 | 核心内容 | 产出物 | 实践 |
|---|---|---|---|---|
| 4.3.1 | 七阶段总览 | 发现→定义→实验→设计→评测→采纳→复制 | 价值闭环图 | 画一张完整路径图 |
| 4.3.2 | 发现问题 | 客户研究、现场观察（Gemba Walk）、访谈技巧；不坐等需求文档 | Gemba Notes（现场观察笔记） | 对一个真实场景做现场观察 |
| 4.3.3 | 定义价值 | 价值流诊断（Value Stream Mapping）、机会评分矩阵、ROI 假设、业务基线 | Value Stream Map + ROI 假设 | 画一张业务价值流图 |
| 4.3.4 | 受控实验 | POC Canvas（假设/基线/样本/Go-Pivot-Stop）、Hypothesis Register、实验协议 | POC Canvas + 实验协议 | 设计一个 POC 实验方案 |
| 4.3.5 | 设计系统 | Agent PRD、Skill Map、Data Inventory、RAG Spec、Tool Spec、Permission Matrix、Tech Scope | Agent PRD + 5 份 Spec | 编写一份完整 Agent PRD |
| 4.3.6 | 评测验证 | 任务质量（准确率）+ 系统工程（延迟/并发）+ 业务价值（ROI）+ 用户采纳（使用率） | Evaluation Plan | 设计一份四维评测方案 |
| 4.3.7 | 生产采纳 | 影子模式→建议模式→人工确认→受控自动→高度自动；渐进式上线策略 | Adoption Plan | 设计一个渐进式上线方案 |
| 4.3.8 | Production Readiness Review | PRR 检查清单：安全/权限/降级/监控/成本/审计/文档 | PRR 报告 | 完成 PRR 检查 |
| 4.3.9 | 资产复制 | 场景包沉淀：Skill/评测集/连接器/工具/流程/行业知识；一次交付→多次复用 | Productization Pack | 设计一份场景包模板 |
七阶段产出物清单：
Gemba Notes → Value Stream Map → POC Canvas → Agent PRD
→ RAG Spec + Tool Spec → Evaluation Plan → PRR Report
→ Adoption Plan → Productization Pack模块 4.4 企业级安全、合规与 Agent 治理（第 6 周）
学习目标：企业级 AI 应用不可回避的安全合规设计------从数据安全到 Agent 行为治理，构建可信、可控、可审计的生产级系统。
为什么 FDE 需要学这些：FDE 推动的不只是"能用"的系统，而是"可信"的系统。Agent 进入生产环境意味着它能自主决策和行动，如果没有治理框架约束其行为边界，轻则输出有害内容，重则执行未授权操作。宪法治理（Constitutional Governance）和平台宪章（Platform Charter）正是解决"Agent 能做什么、不能做什么、谁来判断"的核心方法论。
| 课时 | 知识点 | 核心内容 | 工具 | 实践 |
|---|---|---|---|---|
| 4.4.1 | 数据安全 | 数据脱敏（手机号/身份证/姓名）、PII 识别、数据分类分级 | Microsoft Presidio | 编写一个数据脱敏脚本 |
| 4.4.2 | 权限隔离 | 文档级权限、部门级权限、角色级权限；RAG 中的权限过滤 | --- | 设计一套 RAG 权限过滤方案 |
| 4.4.3 | Prompt 注入防护 | 直接注入、间接注入、越狱攻击；Guardrails 设计 | NVIDIA NeMo Guardrails | 测试 Prompt 注入并防护 |
| 4.4.4 | 输出过滤 | 有害内容过滤、敏感词检测、输出审核 | --- | 实现一个输出安全过滤层 |
| 4.4.5 | 审计日志 | 全链路审计：谁调用了什么、输入输出是什么、模型版本是什么 | Langfuse 审计追踪 | 搭建一套审计日志系统 |
| 4.4.6 | 合规设计 | 数据不出域方案、个人信息保护法、行业合规要求（金融/医疗） | --- | 编写一份合规检查清单 |
| 4.4.7 | 权限矩阵 | 用户×角色×工具×数据 的权限矩阵设计 | --- | 设计一份权限矩阵 |
| 4.4.8 | 宪法治理（Constitutional Governance） | 宪法治理核心理念：不是在推理时对齐行为，而是在行动边界做确定性拦截------post-reasoning, pre-execution；三层禁止模型：Tier 0 绝对禁止（法律级）、Tier 1 管辖区禁止（运营方）、Tier 2 自愿伦理标准；让未授权行动结构上不可用，而非"不鼓励" | AEGIS 架构参考、CAP 协议（IETF Draft） | 为一个 Agent 系统设计三层禁止模型 |
| 4.4.9 | 平台宪章（Platform Charter） | 平台宪章：一组不可违反的治理规则，定义 Agent 在本平台上能做什么、不能做什么、违反后如何处置；宪章是版本化、可审计的策略文件；Spec-Kit 的 /constitution 命令是项目级宪章的实践 |
Spec-Kit constitution | 为企业 Agent 平台编写一份宪章文件 |
| 4.4.10 | Constitution Check 实操 | 在 Agent 执行循环中嵌入宪法检查节点：每次行动前验证是否违反宪章规则；通过则执行，不通过则拦截并记录；这是"生产采纳"阶段渐进式上线的技术保障 | Spec-Kit + LangGraph | 在 LangGraph 工作流中嵌入 constitution check 节点 |
| 4.4.11 | Agent 契约治理 | Agent 契约（Agent Contract）：定义每个 Agent 的资源预算（Token/API 调用/计算时间/成本）、时间约束（截止/持续时间/生命周期）、成功标准（可衡量的完成条件）、生命周期管理（激活→运行→终止）；将 Agent 从"无界探索者"变为"有界优化器" | ai-agent-contracts | 为实战项目的每个 Agent 定义契约 |
| 4.4.12 | 治理评估与持续合规 | 持续合规运营：30 天合规运行期、影子模式→正式模式切换、关键违规零容忍、人类升级路径；ACAP（Agent Capability and Authorization Profile）部署级授权模型 | ACAP 框架参考 | 设计一份 Agent 上线授权流程 |
Agent 治理架构全景：
┌─────────────────────────────────────────────────┐
│ Agent 治理架构 │
│ │
│ ┌───────────┐ ┌───────────┐ ┌───────────┐ │
│ │ 平台宪章 │ │ Agent 契约 │ │ 权限矩阵 │ │
│ │ (Charter) │ │ (Contract) │ │ (Matrix) │ │
│ │ 什么是 │ │ 资源/时间/ │ │ 谁/什么 │ │
│ │ 绝对不能做 │ │ 成本/成功 │ │ 角色能调用 │ │
│ └─────┬─────┘ └─────┬─────┘ └─────┬─────┘ │
│ │ │ │ │
│ └───────────────┼───────────────┘ │
│ │ │
│ ┌───────┴───────┐ │
│ │ Constitution │ │
│ │ Check 节点 │ │
│ │ (执行前拦截) │ │
│ └───────┬───────┘ │
│ │ │
│ ┌───────┴───────┐ │
│ │ 审计日志 │ │
│ │ (全链路追踪) │ │
│ └───────────────┘ │
└─────────────────────────────────────────────────┘FDE 七阶段 × Agent 治理映射：
FDE 七阶段 Agent 治理对应
───────────────────────────────────────────────
发现问题 ←→ 识别治理需求与风险边界
定义价值 ←→ 定义可接受行为范围
受控实验 ←→ 在 PoC 中测试宪法规则
设计系统 ←→ 编写平台宪章 + Agent 契约
评测验证 ←→ Constitution Check 通过率
生产采纳 ←→ 渐进式授权 + 持续合规运营
资产复制 ←→ 治理规则作为场景包一部分阶段产出：完成一份完整的交付方案集，包含：
-
Agent PRD（含 Skill Map、Data Inventory）
-
RAG Spec + Tool Spec
-
Evaluation Plan（四维评测）
-
PRR 检查报告
-
安全合规方案（权限矩阵 + 审计方案）
-
平台宪章文件（Constitution）
-
每个 Agent 的契约定义（Agent Contract）
第五阶段：行业实战与认证 --- 从学到做
周期 ：8 周 | 每日 ：3 小时 | 目标：在真实/高仿真场景中完成端到端 Agent 项目交付
模块 5.1 行业场景拆解（第 1 周）
学习目标：理解不同行业的 AI Agent 落地场景、数据特征与合规要求。
| 课时 | 行业 | 典型场景 | 数据特征 | 合规要求 |
|---|---|---|---|---|
| 5.1.1 | 金融 | 风控助手、合规审查、智能投研、客服质检 | 交易数据、合同文本、监管文件 | 银保监合规、数据不出域 |
| 5.1.2 | 制造 | 设备维护助手、工单智能分派、质量分析报告 | 设备日志、维修记录、工艺文档 | 工业数据安全 |
| 5.1.3 | 医疗 | 病历摘要、知识检索、辅助诊断、用药提醒 | 电子病历、医学文献、药品库 | HIPAA/个人信息保护 |
| 5.1.4 | 政务 | 政策问答、公文处理、办事引导、民意分析 | 政策文件、办事指南、公众咨询 | 政务数据安全 |
| 5.1.5 | 零售 | 商品推荐、客服质检、供应链优化、报表查询 | 商品数据、订单记录、客户反馈 | 消费者隐私保护 |
| 5.1.6 | 法律 | 合同审查、案例检索、法律咨询助手 | 合同文本、判例库、法规库 | 律师执业规范 |
| 5.1.7 | 教育 | 智能答疑、作业批改、学习路径推荐 | 题库、教材、学习记录 | 未成年人保护 |
模块 5.2 实战项目（第 2-6 周，选一深入）
学习目标：完成一个端到端的 Agent 项目，覆盖从需求到上线的全链路。
项目 A：企业知识库问答 Agent
| 阶段 | 任务 | 工具 | 产出 |
|---|---|---|---|
| 需求 | 梳理知识来源、用户角色、问答场景 | --- | Agent PRD |
| 数据 | 文档收集、解析、清洗、分块 | MinerU + Docling + Unstructured | Data Inventory |
| 检索 | 向量化、存储、混合检索、重排 | Milvus + BGE-M3 + BGE-Reranker | RAG Spec |
| 生成 | Prompt 设计、引用溯源、拒答策略 | DeepSeek API + LangChain | Prompt 模板 |
| 工具 | 知识库搜索、权限验证、用户查询 | MCP Server | Tool Spec |
| 评测 | RAGAS 评测、黄金问题集、A/B 测试 | RAGAS + Promptfoo | Evaluation Plan |
| 部署 | Docker Compose 部署、Nginx 代理 | Docker + vLLM + Nginx | 部署方案 |
| 监控 | 全链路追踪、调用统计、告警 | Langfuse | 监控面板 |
| 安全 | 权限隔离、审计日志、脱敏 | Presidio + Langfuse | 安全方案 |
项目 B：CRM 工单智能处理 Agent
| 阶段 | 任务 | 工具 | 产出 |
|---|---|---|---|
| 需求 | 工单分类、自动分配、智能回复、升级机制 | --- | Agent PRD |
| 集成 | 对接 CRM API、工单数据同步 | FastAPI + httpx | API 适配层 |
| Agent | 工单分类 Agent、回复生成 Agent、升级判断 Agent | LangGraph + Dify | Agent 工作流 |
| 知识 | 历史工单知识库、FAQ 知识库 | RAGFlow + Milvus | 知识库 |
| 评测 | 分类准确率、回复满意度、处理时长 | DeepEval + Promptfoo | 评测报告 |
| 部署 | 私有化部署、高可用 | Docker + K8s（可选） | 部署方案 |
项目 C：合同审查与风险提示 Agent
| 阶段 | 任务 | 工具 | 产出 |
|---|---|---|---|
| 需求 | 合同条款提取、风险识别、对比审查、报告生成 | --- | Agent PRD |
| 解析 | 合同 PDF 解析、表格提取、条款分块 | MinerU + Docling | 数据管线 |
| 知识 | 法规库、风险条款库、历史合同库 | RAGFlow + Milvus | 知识库 |
| Agent | 条款审查 Agent、风险评分 Agent、报告生成 Agent | CrewAI / LangGraph | Agent 系统 |
| 评测 | 风险识别准确率、误报率、漏报率 | RAGAS + DeepEval | 评测报告 |
项目 D：报表自然语言查询 Agent
| 阶段 | 任务 | 工具 | 产出 |
|---|---|---|---|
| 需求 | 自然语言转 SQL、数据可视化、洞察生成 | --- | Agent PRD |
| 工具 | 数据库查询工具、图表生成工具 | MCP Server + FastAPI | Tool Spec |
| Agent | 意图识别→SQL 生成→执行→可视化→洞察 | LangGraph | Agent 工作流 |
| 安全 | SQL 注入防护、权限控制、查询限制 | --- | 安全方案 |
项目 E：客服质检与辅助 Agent
| 阶段 | 任务 | 工具 | 产出 |
|---|---|---|---|
| 需求 | 实时质检、话术建议、工单生成、质量评分 | --- | Agent PRD |
| 语音 | ASR 语音转文字、TTS 语音合成 | 腾讯云语音 / Whisper | 语音管线 |
| Agent | 质检 Agent、建议 Agent、评分 Agent | Dify + LangGraph | Agent 系统 |
| 评测 | 质检准确率、建议采纳率、评分一致性 | DeepEval | 评测报告 |
模块 5.3 FDE 软技能与组织推动（第 7 周）
学习目标：FDE 的上限不取决于技术深度，而取决于能否推动组织采纳。
| 课时 | 知识点 | 核心内容 | 实践 |
|---|---|---|---|
| 5.3.1 | 非授权影响力 | 没有行政权力时如何推动：业务部门提供专家、数据团队开放接口、安全团队提前参与 | 角色扮演练习 |
| 5.3.2 | 跨部门协作 | 业务/IT/数据/安全四方协同；建立共同语言与统一验收标准 | 设计一套协作流程 |
| 5.3.3 | 客户沟通 | 预期管理（不承诺魔法）、价值前置（先说清为什么值得做）、渐进式展示 | 撰写一份客户沟通提纲 |
| 5.3.4 | Cynefin 框架 | 判断问题复杂度：简单（标准化）→ 繁杂（专家分析）→ 复杂（受控实验）→ 混乱（快速行动） | 对实际场景做 Cynefin 分类 |
| 5.3.5 | 敏捷 PoC 管理 | 迭代节奏、Go/Pivot/Stop 决策、避免"缩小版项目"陷阱 | 设计 PoC 迭代计划 |
| 5.3.6 | 价值流分析 | 精益价值流（Lean Value Stream）；识别等待、返工、信息断裂、专家瓶颈 | 画一张价值流图 |
| 5.3.7 | 事件风暴 | Workshop 形式快速对齐业务全流程；拉业务方和技术方几小时画完全流程 | 模拟一次事件风暴 |
| 5.3.8 | DDD 概念建模 | 领域驱动设计基础：通用语言、限界上下文、领域事件；从客户描述中找业务边界 | 对一个场景做领域建模 |
模块 5.4 认证备考与职业发展（第 8 周）
学习目标：通过腾讯云 FDE 认证，构建个人职业发展路径。
| 课时 | 知识点 | 核心内容 | 实践 |
|---|---|---|---|
| 5.4.1 | FDE 认证要点 | 认证考试范围：ADP 产品定位与能力边界、客户场景方案设计、行业落地路径与交付运维 | 梳理知识图谱 |
| 5.4.2 | 模拟考试 | 理论题练习、实操项目演练 | 完成模拟考试 |
| 5.4.3 | AI 从业者认证 | 7 大模块知识点复习：AI 基础/LLM 与混元/AI SaaS/TI-One/CodeBuddy/WorkBuddy/ADP | 完成 AI 从业者认证 |
| 5.4.4 | FDE 职业路径 | Builder → Practitioner → Solution FDE → Senior FDE → Industry Partner | 画个人成长路线图 |
| 5.4.5 | 个人 Portfolio | 将学习期间的所有产出物整理为可展示的作品集 | 整理 Portfolio |
| 5.4.6 | FDE 小队协作 | Lead FDE / Product FDE / Engineering FDE / Industry FDE / 场景 Owner / Sponsor | 设计团队协作模型 |
| 5.4.7 | 持续学习 | 社区与资源：GitHub Trending、HuggingFace、Papers with Code、腾讯云开发者社区 | 建立信息源列表 |
阶段产出：完成一个真实/高仿真场景的端到端 Agent 项目交付，包含：
-
完整的交付方案集（Agent PRD + RAG Spec + Tool Spec + Evaluation Plan + PRR + Adoption Plan）
-
用 OpenSpec/Spec-Kit 编写的系统规范（Spec 文件）
-
平台宪章文件（Constitution）+ 每个 Agent 的契约定义
-
可运行的系统（已部署，含 Constitution Check 节点）
-
路演答辩 PPT
-
项目复盘文档
附录 A：推荐学习资源
在线课程
| 资源 | 类型 | 链接 |
|---|---|---|
| 腾讯云 ADP FDE 认证课程 | 视频 | 腾讯云 ADP 前沿部署工程师 (FDE) 认证课程 - 腾讯云培训认证 |
| 腾讯云 AI 从业者认证 | 视频 | 腾讯云AI从业者 - 认证中心 - 腾讯云培训认证 |
| 吴恩达 AI for Everyone | 视频 | Coursera 免费 |
| DeepLearning.AI 短课程 | 视频 | DeepLearning.AI |
| LangChain Academy | 视频 | LangChain Academy |
官方文档
书籍推荐
| 书名 | 适用阶段 | 说明 |
|---|---|---|
| 《Python编程：从入门到实践》 | 阶段二 | 零基础 Python 入门 |
| 《SQL必知必会》 | 阶段二 | SQL 基础 |
| 《Docker------从入门到实践》 | 阶段二 | Docker 入门 |
| 《大模型应用开发指南》 | 阶段三 | LLM 应用开发 |
| 《Building LLM Powered Applications》 | 阶段三 | 英文，LLM 应用构建 |
附录 B：工具与框架速查表
按 FDE 工作场景分类
| 场景 | 首选工具 | 备选工具 | 腾讯云对标 |
|---|---|---|---|
| 快速搭建 AI 应用 | Dify | n8n | WorkBuddy |
| Agent 编排（代码级） | LangGraph | LangChain | ADP Agent 引擎 |
| 多智能体协作 | CrewAI | AutoGen | ADP 多智能体 |
| RAG 知识库 | RAGFlow + LlamaIndex | Haystack | ADP 知识引擎 |
| 文档解析 | MinerU | Docling / Unstructured | --- |
| 向量存储 | Milvus | Qdrant / Chroma / PGVector | ADP 内置 |
| LLM 推理 | vLLM | Ollama / SGLang | TokenHub + 混元 |
| 模型网关 | LiteLLM | One-API | TokenHub |
| Prompt 评测 | Promptfoo | --- | --- |
| RAG 评测 | RAGAS | Phoenix | ADP 评估 |
| 全链路监控 | Langfuse | Phoenix / TruLens | ADP 监控 |
| MCP 工具接入 | MCP SDK | awesome-mcp-servers | ADP 插件广场 |
| AI 编程 | Cursor | Cline / Continue / Aider | CodeBuddy |
| 工作流自动化 | n8n | Dify Workflow | ADP 工作流引擎 |
| 数据脱敏 | Presidio | --- | --- |
| 安全防护 | NeMo Guardrails | --- | --- |
| 规范驱动开发（SDD） | OpenSpec | Spec-Kit / GitHub Spec Kit / Tessl / Kiro / GSD / BMAD | ADP 智能体 PRD |
| AI 编码工作流 | Cline | Cursor / Claude Code / Windsurf / Copilot Workspace / Aider | CodeBuddy |
| 项目 agent 指引 | AGENTS.md | Cursor Rules | ADP 插件广场 |
| Agent 契约治理 | ai-agent-contracts | AgentSpec / Open Agent Spec / AGTP | ADP 安全 + 审计 |
| PRD 自动化 | ChatPRD | --- | --- |
| 宪法治理 | Spec-Kit constitution | AEGIS / CAP 协议 | ADP 安全策略 |
按学习阶段推荐
| 阶段 | 必学工具 | 选学工具 |
|---|---|---|
| 阶段一 | 豆包/DeepSeek（体验） | Dify 在线版 |
| 阶段二 | Python + FastAPI + Docker + Git | DBeaver + pandas |
| 阶段三 | LangChain + LlamaIndex + Milvus + RAGFlow + vLLM + Langfuse + LiteLLM + OpenSpec + AGENTS.md | CrewAI + AutoGen + Dify + RAGAS + Promptfoo + MCP SDK + Spec-Kit + Superpowers + Cline + ChatPRD + GitHub Spec Kit + Kiro + GSD + BMAD + Tessl + AgentSpec + ai-agent-contracts |
| 阶段四 | ADP 平台 + WorkBuddy + CodeBuddy + Spec-Kit constitution | n8n + NeMo Guardrails + Presidio + AEGIS/CAP 参考 |
| 阶段五 | 按项目选择工具组合 | 全部工具按需使用 |
附录 C：术语表
| 术语 | 释义 |
|---|---|
| FDE | Forward Deployed Engineer，前沿部署工程师 |
| ADP | Agent Development Platform，智能体开发平台（腾讯云） |
| LLM | Large Language Model，大语言模型 |
| RAG | Retrieval-Augmented Generation，检索增强生成 |
| Agent | 智能体，能自主感知、规划、行动的 AI 系统 |
| Token | 模型处理文字的最小单位 |
| Prompt | 提示词，给模型的输入指令 |
| Embedding | 词嵌入，将文本转为向量表示 |
| MCP | Model Context Protocol，模型上下文协议 |
| Tool Calling | 工具调用，让模型调用外部函数/API |
| HITL | Human-in-the-Loop，人在回路 |
| PoC | Proof of Concept，概念验证 |
| PRR | Production Readiness Review，生产就绪审查 |
| C6 | Lean-FDE 六项胜任力模型 |
| Cynefin | 复杂性框架，判断问题属于简单/繁杂/复杂/混乱 |
| Gemba | 现场观察，源自精益生产 |
| Guardrails | 安全护栏，防止模型输出有害内容 |
| Reranker | 重排序器，对检索结果二次排序 |
| Hybrid Search | 混合检索，结合向量检索与关键词检索 |
| Quantization | 量化，降低模型精度以减少显存占用 |
| SSE | Server-Sent Events，服务器推送事件 |
| Function Calling | 函数调用，模型根据函数定义选择并调用函数 |
| SDD | Spec-Driven Development，规范驱动开发，先写规范再基于规范实现 |
| spec-anchored | 规范为脚手架，代码为权威来源；OpenSpec/Spec-Kit 属于此流派 |
| spec-as-source | 规范即源，代码由 spec 生成；Tessl 属于此流派 |
| OpenSpec | AI 原生 SDD 框架，用 delta-spec 管理存量项目变更 |
| Spec-Kit | 七步法 SDD 工具包：constitution → specify → clarify → plan → analyze → tasks → implement |
| GitHub Spec Kit | GitHub 官方 SDD 工具包，Issue→Spec→Plan→PR 原生流程 |
| Tessl | spec-as-source 理念工具，规范与代码 1:1 映射 |
| Kiro | AWS 企业级 spec-driven IDE/CLI，含测试/验证/治理全链路 |
| GSD | Get Shit Done，轻量级上下文工程框架，跨 session 任务管理 |
| BMAD-METHOD | 角色驱动多 agent 编排框架，支持 PM/Architect/Dev/QA 等角色 |
| Superpowers | 可组合技能框架，用 SKILL.md 约束 AI 编码助手行为，"先澄清再实现" |
| AGENTS.md | 开放式编码 agent 指引格式，类似 README，为 AI agent 提供项目上下文与行为指引 |
| AgentSpec | 运行时 Agent 行为约束 DSL，由 trigger/predicate/enforcement 构成 |
| Open Agent Spec | Oracle 声明式跨框架 Agent 定义语言，内置 Evaluation harness |
| AGTP | Agent Transfer Protocol，AI agent 通信与授权应用层协议 |
| ChatPRD | AI 驱动的 PRD 自动生成工具，从产品想法到结构化文档 |
| AI-DLC | AI-Driven Development Lifecycle，将 LLM 作为主动伙伴嵌入开发全流程 |
| AINSE | AI-Native Software Engineering，将 AI 集成到 TDD/BDD/DevOps/SRE 工程实践 |
| 契约驱动开发 | Design by Contract 在 Agent 架构的应用：组件边界定义前置条件、后置条件和不变式 |
| Agent Contract | Agent 契约，定义资源预算、时间约束、成功标准、生命周期管理 |
| Constitution | 平台宪章/宪法，定义 Agent 不可违反的治理规则 |
| Constitution Check | 宪法检查，在 Agent 行动前做确定性拦截，post-reasoning, pre-execution |
| Constitutional Governance | 宪法治理，在行动边界做确定性策略执行，让未授权行动结构上不可用 |
| AEGIS | Architectural Enforcement and Governance of Intelligent Systems，Agent 治理架构参考 |
| CAP | Constitutional AI Protocol，IETF 草案，内核级 Agent 禁止架构 |
| ACAP | Agent Capability and Authorization Profile，部署级 Agent 授权模型 |
| Delta-spec | OpenSpec 的变更提案模型，用 ADDED/MODIFIED/REMOVED 管理规范演化 |
| Brownfield / Greenfield | 存量项目改造 / 全新项目，SDD 框架选型的关键判断维度 |
附录 D：课程学习路径建议
路径一：传统行业从业者（无编程基础）
阶段一（4周）→ 阶段二（6周）→ 阶段三（10周）→ 阶段四（6周）→ 阶段五（8周）
↑ 认知建立 ↑ 编程从零 ↑ AI应用+SDD ↑ 平台+治理 ↑ 实战交付重点：阶段二投入更多时间打牢编程基础，阶段三重点掌握 Dify 低代码 + RAG + OpenSpec 规范编写 + AGENTS.md，阶段五选自己行业的项目。
路径二：有编程基础的开发者
阶段一（2周）→ 阶段二（跳过/快速过）→ 阶段三（10周）→ 阶段四（6周）→ 阶段五（8周）重点：阶段一快速过，阶段三深入代码级框架（LangGraph + CrewAI）+ SDD 方法论全景（OpenSpec + Spec-Kit + Superpowers + GitHub Spec Kit + Kiro），阶段五选技术复杂度高的项目。
路径三：产品经理/解决方案人员
阶段一（4周）→ 阶段二（4周，重点SQL+API）→ 阶段三（8周，重点Dify+RAG+Spec-Kit+ChatPRD）→ 阶段四（6周，重点方法论+治理）→ 阶段五（8周）重点：阶段二只学 SQL + API（跳过 Python 深入），阶段三重点 Dify 低代码 + Spec-Kit 七步法 + ChatPRD 需求自动化，阶段四重点交付方法论 + 平台宪章设计，阶段五重点方案设计