课程介绍

全景理解AI在研发全流程中的嵌入点与提效路径；

掌握AI辅助架构设计的方法与Agent落地实践；

熟悉主流AI编程工具的能力与选型策略，提升开发效能

课程产出

研发全流程AI嵌入点地图、架构设计AI工具清单与评估矩阵、团队AI编程工具选型方案

课程对象

架构师、技术负责人、核心开发人员（建议30人以内）

课程大纲

第一天：AI研发全流程提效 + 架构设计中的AI实践

模块一：AI研发全流程认知与提效全景图

目标：建立AI在研发全生命周期中的系统认知，理解各环节的AI嵌入策略与提效逻辑。

1. 大模型技术演进与AI研发工具全景

• 2025-2026模型能力跳升：Claude 4.6 Sonnet/Opus、GPT-5/o3、DeepSeek V3/R1、Qwen 3.5——对代码理解、架构推理、需求分析能力的影响

• 关键技术突破：长上下文窗口（1M+Token）如何改变代码理解与系统重构的可能性

• 从辅助编码到自主编程：行级补全 → 对话式开发 →      Agentic Coding 的演进路径

• 主流AI编程工具速览与选型：Claude Code、Cursor、Trae、GitHub      Copilot、OpenClaw；企业级考量：安全合规、数据隐私、国产化要求、费用管理

2. AI嵌入研发全流程的六个关键触点

• 需求分析：需求分析智能体——从模糊想法到完整需求文档的自动化生成与追问

• 架构设计：AI辅助技术选型、架构评审、设计文档生成与方案对比

• 编码开发：AICoding工具矩阵——从补全到自主开发的多层级工具应用

• 代码审查：AI + 人工双重CodeReview的实操流程与质量保障

• 测试验证：AI生成测试用例、自动回归、端到端验证策略

• 部署运维：AI驱动的CI/CD优化、故障诊断与智能运维

3. 四类软件的AI介入分级策略

• 第一类（全自动）：内部工具、数据分析报表——AI开发完成即可上线

• 第二类（里程碑审查）：业务系统——分版本开发，每个里程碑人工+AI双重Review

• 第三类（合规介入）：涉及支付、认证、工程计量等合规模块——特定环节强制人工介入

• 第四类（人工值守）：核心计价引擎、BIM核心算法——人工值守模式，关键操作需人工确认

• 研讨：结合广联达实际产品线，对号入座讨论各系统的AI介入等级

4. 实操与研讨

• 分组绘制：各组选取一个实际产品/项目，绘制其研发全流程AI嵌入点地图

• 讲师点评与经验分享

模块二：AI驱动的架构设计实践

目标：掌握AI工具在架构设计各环节的应用方法，理解AIAgent在架构工作中的落地路径。

1. AI辅助架构设计的工具与方法

• 技术选型与方案评估：利用大模型进行技术方案对比分析、Trade-off评估、技术雷达扫描

• 架构文档生成与维护：从代码到架构文档的自动生成、架构决策记录（ADR）的AI辅助撰写

• 架构评审与质量守护：AI驱动的架构合规检查、依赖分析、技术债务识别

• 系统建模与可视化：利用AI从代码中提取架构视图、生成C4模型、依赖关系图

• 演示：现场用AI工具对一个真实项目进行架构分析与文档生成

2. 既有系统的AI赋能架构策略

• 不改原有系统，在其之上赋能：通过提取Web/HTTP接口、封装Skill，用智能体实现多系统语义化拉通

• 已有代码解读的技术演进：从AST静态分析      + CodeGraphRAG到长上下文窗口直接理解

• "维护屎山" vs. "推倒重来"：为什么在AI时代重写可能比维护更经济——决策框架与成本模型

• 案例复盘：大几十万行代码CRM系统重构——从需求分析到四个里程碑版本的完整过程，AI自主开发约2天完成，加人工审查约1周多

3. 实操与研讨

• 架构设计工作坊：各组选取一个实际系统，设计AI赋能方案——包括接口提取策略、重构路径选择、架构演进方案

• 讲师点评与落地建议

第二天：AI Agent 与AI编程深度实战

模块三：AIAgent企业落地实践

目标：掌握AIAgent从架构设计到工程化落地的完整路径，学习经过亿元级项目验证的敏捷AI工程方法论。

1. AI Agent架构设计与实现

• 智能体核心架构：大脑（LLM）、感知（Perception）、行动（Action）与工具（Tools）的有机结合；技术栈选型（框架、模型、基础设施）

• 多智能体协作技术范式：协作模式（层级式/对等式/混合式）、编排策略（静态 vs. 动态）、典型架构模式（Router/Pipeline/Debate/Supervisor）

• Skill封装与能力构建：将业务操作封装为智能体可调用的Skill，多Skill编排实现复杂业务流程自动化

• 知识库与RAG实践与避坑：RAG不准的根因与对策（场景混合、切片粒度、向量搜索局限性）；新技术方向（长上下文窗口替代传统切片、PageIndex等）

• 场景探讨：建筑工程领域的Agent应用——智能算量、智能审图、工程知识问答、施工方案推荐等

2. 敏捷AI工程——从PoC到生产的工程化方法

• AI项目落地的困境与破局：为什么40%的PoC走不到生产环境？传统软件工程在大模型时代的失效本质（可枚举功能 vs. 涌现式意图、确定性逻辑 vs. 模型幻觉、二元测试 vs. 模糊正确性）

• 敏捷AI工程（3AD）核心原则：价值驱动、数据优先、客户共创、小队作战

• AI Pod与FDE模式：2-4人闭环小队，对业务成果负责；核心角色——前置开发工程师（FDE）、业务效果负责人（AIBP）、数据管家/本体工程师；本体论（Ontology）先导开发

• 智能体开发生命周期（3ADLC）：场景探索与PoC → 迭代交付与试用 → 持续优化与配置 → 自主运营与监控

3. 亿元级真实案例复盘

• 案例背景：大规模生产域智能体群落地——投资超亿元，引入3AD与FDE模式后半年内上线11套智能体

• 关键成功因素：Ontology先行、FailFast验证、小队闭环、双周复盘机制

4. 实操与研讨

• 场景选择与本体定义（OntologyMapping）：各组选定一个高频业务场景，梳理业务实体、关系和行动逻辑

• PoC规划与Fail-Fast设计：利用3AD模板定义第一周期验证目标，设计"业务底线"测试用例

• 讲师点评与落地建议

模块四：无人值守编程与自主开发实战

目标：理解AI自主编程的完整工作流，掌握人机协同的最佳实践。

1. 自主编程架构与工作流

• 里程碑版本驱动：版本切分、任务拆解、依赖排序、阶段性验收

• Cron定时任务 + Commit级审查 + 里程碑级Review的双层质量保障机制

• 关键发现：Commit级Review通过但里程碑级整体Review发现深层问题——为什么及如何应对

2. 实战案例深度复盘

• CRM重构全程复盘：效率数据、问题发现、解决策略

• 需求分析智能体实战：从一个想法出发，通过多轮追问形成完整需求文档

• 取消Figma原型的可行性：AI生成速度已超越原型设计速度，需求直达代码

• 架构视角的关键洞察：自主编程对架构设计提出的新要求——模块化、接口清晰、可测试性

3. 现场实操演示

• 演示：从一个需求出发，现场运行自主编程工作流，观察Agent如何拆解任务、编写代码、自测自审

• 实操体验：学员选取简单功能模块，体验AICoding工具的实际效果

• 研讨：结合学员实际项目，探讨重构路径选择、人机分工方案

模块五：AI时代的研发团队与能力演进

目标：帮助架构师和技术管理者理解AI对研发组织的影响，规划团队能力升级路径。

1. 研发团队结构调整趋势

• 前后端合一的时机与方法：哪些团队已经合并，哪些保留专职前端但减少人数

• 产品/BA角色的升级：简单需求由产品经理/BA通过AI直接完成开发

• 新岗位定义：智能体平台工程师、Skill封装工程师、AI效能教练

• 程序员能力转型：从"代码撰写者"到"架构师 + 提示词工程师 + 代码审查员"

2. 效率度量与持续改进

• 如何建立适合自身团队的效率度量基线

• 新项目 vs. 既有系统改造的提效差异分析

• 经验数据分享：不同类型项目的AI提效实际表现

3. TOKEN费用管理与企业部署方案

• 企业套餐 vs. API按量付费 vs. 本地部署：各方式成本对比与适用场景

• 国产大模型选型建议：各主流模型在企业场景中的实际表现对比

4. 综合研讨与行动规划

• 各组结合广联达实际情况，制定：

• 研发全流程AI嵌入优先级排序

• AI编程工具选型建议方案

• 团队能力提升路线图（3个月/6个月/12个月）

• 讲师点评与Q&A