私域 4 段漏斗 — 朋友圈 / 1v1 / 社群 / 复购。每段的目标是什么、最容易卡哪、AI agent 在每段的具体切入点。中英两边的工具栈差异（中：企微 + 微信群 + Coze 客服；英：HubSpot + Klaviyo + Lindy）。
讲师拆 1 个真实中文私域 case（DTC 品牌 + 知识付费团队） + 1 个英文 SaaS lead-nurture case，演示 AI agent 在朋友圈日更 / 1v1 客服 / 社群活跃 / 复购召回 4 个节点带来的具体效率提升。
学员选定自己 W3 主修平台（中文：Coze + 公众号 / 微信；英文：Lindy / Relevance + WhatsApp / 自家站）+ 选定 W3 想搭的 bot 类型（客服 / 导购 / lead nurture 任选 1）。
👨🏫 直播 + 私域漏斗拆解中文学员主轴：Coze 0 代码搭客服 bot + 导购 bot + 知识库接入 + 工具调用。讲师用真账号端到端演示从 0 配 bot 到上线的完整流程。澳洲学员可选修，但实操作业以 n8n / Lindy 为主。
开 1 个新 Coze workflow，挂 30 条 FAQ 知识库 + 接 1 个工具（查库存 / 查物流任选）+ 配 1 个转人工触发条件。讲师边讲边操作，学员可全程截屏 / 录屏存档。
学员用 Coze 搭 1 个最简版 bot（FAQ + 1 个工具调用），下周 Clinic 上贴 bot 入口给同学测试。
👨🏫 Coze 后台帮看English track main: n8n workflow + Lindy assistants + HubSpot AI lead-nurture sequence. Walk through a real lead-gen funnel from form-fill → AI qualification → personalized email sequence → CRM tagging.
Build a 5-step n8n flow live: form webhook → AI lead scoring (GPT) → branch (high / mid / low) → personalized HubSpot email → log to CRM. Then plug a Lindy assistant in for inbound chat triage.
Pick 1 stack (n8n + Lindy or Lindy + HubSpot or Relevance AI standalone) and ship a working lead-nurture for your business / your client. Bring it to Clinic.
👨🏫 Live workflow reviewW3 周末 Clinic（中英分场各开 1 次）：学员把 bot 链接 / 二维码贴到 Clinic 看板。讲师定点拆 5-8 个真实 bot，覆盖人格设定 / 边界处理 / 转人工触发 / 数据回流典型问题。
每位学员花 5 分钟测 2 位同学的 bot，按"识别准确度 / 回复自然度 / 边界处理 / 转人工合理性"4 个维度打分 + 给 1 句具体改进建议。学员互测产生的"bug 报告"汇总成下周 W4 数据课的真实输入素材。
学员收到「老师 1 句建议 + 同学 3 句建议」反馈，下周 W4 数据课带 bot 1 周实跑数据来。
👨🏫 老师定点拆解System Prompt 五段式 — 人格 / 任务 / 边界 / 反幻觉 / 转人工触发条件。是 W3 所有 bot 的基础。客服 bot 翻车几乎都翻在"边界没写清"和"该转人工时硬答"两件事。
Prompt Lab: system-prompt-design。学员选定一个 bot 场景（电商客服 / 知识付费选品 / SaaS 售前任选）→ 写 5 段 system prompt → Lab 用规则引擎检测 5 段是否完整 + 转人工条件是否够明确。
给自己 W3 想搭的 bot 写一份 production-ready system prompt，下周 L38 / L39 直接拿去配 Coze / Lindy。
FAQ 升级三步 — 结构化 + 元信息 + 检索 prompt + fallback 策略。把 30 条原始 FAQ 变成可被 AI 高准确率检索的知识库。智能客服的内容主轴。
Prompt Lab: qa-system-design。学员上传 30 条原始 FAQ → AI 自动加结构化字段（场景 / 紧迫度 / 转人工标记）+ 写检索 prompt + 设计找不到答案时的 fallback。
从自己业务历史客服记录 / 工单中提 30 条 FAQ，跑通完整升级流程，输出可挂 Coze / Lindy 知识库的 JSON。
4 个核心 agent 模式 — Reflection / Tool Use / Planning / Multi-Agent。各自适用场景 + 各自的失败模式。私域 agent 设计的概念底层。
LLM Lab: ai-agent-patterns。4 个 pattern 各跑一次小实验：Reflection（让 agent 自己改稿）/ Tool Use（接 1 个外部 API）/ Planning（拆任务）/ Multi-Agent（2 个 agent 投票）。Lab 自动比较 4 个 pattern 在同一个营销任务上的表现差异。
选定自己 W3 想搭的 bot 用哪个 pattern（一般客服用 Tool Use + Reflection；获客 agent 用 Planning + Multi-Agent）。
短记忆 vs 长记忆 — context window 装不下的东西放哪？Mem0 的三种存储模式（fact / preference / episode）+ 记忆膨胀时的裁剪策略。客服 bot 接长记忆，能记住老客户偏好 / 过往订单 / 投诉历史。
LLM Lab: agent-memory-mem0。给一个客服 bot 加 Mem0 接口 → 模拟 5 次老客户对话（每次都让 bot 回忆上次说什么）→ Lab 检测记忆是否被正确召回。
给自己 W3 的 bot 设计 1 套记忆 schema（fact + preference + episode 各 3 条），暂不必接代码，先把 schema 写明白。
openclaw 方向是 W3 主轴 — 11 章覆盖 多 agent 路由 / 定时任务自动化 / MCP 集成 / 个人助理实战 / 团队协作实战。全部复用 /learn/openclaw 已上线的章节，学员通读后可直接搭私域 agent。
每章 3-5 道 MCQ + 1 道开放题。学员通读后完成所有章末小练习。重点章建议精读 — multi-agent-routing / scheduled-tasks / practical-team-collaboration。
🤖 MCQ 自动批改对 agent / multi-agent / 自动化的整体心智模型有完整认知，为 L40-L48 的 8 个 agent 实战 lab 打底。
3 个自动化平台对比 — Zapier 易用 / Make 性价比 / n8n 自托管 + 全功能。每个平台的最佳场景 + 学习曲线 + 价格门槛。
团队预算紧 → Make；想自托管 + 不限步数 → n8n（英文学员主推）；要快速接 1000+ SaaS → Zapier；中文私域 + 微信生态 → Coze（不在这 3 个里，但值得首选）。不要工具收集癖 — 选 1 个深用。
学员选定自己 W3 的自动化主轴（中文：Coze；英文：n8n / Lindy / Make 任选 1），写到学习群「我的工具栈」中。
Prompt Chaining 三段 — 前一步输出 = 后一步输入。把 3 个独立 prompt 串成 1 条流水线，对接私域内容生产。中间一步出错时如何防止串错（加校验 + retry + fallback）。
Prompt Lab: prompt-chaining。学员输入主题 → 自动产出 3 条选题 + 1 条初稿 + 1 条改稿。Lab 校验链路是否完整 + 中间步骤出错时是否有 fallback。
用 chaining 给自己 W3 bot 搭一条「用户提问 → 知识库检索 → 答复生成 → 答案检查」的链路。
Multi-Agent 三种基本拓扑 — 并行 / 串行 / 投票。3 个 agent 分工（选题官 / 写手 / 审核官），用 multi-agent 协作产出 1 篇符合品牌 SOP 的稿子。agent 数量越多越好吗？不是 — 多了反而决策慢 + 易冲突。
Prompt Lab: multi-agent。学员配 3 个 agent 各自的 system prompt + 协作规则 → 跑 1 个真实选题 → Lab 检测分工是否清晰 + 投票机制是否合理。
给自己 W3 bot 拆 multi-agent — 至少 2 个角色（如客服 + 转人工判官 / 选品 + 价格审核）。
Function calling 让 agent 调外部工具 — 搜索 / 查库存 / 查物流 / 查会员等级。私域 bot 离不开这一步。tool description 怎么写 AI 才会准确判断什么时候调；工具返回数据如何安全 parse。
Prompt Lab: tool-use。学员给 bot 接 3 个 mock 工具（搜索 / 库存 / 物流）→ 跑 5 个真实场景对话 → Lab 检测调用准确率 + 返回数据 parse 是否安全。
给自己 W3 bot 接至少 1 个真实工具（中文学员可在 Coze 直接配；英文学员用 n8n function calling）。
Browser Use — 让 agent 自动打开浏览器抓竞品评论 / 爆款标题 / 产品价格。给 W2 投放素材库 + W3 私域内容补充新鲜素材。注意：抓内容必须遵守平台 ToS + robots.txt，禁止商用爬。
LLM Lab: browser-use。学员定义抓取目标（小红书 30 条同类爆款标题 / Trustpilot 50 条竞品评论任选）→ agent 自动浏览 + 提取 + 落 CSV → Lab 校验数据完整性。
给自己业务跑一次 browser use 抓 30 条竞品评论 / 标题，喂给 L19 (W2) 的 information-extraction lab 处理。
4 段漏斗各自的 AI 切入 prompt 模板 — 朋友圈日更 SOP / 1v1 话术 / 社群活跃 / 复购召回。每段 prompt 应该带上什么品牌信号、什么禁用词。中文私域专项，但英文学员可拿同样模板套到 WhatsApp / 邮件序列。
Prompt Lab: wechat-private-domain-funnel。Lab 内置 4 段模板 + 1 套品牌口吻样例。学员代入自己品牌 → AI 自动出 4 段对应内容 → Lab 校验每段是否覆盖该段任务（朋友圈≠卖货 / 1v1≠群发 / 社群≠广告）。
用 Lab 给自己业务出 1 套 4 段漏斗 prompt + 各 1 条样例文案，下周 W4 看哪段转化最强。
获客 agent 5 步工作流 — lead 进来 → 自动打标签 → 触达内容个性化 → 转化埋点 → 数据回流。中英学员都能跑通的多步骤模板。每一步的输入 / 输出 / 失败 fallback 写到 prompt 里。
Prompt Lab: lead-gen-agent-multistep。学员输入业务背景 + lead source → AI 出 5 步可执行 prompt 链 → Lab 校验链路完整性 + 各步骤 fallback。中文学员可直接复制到 Coze workflow；英文学员可直接喂给 n8n。
用 Lab 给自己业务搭 1 条获客 agent → 在 Coze / n8n / Lindy 任选 1 个平台真的部署起来 → 先用 5 个 mock lead 测试。
用户分层 5 维度 — 兴趣 / 行为 / 价值 / 生命周期 / 风险。每个维度的判断信号 + 互相不重叠的设计原则。输出可直接导入 CRM 的标签 schema。
Prompt Lab: customer-segment-tagging。学员上传 50 条真实用户行为数据（可脱敏）→ AI 自动打 5 层标签 → Lab 校验标签是否互斥 + 是否覆盖所有用户。
给自己业务出 1 套用户分层标签设计（≥5 层），是 W3 作品集的核心交付件之一。
话术库 = 50 条高频问题 × 标准答案 × 调用规则。怎么从历史客服记录中提取（信息密度 / 频次 / 难度三维筛选）+ 怎么写 bot 调用规则（什么时候直接套话术 / 什么时候在话术上微调 / 什么时候转人工）。
Prompt Lab: auto-reply-script-bank。学员上传 100-300 条历史客服记录 → AI 提取 50 条高频问答 + 调用规则 → Lab 检查话术覆盖率 + 调用规则可执行性。
把 Lab 输出的话术库挂进自己 W3 bot 的知识库（Coze / Lindy 任选）。
双线 Quest：(中) 公众号 + Coze webhook / (英) WhatsApp Business API 或站点 chatwidget + Lindy / Relevance AI。AI Tutor 同时引导。
学习目标：把 W3 搭好的客服 bot 部署到 1 个真实入口，且能接收外部用户消息。
成功标准：外部入口收到至少 3 条真实用户对话（同事 / 朋友冒名测试都算），bot 答完且数据回流到自己的后台。
Step 1（10min）— 选定入口 + 资质确认：AI 引导学员说明选哪个入口 + 当前账号资质（公众号有没有认证 / WhatsApp Business 是否激活 / 自家站是否能挂 chatwidget）。
Step 2（30min）— 完成入口接入配置：(中) 公众号 → Coze webhook 配置 + 服务号验证；(英) WhatsApp Business API → Meta Business 验证 + Lindy / Relevance AI 接入。学员上传后台配置截图。
Step 3（30min）— 用户冒名测试 3 次：找 3 个同事 / 朋友冒充真实客户问 3 类问题（产品介绍 / 价格疑问 / 售后纠纷），学员上传对话截图。
Step 4（20min）— 记录解决率 + 人工接管率：评估 3 次对话（解决 / 转人工 / 失败），AI 帮归因 — 失败的是边界没写清还是知识库不全？转人工的是该转还是误转？
坑点提醒：(1) 公众号要认证服务号才能接 webhook，未认证号要走客服消息接口绕过；(2) WhatsApp 需要 Meta Business 验证，新号不一定通过 — 来不及就改部署到自家站 chatwidget；(3) 部署后第 1 个真实用户最容易暴露 bot 边界问题，要让学员准备好转人工兜底。
| 类别 | 中文学员主轴 | 英文学员主轴 | 必备 / 选修 |
|---|---|---|---|
| Bot 搭建平台 | Coze（字节出品 · 0 代码 · 中文社区厚 · 免费起） | Lindy / Relevance AI（SaaS 即开即用） | 必备 · 二选一 |
| 自动化引擎 | Coze workflow（同上） | n8n（自托管 / 全功能）/ Make | 必备 |
| 分发入口 | 公众号 / 微信 / 企业微信 / 小红书 | WhatsApp Business / 自家网站 chatwidget / Slack | 必备（Quest 用） |
| CRM / 用户分层 | 有赞 / 微盟 / 自有 SCRM | HubSpot / Salesforce / Klaviyo | 选修 |
| 记忆 / 长上下文 | Mem0（开源）/ Coze 内置变量 | Mem0 / Lindy memory | 选修 |
| Agent 监控 / 测试 | 飞书多维表（手工日志） | LangSmith / LangFuse | 选修 |
L33 + L34 + L45 + L47 + L48 是核心。学完拿到 1 个能用的 Coze 客服 bot（接知识库 + 工具调用） + 1 套用户分层打标签 agent + 1 套话术库。直接能给老板 / 客户演示。
L35 + L39 + L41 + L46 are core. Build a multi-agent lead-nurture flow on n8n + Lindy for a real account (yours / a friend's small biz / a sandbox). The end-to-end SOP becomes a portfolio piece you can show to potential clients or to hiring managers — the course only covers building the artifact, not landing the deal.
L33 + L34 + L42 + L46 are core. Design a HubSpot AI + Lindy stack for the team's inbound lead triage. Pair with W2 GEO report = a complete AI marketing infra audit doc the team can rerun every quarter.
新人重点：L40（Prompt Chaining 选题流水线）+ L48（话术库）。先把内容生产流水线串通，bot 部署可以放到下期再深度做。L37 openclaw 11 章可以挑 single-agent / tool-use 两章先看。
交付物：1 份「我的 W3 私域 + agent 工作流」(PDF / Notion 公开页)，包含：
评分标准：
承诺红线：作业评估只看「过程性结果」 — 是否搭出 bot / 是否完成部署 / 是否拿到 1 周真实数据。不评估 bot 是否带来订单 / 是否帮你赚到钱 / 是否替代了客服岗位。