Phase 4 — AI 原型实战

课程内容

1. AI 编程工具（Cursor / Claude）的安装与基础使用
2. 基于产品需求的任务拆解与实现路径梳理
3. 使用 AI 辅助完成 Landing Page 页面开发
4. 页面调试与部署上线的基本流程

课程目标

1. 理解产品需求从提出到落地的完整过程
2. 掌握使用 AI 工具辅助实现简单产品功能的方法
3. 提升独立推进小型产品需求的能力
4. 建立对技术实现与上线流程的基础认知

课程内容

1. AI 编程工具（Cursor / Claude）的安装与基础使用
2. 基于产品需求的任务拆解与实现路径梳理
3. 使用 AI 辅助完成 Landing Page 页面开发
4. 页面调试与部署上线的基本流程

课程目标

1. 理解产品需求从提出到落地的完整过程
2. 掌握使用 AI 工具辅助实现简单产品功能的方法
3. 提升独立推进小型产品需求的能力
4. 建立对技术实现与上线流程的基础认知

分享人: Wystan Zeng

分享内容：

HTML 的本质和功能

1. 介绍 HTML 是网页结构的骨架，讨论其标签结构、页面布局和内容展示。
2. 解释 HTML 是如何通过 HTTP 协议传输，以及浏览器如何解析 HTML 来显示网页。

CSS 的角色和应用

1. 探讨 CSS 如何提供网页的样式和布局，包括颜色、字体和响应式设计。
2. 讲解 CSS 的选择器、盒模型、布局模式如 Flexbox 和 Grid。

JavaScript 的功能和机制

1. 介绍 JavaScript 为网页提供的交互功能，包括事件处理、动画和 DOM 操作。
2. 解释异步回调机制，包括回调函数、Promise 和 async/await，以及它们如何处理 Web 应用中的异步操作。

API 的定义和用途

1. 解释 API（Application Programming Interface）作为软件间交流的桥梁。
2. 讨论不同类型的 API，如 Web API，以及它们在数据传输和集成中的作用。

Web API 的概念和前后端交互

1. 深入 Web API，特别是 RESTful API 和 GraphQL，以及它们如何使前端能与后端服务交互。
2. 讨论前端如何发送请求并处理响应，后端如何接受请求并返回数据。

框架的理解和价值

1. 定义框架并解释它们如何简化开发流程，例如 React、Angular 和 Vue。
2. 讨论框架的产生背景，它们如何提高开发效率，以及如何选择合适的框架。

网页的前后端交互机制

1. 介绍前端和后端的角色，以及它们如何通过 HTTP 请求和响应进行通信。
2. 讨论前后端分离的架构，以及现代 Web 应用的交互模式。

程序员的工作内容

1. 探讨程序员的日常工作，包括编码、测试、调试和文档编写。
2. 讨论软件开发生命周期、敏捷开发、版本控制和团队协作的重要性。

Prompt / Fine-tune / RAG / Agent

这四种方式，本质上是在回答同一个问题：
我们到底要“怎么用”LLM，才能把产品做好？

1️⃣ Prompting —— 给 LLM 更多「上下文」

一句话理解
👉 Prompting = 用更好的方式问问题

核心思想
不改模型，只通过更清晰的提示，让模型更好地理解你想要什么。

Prompt 常见结构

• Priming：你是谁？模型扮演什么角色

• Instructions：要怎么回答？语气 / 格式 / 规则

• User Input：用户的问题

• Output Format：输出格式（文本 / 列表 / JSON）

常用框架

• COSTAR（Context / Objective / Style / Tone / Audience / Response）

适合场景

• 快速验证想法

• Demo / MVP

• 内容生成、总结、改写

局限

• 上下文长度有限

• 容易“胡说八道”，不保证事实正确

2️⃣ Fine-tuning —— 教 LLM「怎么做事」

一句话理解
👉 Fine-tuning = 用数据训练模型“按你的方式回答”

核心思想
通过示例数据，让模型内化你的风格、规则和任务逻辑。

常见 3 类微调

• 任务训练（task-specific）

• 约束输入 / 输出结构（schema）

• 语言 / 风格训练

适合场景

• 固定任务（如客服、文案风格统一）

• 对输出格式要求非常严格

• 不想每次 prompt 都写很长

局限

• 需要准备数据

• 成本较高

• 不适合频繁变化的知识

3️⃣ RAG —— 给 LLM 接入「新知识」

一句话理解
👉 RAG = 查资料 + 再回答

核心思想
模型不会“记住新知识”，那就在回答前帮它查一查。

基本流程

1. 文档 → 切块

2. 切块 → 向量（embedding）

3. 相似度检索

4. 把检索结果塞进 prompt 再回答

适合场景

• 公司知识库

• 内部文档 / 产品说明

• 需要事实准确的问答

优势

• 知识可随时更新

• 不用重新训练模型

局限

• 需要维护知识库

• 检索质量决定答案质量

4️⃣ Agent —— 给 LLM「工具 + 行动能力」

一句话理解
👉 Agent = 会思考、会行动、还能反复执行的 LLM

核心能力

• Reason：分析问题

• Act：调用工具 / API

• Repeat：多步执行直到完成目标

相比 RAG 的升级

• 不只是“查资料”

• 可以 规划任务 → 执行 → 校验 → 调整

适合场景

• 多步骤任务（写代码、跑流程、自动化）

• 工作流自动化

• 智能助手 / Copilot

常见框架

• LangChain / LangGraph

挑战

• 复杂度高

• 对 prompt 和边界设计要求高

搭建文档问答助手 Lab。二选一：(A) 用 ChatGPT GPTs 自定义一个上传 PDF 可以回答问题的助手；(B) 用 Notion AI Q&A 功能做一个知识库问答。

交付物： 1) 选定场景（公司新人入职手册 / 产品文档 / 法律条款）；2) 上传的数据；3) 你的 System Prompt；4) 5 条测试 Q&A（对比 accuracy）；5) 2 分钟 demo video。提交到学习群 peer review。

🎯 课程定位

本课程讲解如何使用低/无代码方式设计并验证一个 RAG 原型，并结合基础自动化流程，完成一个可展示的 AI POC。

👥 适合人群

• BA 求职方向学员

• 无编程背景的业务人员

• 希望参与 AI 项目的分析角色

🧠 课程类型

方法论 + 原型设计实战（非工具操作教学）

📦 本节课产出

完成本课后，学员可以：

• 用业务语言解释 RAG 的结构

• 判断需求是否适合做 RAG 原型

• 设计一个低/无代码 AI 原型方案

• 设计一个简单自动化原型流程

• 输出一个 AI POC 结构说明

🎯 课程定位

本课程讲解如何将 Agent 融入业务流程，设计完整工作流结构，并定义权限与控制边界。

👥 适合人群

• BA 求职方向学员

• 希望参与 AI 项目流程设计的学员

• 对企业级落地感兴趣的学员

🧠 课程类型

流程设计方法课 + 风险控制思维课

📦 本节课产出

完成本课后，学员可以：

• 用流程视角理解 Agent

• 为 Agent 工作流拆解多步骤任务

• 设计主流程与异常流程

• 设计权限矩阵与控制边界

• 识别高风险节点

🎯 课程定位

本课程从 BA 视角出发，讲解如何将 AI 自动化能力从“项目功能”转变为“可持续产品能力”。

重点关注：

• 可维护性

• 可扩展性

• 可治理性

• 可运营性

👥 适合人群

• BA 求职方向学员

• 希望参与企业 AI 项目产品化设计的学员

• 想理解 AI 系统长期演进逻辑的学员

🧠 课程类型

产品结构设计课 + 系统思维课

📦 本节课产出

完成本课后，学员可以：

• 理解 AI 自动化与传统功能模块的区别

• 设计 AI 自动化的产品结构层

• 识别可产品化能力

• 设计治理与监控框架

• 规划自动化能力的演进路径

本测验用于检验你对本周核心内容的理解，包括：

• 四种 AI 原型模式（Prompt / Fine-tune / RAG / Agent）的区别

• RAG 的基本结构与适用场景

• 原型（POC）与正式系统的差异

• 成功标准与边界控制思维

测验重点不在技术细节，而在产品判断能力——你是否能正确判断什么时候应该使用 RAG，以及如何设计一个可验证的原型。