Notion → AI → Jira 自动化链路 Lab。打通一个可控的端到端自动化：学员在 Notion 写一条需求 → AI 自动拆成 User Story + 验收标准 → 推到 Jira 创建 Story + Subtasks → 通知 Slack channel。
关键学习点： 1) 哪些环节可以全自动、哪些必须人工 review（gate）；2) 如何防止 AI 幻觉导致任务拆错；3) 成本控制（每条需求花多少 token）；4) 失败重试与监控。交付物：一条能跑通的 n8n / Zapier workflow + 2 分钟 demo。
Week 6 Quiz：自动化系统与 Agent 决策思维。20 题 30 分钟。覆盖：哪些流程适合自动化、何时用 Rule-based vs LLM、Agent 的决策边界、Human-in-the-loop 设计、多 Agent 编排模式（sequential / parallel / hierarchical）、Agent 的监控与回滚机制。
自动化思维：从手工流程到系统流程
本课程帮助学员建立自动化与 Agent 的底层认知框架。
重点不是“怎么做”，而是：
自动化如何改变流程结构
人与系统的职责如何重新分配
Agent 思维与传统流程思维的区别
BA 求职方向学员
希望参与 AI 项目前期分析的学员
想提升流程抽象能力的学员
完成本课后，学员可以：
用系统视角分析业务流程
区分“人流程”与“系统流程”
识别可自动化节点
理解 Agent 的流程角色
画出自动化迁移路径图
完成本节课后，学员将能够：
能够区分：
手工流程（Human-driven）
半自动流程（Human-in-the-loop）
系统驱动流程（System-driven）
能够回答：
哪些环节适合自动化？
哪些不适合？
自动化的前提条件是什么？
能够解释：
Agent 是流程参与者，而不是工具
Agent 如何改变决策结构
Agent 如何影响组织分工
能够设计：
从手工 → 半自动 → 全自动的迁移路线
自动化成熟度阶段
本节课目标
自动化的常见误解
自动化改变的不是速度，而是结构
什么是流程结构？
手工流程结构图
半自动流程结构图
系统驱动流程结构图
三种模式的对比
什么时候不应该自动化？
Agent 与传统系统的区别
决策从“规则”到“概率”
人从“执行者”到“监督者”
流程控制权的变化
自动化成熟度三阶段
如何选择切入点？
如何避免“一步到位失败”？
渐进式自动化模型
自动化思维三层结构
本节课总结和下一课预告
Agent 思维：从执行动作到决策系统
本课程帮助学员理解：
Agent 并不是“自动执行脚本”，
而是具备决策能力的流程参与者。
从 BA 视角理解：
决策如何嵌入流程
概率决策 vs 规则决策
人机职责如何重新分配
BA 求职方向学员
参与 AI 项目分析与需求定义的学员
想理解 Agent 与传统自动化区别的学员
完成本课后，学员可以：
清晰区分自动化系统与 Agent 系统
识别“动作自动化”与“决策自动化”的区别
设计决策节点结构
理解决策风险的来源
分析 Agent 对组织的影响
完成本节课后，学员将能够：
能够解释：
执行动作系统（Rule-based Automation）
条件判断系统（逻辑规则系统）
决策型 Agent 系统（Probabilistic）
能够拆解：
输入信息
推理过程
决策输出
执行动作
能够解释：
为什么 Agent 不是 100% 确定性
为什么错误是结构性存在
为什么必须设计监督机制
能够识别：
决策权转移
责任划分变化
人机协作模式变化
本节课目标
什么是“动作自动化”？
什么是“决策自动化”？
两者的本质区别
Agent 的四层结构
输入层（信息理解）
推理层（判断生成）
决策输出层
执行动作层
为什么 Agent 不可能 100% 正确？
确定性规则 vs 概率判断
错误的来源
幻觉、偏差与数据缺失
人在 Agent 系统中的角色
决策权如何划分？
什么应该交给 Agent？
什么必须保留人工？
Agent 思维三层变化
本节课总结和下一课预告
自动化架构思维——系统边界与控制结构
本课程帮助学员建立：
自动化在系统中的位置认知
系统边界划分能力
控制结构设计思维
从 BA 视角理解：
自动化不是插进去的功能，而是嵌入式结构。
BA 求职方向学员
参与 AI 系统架构讨论的学员
希望提升系统思维能力的学员
完成本课后，学员可以：
识别自动化系统边界
划分人、系统、Agent 的职责区间
设计控制结构
理解“可控自动化”的架构特征
分析架构失控风险
完成本节课后，学员将能够：
能够解释：
什么是系统边界？
为什么自动化必须有边界？
边界不清会导致什么问题？
能够区分：
自动化作为“子系统”
自动化作为“中间层”
自动化作为“决策核心”
能够拆解：
触发控制
执行控制
回滚机制
人工接管点
能够识别：
失控扩张
权责模糊
黑盒依赖
数据污染
本节课目标
自动化不是独立存在
什么是系统边界？
边界不清的后果
自动化作为“执行子系统”
自动化作为“中间处理层”
自动化作为“决策核心层”
三种结构对比
不同位置的风险差异
什么是控制结构？
触发控制设计
执行控制设计
异常与回滚机制
人工接管点设计
失控扩张
权责不清
黑盒依赖
数据污染
如何识别早期风险信号？
自动化架构三层逻辑
本节课总结和下一课预告
课程名称
AI Agent 产品落地实战：从想法到上线
课程模块
自动化与 Agent 思维
课程定位
本节课程通过一个真实业务案例，完整讲解 AI Agent 产品从业务问题识别到上线落地的全过程。学员将理解 AI 产品设计的关键阶段、关键决策节点以及 PM / BA 在每个阶段需要完成的核心产出。
核心案例
Customer Support AI Agent（客户邮件自动回复 Agent）
课程时长
约 30 分钟
适合人群
AI Product Manager
Business Analyst
对 AI 产品设计和落地感兴趣的人
课程价值
通过一个完整案例，理解：
AI Agent 产品是如何设计出来的
PM / BA 如何推动 AI 项目落地
AI 产品开发过程中有哪些关键 artefacts
如何把 AI 自动化真正做成可上线的产品
完成本节课程后，学员将能够：
1️⃣ 理解 AI Agent 产品落地的完整流程
从业务问题识别到上线运营，理解 AI 产品开发的主要阶段。
2️⃣ 识别 AI Agent 产品的关键 Stakeholders
理解不同角色在 AI 产品中的职责，例如：
Business Owner
Product Manager
Business Analyst
Engineering
Operations
3️⃣ 掌握 AI Agent 产品设计的关键节点
包括：
自动化边界
Human-in-the-loop
AI 可靠性控制
数据与知识来源
4️⃣ 学会设计一个 AI Agent Workflow
能够将一个业务流程转化为：
AI Agent 工作流设计。
5️⃣ 理解 PM / BA 在 AI 产品中的核心 Artefacts
包括：
Workflow Diagram
Use Case Definition
Agent Workflow Design
KPI Metrics
课程目标和收获
为什么很多 AI 项目无法真正落地？
本节课程案例：Customer Support AI Agent
原始业务流程：客户邮件处理流程
AI Agent 可以解决什么问题？
AI Agent 产品的主要 Stakeholders
Stakeholder 角色与职责
AI Agent 产品设计的五个阶段
阶段一：Problem Discovery
阶段二：Automation Opportunity Identification
阶段三：Agent Workflow Design
设计 AI Agent 工作流（案例）
阶段四：Prototype / POC
阶段五：Production Launch
AI Agent 产品设计的关键决策点
Human-in-the-loop 设计
AI Agent 的数据与知识来源
PM / BA 在各阶段的核心 Artefacts
AI Agent 产品的关键指标（KPI）
课程总结：AI Agent 产品落地方法