课程背景
当前，在银业界务敏捷化交付的强压之下，技艺队伍正经历着前所未有的效能挑战。尽管以GitHub Copilot，Cursor为代表的“智能IDE”已逐渐普及，但多数技艺人员对其采用仍停留在浅层的“代码自动补全”阶段。当面对银行庞大的遗留系统代码、复杂的金融业务推演（如计息规则、风控模型）时，具体来看，大模型往往会出现严重的“幻觉”和“上下文断片”，换个角度看，导致生成的代码看似合理却无法直接运行。这种“能用但不好用”的痛点，使得AI编程抓手在深水区开发中遭遇了信任危机和效能瓶颈。
要打破这一瓶颈，技艺人员必须完成从“提示词编写者”到“上下文工程师”的思路跃迁。大模型本身是无状态的，其输出质量高度倚重于输入资讯的厚度和精度。怎样精准裁剪和投喂代码片段，怎样利用项目级的系统指令锚定技艺栈规范，是将控AI产出质量的核心。同时，往细里说，以OpenAI为代表的Reasoner（推理模型）展现了截然不同的“慢思索”本领。技艺人员需要学会识别复杂架构规划和疑难Bug排查中的推理触发条件，借助带出模型构筑思路链，破解传统大模型无法化解的深层推演难题。
本课旨在为银行技艺人员提供系统化的AI技艺运用培训，锁住智能IDE操作、上下文工程、RAG配置以及多模态处理本领的实操拉升。课程内容将结合具体开发实例和业务情境，演示怎样配置模型参数、构筑上下文工程、开展学识增强生成，并在低代码平台中达成落地运用。借助本次培训，参训者将掌握AI辅助开发抓手的实用招数，能够在日常事务中迅速利用AI开展开发、测试和精进，拉升项目交付效率和代码质量，促成银行内部技艺队伍向智能化开发模式转型。
课程收益
1.
掌握智能IDE和Reasoner采用招数：
掌握智能IDE的高级将控招数，并能利用Reasoner模型破解复杂业务推演和架构规划问题。
2.
领会和有效配置上下文：
学会精准将控Token消耗，掌握多文件上下文关联和项目规范植入的高级办法。
3.
学会基于Dify平台的RAG实战：
熟练采用Dify低代码平台，独立完成银行私有学识库的拆解、分块、向量检索配置以及事务流编排。
4.
精调模型参数和多模态：
深度领会Temperature、Top_P等等参数的业务含义，掌握图文多模态接入和处理实操。
5.
积累输出实战结晶：
能够在一天内，结合行内实际情境，搭建一个基于RAG和智能路由的定制化AI辅助开发助手。
课程大纲
第 一讲、
增强操作本领--智能IDE进阶和熟稔Reasoner推理模型
一，
智能IDE在复杂金融研发中的瓶颈和破局
1. 痛点复盘：为何AI写的代码在银行系统里总是跑不通？
2. 从“补全抓手”到“结对架构师”的IDE采用心智转变
一、
Reasoner（推理模型）的制度和业务触发情境
1. 直觉生成和深度推理的本质区别
2. Reasoner的“隐式思路链”制度拆解
1.
实操演示：
利用Reasoner开展复杂信贷计息算法重构和多线程并发Bug排查
一，
多模态在开发环境中的降维打击
1. 截图即代码：从银行老旧系统UI截图直接生成前端重构代码
1.
实操：
架构图拆解：将手绘或者截图的UML时序图转化为接口定义骨架
第 一讲、
要害操作——上下文工程实操技艺
一、
上下文的本质和Token经济学
1. 大模型的“注意力制度”对上下文排列顺序的影响
2. 怎样计算上下文成本和防止“中间迷失”现象
一、
高级上下文投喂和将控打法
1. 精准锚定：引用制度的最 佳实践（类、接口，配置文件的精准关联）
2. 规范前置：借助.cursorrules或者全局配置文件，硬性注入银行特定技艺栈规范（如必须采用的日志轮廓、异常处理规范）
3. 上下文裁剪术：面对几万行遗留代码，怎样提取“最小必要上下文”给AI以降低噪音干扰
4. 对话树管控：利用分支和重置功能，隔离不同技艺方案的上下文探索
第 一讲，
增强检索的必要性——基于Dify低代码平台的RAG全链路配置
一，
Dify平台架构认知和银行私有化部署考量
1. Dify的核心组件：运用类型、编排引擎和模型路由
1.
实操环节：
内网环境对接本地大模型（如Qwen，Baichuan）完整流程
一，
RAG（检索增强生成）核心流程配置实操
1. 学识库创建和文档预处理：比如，往细里说，银行API Markdown文档、Word开发规范等等素材导入
2. 分块打法配置：按照段落分块 vs 按照字符分块 vs 按照语义分块在金融长文档中的优劣对比和参数设置
3. 检索模式选项：向量检索、全文检索、混合检索以及Rerank（重排序）模型配置实操
4. 测试和调优：借助Dify的“检索测试”面板，往细里说，验证行内API文档被召回的准确率，运行层面，精进Chunk大小和重叠Token
第 一讲，
精细化调优——模型参数配置和事务流编排
一，
模型参数对生成质量的量化影响
1. Temperature（温度值）：从0到1，怎样将控代码生成的严谨度和业务文案的创造性
2. Top_P 和 Top_K：在银行合规性要求极高的情境下，怎样配置以防止生成“偏门”API调用
3. Max Tokens和 Presence Penalty：将控输出长度和防止行内专有名词重复的设置招数
一、
Dify事务流编排初探
1. 单Agent模式的局限性和事务流引入的时机
2. 实操搭建：构筑一个“诉求拆解 ➔ 分类路由（查文档/写代码） ➔ 规范校验”的基础事务流
第 一讲、
综合实战工作坊——构筑“行内研发规范智能体”
一、
情境定义和资源准备
1. 标的：在Dify上搭建一个Agent，当技艺人员输入业务诉求时，它必须并且仅能调用行内自研轮廓的API，在实际应用里，并符合行内代码规范。
2. 全链路联调四步骤
(1) 在Dify中挂载行内RAG学识库文档，换个角度看，并配置混合检索+Rerank参数。
(2) 在System Prompt中注入上下文工程指令（定位设定，强制检索约束、输出格式要求）。
(3) 调整模型参数（低Temperature确保API调用准确，往细里说，高Top_P保证推演覆盖）。
(4) 导入真实银行信贷模块诉求文档开展测试，根据bad case反向精进RAG分块打法和Prompt。
1. 结晶验收和复盘收束
(1) 各小组展示自建智能体交互成效
(2) 讲师点评：从上下文损耗，检索召回率、参数匹配度三个维度给出精进建议
老师简介
Introduction to lecturers
弄懂更多
博闻智咨询|王亚彬老师
适合谁听
公司相关管人人员。建议同一家企业 3 人以上同来，课堂上直接改造本企业的实际问题——单人参加也能学到方法，但带不走可用的成果。
交付流程
课前：顾问访谈 2 位管理者，收集现状与问题清单，讲师据此调整案例。课中：讲授与演练各占一半，产出可直接用的工具与方案。课后：7 天内提交改进建议，30 天内一次线上答疑。