AI Agent设计与提示工程实战—企业AI先锋核心能力建设

一、走出认知迷雾：大模型的本领边界在哪里

1. 大模型的核心本领图谱

大模型的三个强项领域：

1）语言生成和摘要提炼，从复杂文本中提取要害资讯并以结构化方式呈现；

2）代码生成和推演推理，根据自然语言描述生成代码片段或者破解推演问题；

3）内容创作和创意激发，在给定轮廓下生成高质量的文本内容

大模型的三个核心短板：

1）缺乏真实业务资料支撑，面对公司内部专有学识时容易出现“幻觉”；

2）缺乏特定抓手操作本领，无法直接调用公司内部系统；

3）缺乏差事执行的闭环意识，需要人工编排才能形成完整的事务流

2. 制造业情境中的“通用模型困境”

制造业实践中，落地时，通用大模型面临的三大挑战：

1）“幻觉”隐患不可忽视

2）业界学识深度不足

3）实时响应本领不足

3. 什么样的差事该交给AI，什么样的不该

构筑“差事分层模型”是AI先锋主力的第 一课。可将业务差事分为四个层级：

1）“纯自动化层”：规则明晰、输入输出边界清晰、不倚重深度推理的差事

2）“人机协同层”：需要模型提供推理建议、但最终决策权在人的差事

3）“不可触达层”：涉及核心商业机密、需要严格合规审批、或者倚重物理实体操作的差事，不适合交给大模型处理

4）“待观测层”：当下技艺尚不成熟、但未来可能突破的差事边界

二、从零到一：用“情境定位画布”迅速判断业务可行性

1. 情境定位画布的四个要害维度

四维度评核轮廓：差事复杂度（线性流程 vs. 多分支决策）、学识倚重度（通用学识 vs. 公司专有学识）、实时性要求（毫秒级 vs. 分钟级）、隐患容忍度（零容忍 vs. 可接受误差）

借助对四个维度的逐一评核，迅速判断一个业务诉求是否适合交给大模型破解

2. 实战上手：用画布评核三个真实业务情境

提供三个制造业真实情境实例，各组采用画布抓手开展独立评核；逐一剖析其判断依据和可能盲区

三、标杆实例拆解1：青山工业十大AI智能体——制造业多智能体协同的落地实践

来由：云从科技和青山工业携手落地的典型结晶，双方炼就了十个覆盖公司要害业务的智能体，实操中，形成了协同作战的“数字专家团”

核心亮点：“多智能体分层协同架构”

结晶：文档查询响应时间从平均15分钟缩短至3秒以内；装置维修顾问已拆解超过4000条检修记录，可基于问题描述自动诊断故障并基于历史资料提供解题打法；相关生产环节整体效率显著拉升

实例拆解：痛点还原；架构拆解；可复用要则

交流环节：每小组选项一个“最想在自己的事业部落地的AI情境”，采用情境定位画布开展迅速评核并分享，实地点评

一、提示工程的核心办法论

1. 从“对话”到“规划”：提示工程的思路跃迁

提示工程不是简单的“问得好”，而是一套将业务诉求转化为模型可执行指令的系统化办法

2. “诉求→差事→指令”三层转化模型

1）“业务诉求层”：将业务人员模糊的诉求转化为清晰的差事描述；

2）“差事拆分层”：将一个复杂差事拆解为多个子差事，明晰每个子差事的输入和输出；

3）“指令规划层”：将子差事编写为模型可执行的提示词，并规划相应的输出格式约束和验证规则

核心价值：将不可控的“黑箱对话”转变为可复用的“白箱办法”

3. 多定位提示轮廓和上下文关联规划

1）多定位提示轮廓是一种经典的进阶招数

2）上下文关联规划的核心要则

4. 常见陷阱和调优招数

提示工程中常见的“雷区”

二、针对制造业五大典型情境的提示词规划

1. 销售线索处理情境

规划要点：将买方交流记录中的非结构化资讯转化为结构化的线索评分，在实际应用里，同时标注跟进优先级和建议话术

2. 合同/技艺规范审阅情境

规划要点：构筑“分段审阅+隐患标注+条款比对”的提示链，让模型逐段拆解合同条款，识别潜在隐患点，并和公司内部准则条款库开展比对

3. 技艺文档生成情境

规划要点：构筑“大纲设定→内容生成→格式排版→校对润色”的四阶段提示流程，从实践看，确保生成的文档既专精又符合公司内部规范

4. 营运资料拆解情境

规划要点：规划“资料解读→趋势识别→异常告警→建议生成”的推理链条，从实践看，让模型不仅能看到资料变化，还能给出业务洞察和行动建议

5. 装置故障诊断情境

规划要点：基于故障现象描述和历史维修记录，具体来看，构筑“现象识别→根因推断→维修建议→备件查询”的智能诊断流程

三，标杆实例拆解2：Coze发票识别助手——零代码提效83%的制造业财务实践

来由：某汽车零部件公司的实际运用。采用Coze平台构筑发票识别系统后，该公司达成了开发效率拉升83%、识别准确率达成98.7%、系统维护成本降低76%的显著成效。财务审核环节，该模块使财务审核效率拉升4倍，每月减少200+小时的人工核对事务

实例拆解重点：三大要害规划——OCR识别→字段映射→推演验证→异常处理的四层流水线规划；内置税务规则引擎对金额合计、税率计算等等业务规则的自动校验；以及和传统开发模式的直观对比

交流环节：每组领取一个制造业典型提示词情境，采用提示工程轮廓在10分钟内完成提示词规划，实地采用大模型抓手验证成效并点评

一、AI Agent的核心架构和事务原理

1. 感知层，决策层、执行层三层架构

从工程化视角拆解AI Agent的三层核心架构：

感知层

决策层

执行层

2. Agent怎样让大模型“知行合一”

Agent的核心价值在于：弥补大模型“能想不能做”的短板。借助感知层提供精准的输入资料，借助决策层规划合理的差事路径，借助执行层调用具体抓手完成操作，Agent让大模型真正具备了端到端破解业务问题的本领

二、从诉求到落地：四阶段事务流规划办法

1. 诉求拆解阶段

最要害也最容易出错的环节。核心要则是“边界优先”——先划定Agent不能做什么，往细里说，再定义它应该做什么。需要产出：业务情境清单、量化标的定义、边界条件界定

2. 流程编排阶段

规划Agent的事务流，包括人机协同模式规划、多Agent协同架构规划、以及和现有系统的集成方案

3. 抓手调用阶段

识别并接入Agent需要调用的抓手：公司内部系统API（ERP、MES）、外部学识库（技艺规范库、合同模板库）、以及通用的AI本领（OCR、代码生成、资料拆解）

4. 成效评核阶段

构筑“差事完成率、业务指标拉升率、用户满意度”三维可量化评核架构，形成“资料采集→指标量化→根因拆解→方案调优→成效验证”的闭环迭代流程

三，标杆实例拆解3：库迪咖啡×Coze AI巡检员——近20个智能体覆盖1.8万家门店

来由：库迪咖啡携手火山引擎，结合豆包视觉领会模型和Coze平台，搭建了近20个细分巡检情境智能体，覆盖员工着装、营销物料、环境卫生、设施装置等等各类巡检情境

实例要害资料：90%的重复性人工审核事务达成自动化处理。“营销物料合规智能体”具备十余种自定义维度，运行层面，当营销物料更新时仅需少量调整参数即可迅速适配，大幅降低了维护以及模型重训的成本；质检情境能以模板化方式迅速复用于更多门店

复用价值：从“问题定义”到“智能体搭建”再到“规模化复制”的完整办法论，对工程建设公司构筑智能巡检、安全监控等等情境具备直接的借鉴意义

一、情境一：销售线索智能处理Agent

1. 情境来由和诉求定义

某装置制造公司每天收到大量来自不同渠道的销售线索（展会咨询，官网留言、渠道商推荐），但线索质量参差不齐，换个角度看，从实践看，销售队伍花费大量时间筛选和跟进低质量线索，运行层面，优质线索反而被淹没

2. Agent规划方案

诉求拆解：线索入库→质量评分→优先级排序→跟进建议生成→资料回传CRM的端到端流程

流程编排：规划“资讯提取→评分模型→分级分流→话术生成”四段式事务流

抓手调用：对接公司CRM系统的API达成资料同步；调用大模型开展买方意向拆解和跟进话术生成；对接公司内部货品学识库达成个性化方案推荐

3. 标杆实例拆解4：跨国供给链学识审计Agent——读懂工业表格的“金牌审计员”

来由：展示怎样利用Coze和TextIn构筑一个能够读懂复杂工业表格的“审计员”智能体。在制造业的全球供给链采购中，执行层面，具体来看，往细里说，技艺对齐是最耗时的环节。审核工程师每天可能需要处理数十份来自不同供应商的PDF规格书

核心技艺革新：“版面语义还原”

启示：工程图纸、技艺规范、装置指引等等大量非结构化文档是工程建设领域最常见的“资料孤岛”。实例提供了一套“文档拆解→语义领会→资讯提取”的可复用办法链

4. 实战操作

各组领取一组真实的销售线索资料（还原资料），完成以下操作：

• 采用提示工程轮廓规划销售线索评核提示词。

• 在Coze平台上搭建“线索评分+话术生成”智能体原型。

• 对给定的5条线索开展还原测试，对比人工评核和智能体评核结果差异；

• 提交智能体配置文件以及测试报告

二、情境二：技艺文档智能生成Agent

1. 情境来由和诉求定义

装置制造公司的技艺方案撰写是一项耗时耗力的事务。销售工程师需要根据买方诉求，从货品库、实例库、技艺参数库中检索资讯，撰写出符合公司准则的解题打法。这一进程往往需要2-3天，并且质量高度倚重撰写者的心得水平

2. Agent规划方案

诉求拆解：买方诉求拆解→方案轮廓生成→技艺参数检索→实例匹配→方案撰写→格式排版→审核反馈的全流程

流程编排：规划“诉求捕获→轮廓搭建→内容填充→审核输出”的四阶段事务流，每个阶段设置明晰的质量门禁和人工复核节点

抓手调用：对接公司货品参数库、历史实例库和技艺规范库；调用大模型完成方案撰写和润色；对接公司OA系统达成方案的自动归档和版本管控

3. 标杆实例拆解5：西门子Engineering Copilot——AI赋能制造业工程规划的先行者

来由：西门子Engineering Copilot以生成式AI赋能制造业，具体来看，第 一阶段从工程环节切入。借助自然语言描述，工程师能够生成PLC代码、创建TIA Portal项目以及完成装置参数配置，还可达成文档拆解注释、HMI界面批量处理以及项目文本翻译等等功能，显著减少了工程重复差事

启示：技艺方案撰写、图纸标注、BOM清单生成等等重复性工程文档事务，是当前最适合借助智能体达成提效的切入点

4. 实战操作

各组领取一个还原的买方技艺诉求，在实际应用里，运行层面，完成以下操作：

• 规划技艺方案撰写提示词链（大纲→内容→格式→审核）。

• 在Coze平台上搭建方案生成Agent，接入还原的公司学识库；

• 生成一份符合公司准则的技艺方案初稿；

• 小组间互评方案质量，讲师点评

一、小组结晶呈报和互评

每组5分钟展示上午下午两个实战情境的智能体原型结晶，内容包含：情境定义和诉求拆解、智能体架构规划思路、提示词规划方案、测试结果和成效评核、当前存在的局限以及后续迭代方向

其他小组采用统一评分表开展交叉评分，落地时，往细里说，综合点评

二，AI Agent平台选型对比：Coze vs. Workbody vs. Dify

基于前面理论研习和实战，实操中，从实践看，系统梳理当前主流AI Agent平台的核心本领对比：

• Coze（扣子）平台：火山引擎出品，具体来看，以低代码编排和插件化本领见长。最适合需要迅速搭建、迭代频率高的业务情境

• Workbody：公司级AI Agent编排平台，在复杂事务流管控和公司级权限将控方面优势显著，换个角度看，实操中，适合需要和公司现有系统深度集成的情境

• Dify平台：开源AI编排平台，在实际应用里，支持Docker部署和源码配置，兼具灵活性、可定制性和资料主权优

选型决策轮廓：从资料安全要求、开发队伍本领、集成复杂度和预算规模四个维度开展评核，结合本单位的实际情况做出初步判断

三、公司AI学识库沉淀和本领评核制度

1. 各事业部可复用实例的准则化沉淀

明晰实例沉淀的准则化模板：情境痛点描述、Agent架构图、核心提示词清单、成效评核资料、迭代精进记录。所有实例经过质量审核后统一存入公司AI学识库

2. AI本领评核锚点和英才激励制度建设

工作坊产出的实战结晶，将为后续AI英才激励制度（任职资格评定、岗位认证等等）提供要害的本领评核锚点。具体而言：

• 初级认证：完成提示工程基础模块并借助测试；

• 中级认证：独立完成一个业务情境的Agent规划并成功部署；

• 高级认证：主导跨部门、多智能体协同项目的规划和落地

3. 后续行动规划拟定

每组拟定一份“未来30天AI情境落地行动规划”，包含：选定的业务情境，时间节点（诉求确认-原型搭建-测试验证-上线部署），需要的资源支持、预期的成效标的和评核指标

一、核心本领回顾和刻意操练规划

系统回顾全天六大核心本领的掌握要点：大模型本领边界判断本领、情境定位画布运用本领、提示工程进阶规划本领、智能体四阶段事务流规划本领、平台抓手实操本领、成效评核和迭代精进本领

提供一份“30天刻意操练规划”，包含每周的操练主题、推荐的研习资源、可选的操练项目和自我评核准则

二、行动实践指南

1、课后30天行动路线图

第 一周（本领巩固）

第二周（情境选定）

第三周（原型搭建）

第四周（试点验证）

2、队伍协同和持续研习建议

三、推荐研习资源和抓手

四、实地答疑和问题诊断

老师简介

Introduction to lecturers

弄懂更多

博闻智咨询|蔺军老师