课程背景
为何需要这门课？
AI浪潮已经席卷每个业界，但很多公司面临一个共同困境：
•
ChatGPT、Deepseek等等通用AI抓手很好用，但无法破解公司的专有问题
•
市面上充斥着"AI概念课"，具体来看，但讲不清楚"怎么落地"
•
开发队伍想做AI Agent（智能体），就一线经验说，但不知从何下手
•
买了各种AI抓手，却无法打通资料、流程和业务情境
这门课的标的就是：让零基础的业务和技艺人员，系统掌握AI Agent的构筑办法——从领会原理到动手达成，从单个Agent到多Agent协同，就一线经验说，从云端到私有化部署。
【课程特色】
•
零基础友好 — 不讲高深算法，不讲底层数学，锁住"怎么用，怎么搭、怎么落地"
•
实战驱动 — 每模块都有动手环节，往细里说，学完就能在自己的情境中复现
•
三位一体解说 — 每个学识点都讲清楚"为何、为何、怎么做"
•
完整闭环 — 从抓手采用→本领扩展→系统集成→队伍协同→私有化部署，从实践看，一条线走通
课程全景图：七大模块一览
以下是课程的完整内容轮廓，7个模块由浅入深，按照"领会→扩展→集成→协同→部署"的推演递进：
模块
核心主题
一句话说清
你能带走什么
01
Harness
AI Agent运行引擎
智能体"怎么跑起来的"
领会Agent内核制度，能搭出第一个Agent
02
Skills
本领扩展架构
智能体"怎么学会新本领"
能自己开发专属Skill并安全发布
03
MCP协议
抓手和服务集成
智能体"怎么用外部抓手"
能手把手接入第三方服务
04
配置架构
智能体的人格和记忆
智能体"怎么变得更聪明"
让Agent记住你是谁、怎么对话
05
学识库融合
智能体的学识库
智能体"怎么懂你的业务"
将公司学识库变成Agent的"大脑"
06
多Agent协同
队伍分工和协同
多个智能体"怎么一起干活"
搭建多Agent协同流水线
07
私有化部署
Ollama和本地运行
智能体"怎么在自己家跑"
完成私有化部署，换个角度看，资料不出公司
模块一：Harness — AI Agent的运行引擎
这一讲我们先搞明白：AI智能体到底"活"在一个什么样的环境里？
▎为何：
Harness是AI Agent的运行引擎，运行层面，相当于AI的"操作系统"。它负责管控Agent的"思索→决策→行动→观察→再思索"这个循环进程，执行层面，就像人体的大脑中枢——接收信号、调度资源、发出指令。
▎为何要害：
没有Harness，实操中，AI只是一个问答机器人；有了Harness，就一线经验说，AI才能成为一个真正"能动、能查，能干活"的智能体。它决定了你的AI能不能自主完成复杂差事，执行层面，而不是每步都要人教。
▎怎么用：
我们会从零搭建一个完整的Agent运用，亲眼看到它怎样"思索→选抓手→执行差事→反馈结果→继续下一步"。还会学到怎样配置Agent的事务模式（直接执行/先规划再执行/只回答问题），落地时，以及怎样让Agent定时自动执行差事。
▎一讲就能回答的问题：
•
AI智能体和人聊天的流程到底怎么走的？
•
为何有些AI能自己调用抓手，从实践看，实操中，有些只能聊天？
•
怎么让AI每天定时帮我干活？
? 本模块结晶：亲手搭建并运行第一个AI Agent
模块二：Skills — 给AI装备新本领
大模型自带的学识和本领是有限的。就像手机出厂只有基本功能，具体来看，Skill就是给AI"安装App"。
▎为何：
Skills是AI Agent的本领扩展包。倘若说Harness是"操作系统"，落地时，那Skill就是"App Store里的运用"。每一个Skill教会Agent一类特定的本领——比如做业界拆解、查公司工商资讯、生成报表等等等等。
▎为何要害：
通用大模型不懂你的业界。Skill就是用你的专精学识给AI"开小灶"，实操中，往细里说，让它从"什么都会一点"变成"你所在领域的专家"。你的核心竞争力就在这里——别人能用AI，但你的AI由于装了你的Skill，比你竞争对手的AI更懂你的业界。
▎怎么用：
我们会完整走一遍Skill的开发流程：写本领说明书（SKILL.md）→ 上传参考学识 → 安全审查 → 安装调试。最后以"业界AI咨询Skill"为实例，从实践看，就一线经验说，看看真实项目中的Skill是怎么规划和迭代的。
▎一讲就能回答的问题：
•
AI怎么能懂我的业务？和百度搜索有多大区别？
•
开发一个业务Skill需要写代码吗？需要多少事务量？
•
网上别人开发的Skill能随便用吗？安全怎么保证？
? 本模块结晶：开发出第一个属于自己业界的业务Skill
模块三：MCP协议 — 让AI连接世界
AI不能永远活在"真空"里。它需要查资料库、调接口、发邮件，操作文件。MCP就是AI和外部世界交流的"普通话"。
▎为何：
MCP（Model Context Protocol）是AI Agent和外部抓手/服务之间的准则化通信协议。你能够将它领会成AI界的"USB接口"——无论什么装置，只要插上USB就能用。同样，任何抓手（资料库、API、文件系统等等）只要达成了MCP协议，AI就能直接调用。
▎为何要害：
公司的核心资料和本领分散在各种系统中（ERP，CRM、OA、资料库……）。没有MCP之前，从实践看，AI和这些系统之间是"鸡同鸭讲"。有了MCP，AI能够像人一样"操作"这些系统——查资料、发通知，做报表。这才是AI落地的要害一步。
▎怎么用：
我们会学会怎样在mcp.json里配置各种MCP服务，落地时，从市场上找到可用的公共MCP服务并接入，在实际应用里，最终自己动手写一个简单的MCP抓手，从实践看，执行层面，让AI能调用公司内部的API。
▎一讲就能回答的问题：
•
MCP和传统的API调用有什么区别？为何现在大家都在讲MCP？
•
怎么让AI连上我的资料库和内部系统？
•
市面上有哪些现成的MCP服务能够直接用？
? 本模块结晶：完成一个外部MCP服务的集成和调用
模块四：配置架构 — 让AI有性格，在实际应用里，有记忆
你是不是遇到过：AI每次对话都"忘了"上回说了什么？回答问题总是一本正经不像你们公司的风格？这些问题的答案就在"配置"里。
▎为何：
AI Agent的"性格"和"记忆"不是天生的，执行层面，执行层面，在实际应用里，而是借助几个配置文件来定义的。SOUL.md定义它的"灵魂"（说话风格，行为准则、价值观），换个角度看，IDENTITY.md定义它的"身份"（叫什么，为何样貌），USER.md定义它服务的"你"（你的来由，落地时，执行层面，偏好、习惯）。
▎为何要害：
一个没有配置的AI像个陌生人——礼貌但无趣，实操中，通用但不贴心。经过良好配置的AI，往细里说，说话像你的同事（甚至像你）、记得你的偏好、知道你的业务来由。这对买方体验、内部效率的拉升是质的飞跃。
▎怎么用：
我们会研习怎样写SOUL.md（包括"核心要则"和"红线"），怎样构筑USER.md让AI记住你是谁，往细里说，以及怎样管控AI的"事务记忆"（每天的日志，跨会话的长期记忆）。借助对比"没配置的AI vs 配置好的AI"，落地时，往细里说，在实际应用里，换个角度看，运行层面，你会直观感受到差别。
▎一讲就能回答的问题：
•
怎么让AI说话像我们公司的风格？
•
AI能记住之前聊过什么吗？跨了多天呢？
•
这些配置文件复杂吗？日常维护量大不大？
? 本模块结晶：完成一套完整的Agent身份和记忆配置
模块五：学识库融合 — 让AI懂你的业务
通用AI只懂"普适学识"。要让它懂你的货品、你的流程、你的买方，必须将公司学识库"喂"给它。
▎为何：
学识库融合是将公司内部的文档，报表、规范，实例等等结构化/非结构化资料，和AI Agent深度结合的技艺方案。核心是RAG（检索增强生成）——AI不是"死记硬背"你的学识，而是像人一样"先查资料再回答"。
▎为何要害：
公司里大量有价值的学识沉淀在文档里（合同、方案、指引、制度……），员工找资料费时费力，有些学识甚至随着老员工离职而离职。将学识库"接入"AI后，员工问问题AI直接给答案，效率拉升立竿见影。同时这也是学识管控从"存起来"到"用起来"的要害一跃。
▎怎么用：
我们会以IMA学识库为例，演示怎样将文档和网页导入学识库，运行层面，让AI能够搜索和引用，就一线经验说，实操中，并规划一套完整的"AI问答+学识库"系统。还会碰头怎样精进搜索成效——不是搜到就算，往细里说，而是搜得准，排得好、答得对。
▎一讲就能回答的问题：
•
AI回答问题时，从实践看，怎么保证引用的是我们公司的权威资料？
•
学识库要多大？是不是越多越好？
•
已经有的公司学识管控平台（如飞书文档，语雀、SharePoint）能和AI打通吗？
? 本模块结晶：搭建一个带业界学识库的AI问答Agent
模块六：多Agent协同 — 让AI队伍作战
一个Agent本领有限。就像大项目需要队伍协同一样，复杂差事需要多个Agent分工携手。
▎为何：
多Agent协同是指让多个各司其职的AI Agent组成"队伍"，借助消息通信和差事编排来共同完成一个复杂标的。有些Agent负责收集资讯，有些负责拆解，有些负责生成报告，就一线经验说，有些负责审核——就像一支小型特种部队。
▎为何要害：
现实中的公司差事往往是多步骤、跨领域的（比如：写一份投资报告→需要查资料，做拆解，写文案、审合规）。一个Agent做所有事效率低、质量差。分工协同让每个Agent锁住自己的长项，整体成效1+1>2。另外，多Agent架构天然适合"人机协同"——AI做大部分，人做要害决策。
▎怎么用：
我们会研习Team Mode的搭建办法：创建队伍，分配定位、设置通信规则。用一个实际实例（比如"生成一份业界研究报告"）演示3-4个Agent怎样协同事务——搜索Agent查资料→拆解Agent做洞察→写作Agent拟初稿→审核Agent做质检。
▎一讲就能回答的问题：
•
多个AI一起干活，往细里说，落地时，会不会互相干扰、乱成一团？
•
多Agent适合什么样的业务情境？
•
怎么确保最终输出质量？谁来"当组长"？
? 本模块结晶：搭建一个3-4个Agent协同完成差事的事务流
模块七：私有化部署 — 将AI锁在保险箱里
很多公司对资料安全有硬性要求：AI必须"在自己的服务器上跑"，资料"不出公司"。这一讲就是破解这个问题的。
▎为何：
私有化部署是指将AI Agent的运行环境全部搭建在公司内部服务器上，所有资料和推理都在本地完成，不倚重外部API。Ollama是当前最 流 行的本地模型运行轮廓之一，能够让你像装软件一样装大模型。
▎为何要害：
资料安全是公司的生命线。金融、医疗、政府、涉密业界等等对资料出境有严格管控。另外，换个角度看，长期看API调用成本累积巨大，就一线经验说，私有化部署能够显著降低成本。还有一个容易被忽略的点——私有化部署不倚重外网，实操中，从实践看，断网也能用。
▎怎么用：
我们会从Ollama安装开始，执行层面，执行层面，下载并运行开源大模型，往细里说，然后配置WorkBuddy对接本地Ollama服务。还会碰头模型的选项打法（不同参数量对应不同情境），从实践看，运行层面，量化压缩（让模型跑得更快）以及安全配置（访问将控，就一线经验说，往细里说，执行层面，日志审计）。
▎一讲就能回答的问题：
•
私有化部署的AI和用ChatGPT有什么本质区别？
•
Ollama是免费的还是要花钱的？模型从哪里来？
•
本地跑AI需要什么配置的服务器？普通电脑行不行？
? 本模块结晶：完成WorkBuddy + Ollama私有化部署
研习路径图
课程按照"三步走"规划，每一阶段都有明晰的标的和交付：
第一阶段：领会和上手
模块一 ~ 模块二 | 标的是：让你从"不知道AI Agent为何"到"能自己搭一个"
•
领会AI Agent的事务制度（Harness）
•
掌握给AI扩展本领的办法（Skills）
? 交付：一个能回答你业界问题的AI Agent雏形
第二阶段：连接和增强
模块三 ~ 模块五 | 标的是：让你的AI能"调用外部抓手、连接公司学识库"
•
让AI能调用外部API和资料源（MCP）
•
让AI记住你是谁、怎么说人话（配置架构）
•
将公司学识库变成AI的"第二大脑"（学识库融合）
? 交付：能连接公司资料、回答业务问题的增强型Agent
第三阶段：协同和部署
模块六 ~ 模块七 | 标的是：让多个AI分工协同，并达成公司内部安全部署
•
搭建AI队伍，分工完成复杂差事（多Agent协同）
•
在本地服务器上跑AI，资料不出公司（私有化部署）
? 交付：可在公司内部安全运行的多Agent协同系统
授课方式和时间安排
我们提供两种上课方式，根据你的实际情况选项：
方式：2天集中特训（推荐）
适合：公司内训、队伍集中研习。成效最好，交流最强。
时间
课程大纲
Day1·上午
3课时
? Harness引擎 + Skills扩展（动手：第一个Agent）
Day1·下午
4课时
? Skills实战 + MCP集成（动手：接入外部服务）
Day2·上午
3课时
? 配置架构 + 学识库融合（动手：搭建学识问答）
Day2·下午
4课时
? 多Agent协同 + 私有化部署（动手：队伍协同+本地运行）
理论实践，二八要则
老师简介
Introduction to lecturers
弄懂更多
博闻智咨询|黄洁老师
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。