ai-courseware/课件资料/0.大纲.md

总大纲：AI应用工业化（智能体与流水线实战）

【Part 0：概念澄清】（8分钟）

核心问题： 什么是智能体？ 什么是工作流？ 为什么需要AI工业化？

🔄 技术演进的三个时代

手工时代（就像手工艺品）

• 每次都要重新写Prompt
• 结果靠运气，质量不稳定
• 一个人能做，但没法复制

例：7位定时任务表达式生成

智能体时代（像有了机器人助手）

• 能记住对话，会调用工具
• 但每个助手都要单独训练
• 还是作坊式生产，效率有限

例：查询天气

工业化时代（像现代工厂）

• 标准化流程，流水线作业
• 质量可控，批量生产
• 普通人也能操作，快速复制

例：直连天下AI助手

💡 为什么要工业化？

从Demo到生产，差的不只是代码

• Demo：跑通就行，出问题人工重启
• 生产：7×24小时，不能掉链子
• Demo：一个人搞定，懂技术就行
• 生产：团队协作，业务技术都要懂

工业化解决的核心问题

✅ 标准化：不是每个项目都从零开始 ✅ 可维护：出了问题能快速定位 ✅ 可扩展：业务增长不用推倒重来 ✅ 可复制：成功经验能快速推广

🚀 一句话总结

"从Demo到生产，从能用到好用，工业化是必经之路"

---

【第一部分：需求识别篇】到底什么样的需求适合用AI？

🎯 AI最擅长的三件事

场景类型	业务特征	典型案例
重复性工作	每天都要做，流程相对固定	订单异常排查、客服问答
经验判断	靠人的经验，但有一定规律	商品好不好卖、订单有没有风险
信息整理	需要从大量文本中提取关键信息	政策解读、文档问答

❌ 这些情况，别用AI

场景特征	原因	替代方案
规则很清楚	用代码更简单、更便宜	直接写程序
要求100%准确	AI做不到完美	规则引擎
一次性的活	开发成本太高	人工处理

🔍 三招判断你的场景

第一招：频次测试

• 这个问题每天出现吗？✅
• 这个问题偶尔才遇到？❌

第二招：复杂度测试

• 需要看多个因素才能判断？✅
• 只要看一个指标就知道答案？❌

第三招：容错测试

• 偶尔判断错误可以接受？✅
• 绝对不能出错？❌

💡 我们的三个场景，怎么判断的？

订单诊断：适合

• 订单中断时，对研发同学打断较为频繁 ✅
• 要看订单金额、流水信息等 ✅
• 偶尔误判可以接受 ✅

商品分析：适合

• 从下游商品追踪到上游商品需要 2-3 步 ✅
• 商品名称模糊时需要更多步 ✅
• 分析错了影响不大 ✅

文库问答：适合

• 人事/研发同学天天被问相同问题 ✅
• 要从大量文档中找答案 ✅
• 回答错了可以纠正 ✅

---

【第二部分：选择篇】到底该用啥？

核心问题：技术选型四维度，怎么选？

🎯 维度1：部署方式（供应商 vs 私有化）

供应商服务：三种玩法

调用方式	技术门槛	开发周期	成本	数据安全
直接调API	中等	3-5天	按调用付费	数据在供应商
调用智能体	低	2-3天	按调用付费	数据在供应商
调用工作流	最低	1-2天	按调用付费	数据在供应商

供应商优势：

• ✅ 无需买机器，零硬件投入
• ✅ 模型能力强，永远用最新版
• ✅ 运维简单，出问题有人管

私有化部署：两种方案

部署方式	硬件投入	模型能力	运维成本	数据安全
买云主机	每月几千到几万	比供应商弱	需要专人	完全可控
买本地机器	一次性几万到几十万	比供应商弱	需要专人	完全可控

私有化成本细算（14B）：

• 云主机：8核32G，16G显存 ≈ 4500/月
• 本地机器：8核32G（1万），16G显存（5000）主机 ≈ 1.5-2万/台 + 运维

数据安全对比

安全维度	供应商服务	私有化部署
数据出境	❌ 可能出境	✅ 完全境内
数据留存	❌ 供应商留存	✅ 自己掌控
审计合规	❌ 黑盒操作	✅ 完全透明
安全认证	✅ 有专业认证	❌ 需要自己搞

💻 维度2：语言选择（Python vs Go）

对比维度	Python	Go	建议
学习成本	生态成熟，资料多	当前团队主要语言	✅ Go
性能表现	解释型，相对慢	编译型，速度快	✅ Go
部署运维	环境复杂	单文件部署	✅ Go
AI生态	最丰富	快速发展中	Python

结论：Go团队无脑选Go，生态已够用，优势明显

🔧 维度3：框架选择

框架生态	代表框架	成熟度	学习成本	适用场景
Python生态	LangChain + LangGraph	⭐⭐⭐⭐⭐	中等	快速原型、功能最全
Go生态	LangChainGo、Eino	⭐⭐⭐	低	生产环境、性能要求高
可视化	Coze、Dify	⭐⭐⭐⭐	最低	业务人员、快速上线

Go生态推荐：

• LangChainGo：最成熟，社区活跃
• Eino：字节跳动开源，企业级
• Coze-loop：可视化+代码结合

🚀 维度4：落地策略

落地方式	开发周期	总成本	适用场景	推荐程度
供应商API	3-5天	最低	快速验证	⭐⭐⭐⭐⭐
Coze本地化	3-5天	低	标准化需求	⭐⭐⭐⭐⭐
私有化部署	2-4周	高	数据敏感	⭐⭐⭐

风险评估

技术风险评估

模型稳定性风险 集成复杂度风险 维护成本风险

产品风险评估

效果预期风险 流程变更风险 合规性风险

财务风险评估

成本控制风险

🎲 智能体 vs 工作流，怎么选？

场景特征	用智能体	用工作流
规则经常变	✅ 灵活调整	❌ 需要改代码
需要解释原因	✅ 能说清楚	❌ 黑盒操作
成本敏感	❌ 贵	✅ 便宜
准确要求高	❌ 可能错	✅ 稳定

🎯 团队选型建议

决策流程：先选部署方式，再选技术栈

Step 1：要不要私有化？

数据敏感？ → 是 → 私有化（预算充足）
  ↓ 否
调用量大？ → 是 → 私有化（长期省钱）
  ↓ 否
快速验证？ → 是 → 供应商服务

Step 2：供应商服务怎么选？

业务标准化？ → 是 → Coze可视化（1-2天）
  ↓ 否
技术能力强？ → 是 → 直接调API（3-5天）
  ↓ 否
调工作流（2-3天）

推荐方案

方案A：快速验证（推荐度：⭐⭐⭐⭐⭐）

• 组合：供应商API + Go + Eino
• 周期：3-5天
• 成本：几千元/月
• 场景：80%的企业够用

方案B：标准化需求（推荐度：⭐⭐⭐⭐⭐）

• 组合：Coze可视化 + 本地化导出
• 周期：1-2天
• 成本：几千元/月
• 场景：业务人员能维护

方案C：数据敏感（推荐度：⭐⭐⭐）

• 组合：私有化部署 + Go + Eino
• 周期：2-4周
• 成本：10万+/年
• 场景：金融、医疗等强监管行业

避坑指南

❌ 这些坑别踩：

• 一上来就买机器，结果用不起来
• 担心数据安全，但根本没那么多敏感数据
• 追求100%自研，错过业务窗口期

✅ 正确姿势：

• 先用供应商服务跑通业务
• 真有需求再考虑私有化
• 监控数据先做好，方便后续决策

---

【第三部分：实战篇】实战演示篇

Python LangChain生态展示

• 现场演示：chain和graph的实际代码
• 重点展示：langsmith监控界面
• 成果对比：用监控前后的问题排查效率

Eino Go生态展示

• 现场演示：graph和Workflow代码
• 重点展示：coze-loop监控面板
• 性能对比：Go vs Python的执行效率

方案3：文库智能问答

• 现场操作：vue3-frontend界面
• 用户体验：从用户角度看AI应用
• 交互亮点：实时反馈、流式输出等

---

【第四部分：行动篇】听完就能动手

立即行动清单

1. 选一个场景：自身主要负责的业务场景
2. 填一张表：用选择表确定技术方案
3. 套一个模板：直接用我们提供的代码模板
4. 算一笔账：评估投入产出

成功标准

• 1周内：完成技术选型
• 1个月：上线第一个版本
• 3个月：看到明显效果

---

【总结】一句话记住

"技术不是越先进越好，而是越适合越有价值"

选择 > 实现，适合 > 先进 听完就能选，看完就能用！

【第五部分：相关资源】

langchain：https://docs.langchain.com/oss/python/langchain/overview 扣子：https://www.coze.cn/opensource 本地部署：https://github.com/coze-dev/coze-studio 扣子罗盘：https://github.com/coze-dev/coze-loop Eino框架：https://github.com/cloudwego/eino