diff --git a/.claude/design-tokens.md b/.claude/design-tokens.md index db94df0..553090b 100644 --- a/.claude/design-tokens.md +++ b/.claude/design-tokens.md @@ -180,9 +180,10 @@ Ant Design v5 四级圆角体系： ## 8. 主题 -全部页面（索引页 + 报告页）统一使用**亮色主题**。 +- **索引页（`index.html`）**：支持亮色/暗色双主题，通过 `data-theme` 属性 + localStorage 键 `wiki-theme` 持久化，同时跟随 `prefers-color-scheme: dark` 系统偏好 +- **报告页（`{主题}/报告/*.html`）**：统一使用**亮色主题**，不定义暗色 CSS 变量 -主题切换通过 CSS 自定义属性实现，所有颜色 Token 同时定义亮色和暗色两套值。 +亮色/暗色两套颜色 Token 值在 §1 中已定义，索引页 `:root` 和 `[data-theme="dark"]` 选择器分别引用。 --- diff --git a/CLAUDE.md b/CLAUDE.md index d61a6cf..a439c21 100644 --- a/CLAUDE.md +++ b/CLAUDE.md @@ -10,79 +10,113 @@ This file provides guidance to Claude Code (claude.ai/code) when working with co ## 版本控制 -根目录 `projects/` **不是 git 仓库**。`招标投标AI推广应用政策解读/` 子目录有独立的 `.git/`。部署通过 `/remote-sync`（rsync）完成，不走 git push 流程。 +`招标投标AI推广应用政策解读/` 子目录有独立的 `.git/`。部署通过 `/remote-sync`（rsync）完成，不走 git push 流程。 -## 目录结构 +`.gitignore` 排除了 `.superpowers/`、`qModel/.git/` 以及嵌套子目录的独立 `.git/`。 -``` -projects/ -├── index.html # 知识库导航页（卡片式 SPA） -├── crmeb-mer-graph-report.html # CRMEB-MER 项目图谱报告（根级） -├── .claude/ -│ ├── design-tokens.md # UI 设计规范（Ant Design 阿里云风格） -│ └── skills/ # 项目级技能 -│ ├── remote-sync/ # 远端部署同步 -│ └── deep-research/ # 深度研究报告生成 -├── .superpowers/ # Superpowers 技能框架 -├── Claude Code 工程师使用指南/报告/ # Claude Code 最佳实践文档 -├── Graphify 深度分析报告/代码/ # Graphify 项目代码分析 -├── MySQL转PostgreSQL迁移工具/报告/ # 数据库迁移工具对比 -├── 代码图谱工具调研/报告/ # 代码结构工具对比调研 -├── mcp-services-guide/ # MCP 服务大全参考文档 -├── 分销商城推广模式调研/报告/ # 分销推广模式调研 -├── 国内商业业态分类到家/报告/ # 到家业态分类调研 -├── 在线下单配送抢单小程序调研/报告/ # 配送抢单小程序调研 -├── 招标投标AI推广应用政策解读/报告/ # 招标投标AI政策与省级智慧监管平台解读（独立 git 子仓库） -├── 沈阳顺义-数据-项目建设方案/ # 沈阳顺义数据项目建设方案（纯文本需求文档） -├── 交互式演示/ # 交互式 HTML 演示（如 3D 动画） -├── 全域智能认证与门户平台/报告/ # 全域智能认证平台需求分析 -└── 金鹿商城电商小程序需求分析/报告/ # 金鹿商城电商小程序需求分析文档 -``` +## 目录约定 每个子目录遵循 `{主题}/{类型}/` 的层级结构，类型包括 `报告/`、`代码/`、`笔记/` 等。新增主题目录时保持此约定。 +**例外情况**： +- `crmeb-mer-graph-report.html` — 位于根目录的单文件报告，不走子目录结构 +- `mcp-services-guide/` — 有独立的 `index.html`，自成一体的子站，不遵循 `报告/` 子目录模式 +- `交互式演示/` — 存放交互式前端 demo（如正四面体 3D 动画），非报告页 +- `中医馆内部管理系统/报告/` 下有 `.md` 需求文档，是唯一在 `报告/` 目录下出现非 HTML 文件的情况（其他 `.md` 文件如 `研发型企业AI转型方案/section-*.md`、`政府审批流解决方案/*.md`、`YqBoot系统说明书/*.md` 位于主题根目录，属规划/源文件，不走报告页模板） +- `研发型企业AI转型方案/` — `.md` 分段规划文件 + `.pptx`/`.xlsx` 源材料位于主题根目录，HTML 报告在 `报告/` 子目录 +- `政府审批流解决方案/` — `.md` 与 `.html` 并存于主题根目录（非 `报告/` 下） +- `YqBoot系统说明书/` — `.md` 与 `.html` 并存于主题根目录，另有 `screenshots/` 子目录 + ## 构建与开发 本项目是**纯静态 HTML/CSS/JS 文档站**，无构建步骤、无依赖管理、无测试框架。 - **查看页面**：直接在浏览器中打开 `index.html` 或任意 HTML 文件 -- **新增文档**：创建 HTML 文件 → 更新 `index.html` 的 `entries` 数组 → 如需新分组则同步更新 `groups` 和 `badgeLabels` -- **部署到远端**：调用 `/remote-sync` 将指定目录增量同步到服务器 `39.100.114.100:/data` +- **新增文档**：创建 HTML 文件 → 更新 `index.html` 的 `wikiData` 数组（见下文） +- **部署到远端**：调用 `/remote-sync` 将指定目录增量同步到服务器 - **更新图谱**：修改代码后运行 `graphify-rs build --path . --output graphify-out --no-llm --update` -## 索引页 +## 索引页（index.html） -`index.html` 是纯 HTML/CSS/JS 单文件页面，无构建步骤，直接在浏览器打开即可访问。 +`index.html` 是纯 HTML/CSS/JS 单文件 SPA，包含侧栏导航、搜索、暗色模式切换、移动端抽屉菜单。 -- 文档条目通过 `entries` 数组管理（约 `index.html:234` 附近，因修改可能偏移） -- 新增文档时需同步向 `entries` 数组添加条目，格式：`["相对路径", "标题", "描述", "日期", "颜色"]` -- 颜色可选：`blue`（工程指南）、`pink`（深度分析）、`mint`（调研研究）、`lavender`（参考资源） -- 分组在 `groups` 数组定义（约 `index.html:307` 附近），通过 `filter` 函数按颜色匹配 -- badge 标签在 `badgeLabels` 对象定义（约 `index.html:314` 附近），新增颜色需同步更新此处 -- 页面包含筛选栏（filter-bar）、卡片网格展示、响应式布局（≤768px 隐藏侧栏） +### wikiData 数据结构 + +文档条目通过 `wikiData` 数组管理（在 ` + + + \ No newline at end of file diff --git a/研发型企业AI转型方案/报告/ai-dev-workflow.html b/研发型企业AI转型方案/报告/ai-dev-workflow.html new file mode 100644 index 0000000..415a9d5 --- /dev/null +++ b/研发型企业AI转型方案/报告/ai-dev-workflow.html @@ -0,0 +1,1564 @@ + + + + + + 研发型企业 AI 开发流程 — Claude Code 主力 + 多模型协同工作流 + + + + +
+ +
+ + ← 返回知识库 +

AI 驱动开发流程：Claude Code 主力 + 多模型协同

+ V1.0 · 2026-05-30 +
+ + + +
+ + +
+

〇、核心理念：多模型协同架构

+ +

传统 AI 辅助开发是"单模型 + 聊天框"模式：开发者在 ChatGPT/Claude 网页中输入问题，复制粘贴代码，手动拼接。这种方式上下文断裂、缺乏流程管控、无法沉淀知识。本方案提出"Claude Code 主力 Agent + 多模型分级调度 + 企业知识库 + 个人记忆"的四层协同架构，让 AI 真正嵌入开发流程的每个环节。

+ +
+
+
🧠 Claude Code主力 Agent · 流程编排 · 代码生成
+
+
+ ↕ +
+
+
🤖 DeepSeek深度推理 · 长上下文分析
+
☁️ 通义千问长文档解读 · 私有化部署
+
🔍 open-code-review自动化代码审查
+
+
+ ↕ +
+
+
📚 企业知识库架构规范 · 历史方案 · API文档
+
🧩 个人记忆系统经验片段 · 踩坑记录 · 提示词资产
+
+
+ +
+

🎯 设计原则

+

主力不换、专事专办、知识不丢。Claude Code 作为"主驾驶"负责全流程编排和最终代码输出；DeepSeek/Qwen 在特定环节作为"专家顾问"介入；open-code-review 作为"质量门禁"自动把关；企业知识库和个人记忆确保每次对话都站在历史积累之上，而不是从零开始。

+
+
+ + +
+

一、工具链全景：模型与工具的定位分工

+ +

四类智能体的角色边界必须清晰。混用会导致"谁都干、谁都干不好"的局面。以下按照职责 → 适用场景 → 调用时机三个维度精确分工。

+ +

1.1 Claude Code —— 主力 Agent（全流程驾驶员）

+ +
+ + + + + + +
维度说明
核心职责流程编排、需求理解、代码生成、重构、测试编写、文档生成 —— 即完整软件工程生命周期的端到端执行
关键能力① 200K 上下文窗口，可一次性加载整个项目的 CLAUDE.md + 设计规范 + 相关源码 ② 工具调用（读文件、写文件、执行命令、Git 操作）实现闭环执行，不只是"建议"而是"直接做" ③ Agent 模式可启动子 Agent 并行处理独立子任务 ④ 支持 Plan Mode 先规划再执行
调用时机全程在线。从需求分析到代码提交，Claude Code 始终作为主控台。仅在特定子任务时调度其他模型
配置要点项目根目录维护 CLAUDE.md（项目规约）+ .claude/design-tokens.md（设计规范）+ .claude/settings.json（权限与 Hook），确保每个新会话自动加载完整上下文
+
+ +

1.2 DeepSeek —— 深度推理专家

+ +
+ + + + + + +
维度说明
核心职责复杂逻辑推理、算法设计验证、长文本代码 diff 分析、架构决策的"第二意见"
关键能力① 推理链（Chain-of-Thought）深度出色，适合多步骤逻辑推导（如复杂业务规则校验、状态机设计） ② 完全免费/极低成本，适合大规模批量调用 ③ 开源模型可私有化部署，数据不出企业内网
调用时机① 复杂算法设计时，将问题描述同时发送给 Claude Code 和 DeepSeek，对比方案后择优 ② 大批量代码审查场景（如全量遗留代码分析），利用 DeepSeek 低成本优势做第一轮粗筛 ③ 需要私有化部署的场景（涉密项目），以 DeepSeek 本地部署替代云端模型
集成方式通过 DeepSeek API（api.deepseek.com）或本地 Ollama/vLLM 部署。Claude Code 通过 Bash 工具调用 curl 或 Python 脚本访问
+
+ +

1.3 通义千问（Qwen）—— 长文档与中文场景专家

+ +
+ + + + + + +
维度说明
核心职责超长文档（百万 Token 级）分析、中文技术文档撰写、企业知识库问答、私有化部署的备用主力
关键能力① 百万级上下文窗口（Qwen3-235B），适合一次性加载完整需求规格说明书 + 全部接口文档 + 历史方案 ② 中文理解和生成质量在国产模型中领先，适合面向客户/监管的中文文档 ③ 阿里云百炼平台提供企业级 API 和私有化部署方案
调用时机① 招标文件/需求规格书解读（200+ 页），Qwen 一次性全文加载并提取关键需求项 ② 生成面向客户的中文技术方案、验收文档 ③ 作为企业知识库的 RAG 底座模型（Qwen + 向量数据库），回答"历史类似项目怎么做的"
集成方式通过阿里云百炼 API 或本地 vLLM 部署。知识库场景推荐使用阿里云百炼内置的 RAG 能力或 LangChain-ChatGLM + Qwen 私部署方案
+
+ +

1.4 alibaba-group/open-code-review —— 自动化代码质量门禁

+ +
+ + + + + + +
维度说明
核心职责基于阿里巴巴 Java/前端开发规约的自动化静态代码审查，作为 CI/CD 流水线的质量门禁
关键能力① 内置阿里 P3C 规约（《阿里巴巴 Java 开发手册》）的全部检查规则 ② 支持 Java、JavaScript/TypeScript、Vue 等多语言 ③ GitHub Actions / GitLab CI 原生集成，PR 提交自动触发审查 ④ 可自定义规则扩展
调用时机每次 Pull Request 提交自动触发。作为 CI 流水线的第一道门禁：open-code-review 通过 → Claude Code 深度审查 → 人工 Review。三层递进式质量管控
集成方式GitHub Actions 配置：alibaba-group/open-code-review@v1，配合 .code.yml 自定义规则。审查结果以 PR Comment 形式呈现，阻断不合规代码合并
+
+ +

1.5 模型调度决策矩阵

+ +
+
表：什么场景用哪个模型 —— 一表决策
+ + + + + + + + + + +
场景主力模型辅助模型原因
日常编码（CRUD/业务逻辑）Claude Code—Claude 代码生成质量最高，直接产出可用代码
复杂算法设计Claude CodeDeepSeek双模型并行推理，取最优方案
遗留系统大规模代码分析DeepSeekClaude CodeDeepSeek 零成本批量分析，Claude 精读关键路径
200+ 页招标文件解读QwenClaude CodeQwen 百万 Token 一次性全量加载，Claude 做结构化提取
中文技术方案/验收文档QwenClaude CodeQwen 中文表达更自然，Claude 做技术内容核验
代码规范检查open-code-reviewClaude Code规则引擎秒级扫描，Claude 做语义级深度审查
架构设计评审Claude CodeDeepSeekClaude 主导设计，DeepSeek 做"反方辩手"挑刺
知识库问答Qwen向量数据库Qwen + RAG 是本场景的最优组合
+
+
+ + +
+

二、项目类型分流：新项目 vs 老项目维护

+ +

这是所有后续流程的前置判断。新项目（Greenfield）和老项目维护（Brownfield）的 AI 工作流完全不同——用错了模式，轻则效率减半，重则引入破坏性变更。本节定义了分流规则、脚手架体系、以及两类项目在工具/模型使用上的根本差异。

+ +

2.1 判断标准与分流决策

+ +
+
表：新项目 vs 老项目维护的判断矩阵
+ + + + + + + + +
判断维度🆕 新项目（Greenfield）🔧 老项目维护（Brownfield）
典型场景全新客户项目启动、新产品线研发、独立功能模块从零搭建、POC 原型验证现有系统 Bug 修复、功能增强、技术栈升级、性能优化、遗留系统改造
代码基数零或极少（仅脚手架模板）已有 1 万 ~ 100 万+ 行代码
核心挑战快速搭建合规架构、避免"过度设计"和"设计不足"的两极摇摆理解现有代码的隐式约定、"不敢改"的心理障碍、修改影响面不可控
AI 生成代码占比70-90%15-40%（修改点周围的局部生成）
主要风险AI 生成的代码不符合团队规范、架构不一致AI 不理解历史上下文、引入回归 Bug、破坏隐式依赖
CLAUDE.md 依赖度极高（规范文件 = AI 的"唯一真相源"）高（但需补充遗留系统的非标准约定）
+
+ +
+
图：项目类型分流决策树
+
+
📋 收到开发任务
+
+
+ ↓ 第一问 +
+
+
是否需要新建 Git 仓库？
+
+
+ ↙ YES ↙                                ↘ NO ↘ +
+
+
🆕 新项目流程脚手架生成 → Plan → 编码 → 审查
+
🔧 老项目维护流程代码理解 → 影响分析 → 增量修改 → 回归验证
+
+
+ +

2.2 开发脚手架体系（新项目专用）

+ +

新项目的起点不是空白目录，而是预置了团队全部约定的开发脚手架。脚手架 = 项目模板 + 代码生成器 + 内置规范。Claude Code 在脚手架基础上生成代码，能天然保证架构一致性。

+ +
+
表：脚手架应包含的四个层次
+ + + + + + + + + + + + + + + + + + + + + + + + + + +
层次内容具体包含物AI 如何使用
L1: 项目骨架目录结构 + 构建配置 + 基础依赖Maven/Gradle 配置、Dockerfile、CI 流水线模板、Helm Chart、日志配置、application.yml 多环境骨架Claude Code 在生成代码前先 Read 脚手架文件，确保新代码的包结构、依赖版本、配置命名与脚手架一致
L2: 架构基类通用基类 + 切面 + 拦截器BaseController / BaseService / BaseEntity、全局异常处理器、统一返回体 Result<T>、分页基类、审计字段自动填充Claude Code 生成的 Controller/Service/Entity 必须继承对应基类，不自行发明新的返回格式或异常处理模式
L3: 代码规范CLAUDE.md + 设计 Token + 编码规约命名约定、包结构约定、注释模板、API 设计规范、数据库命名规范、Git Commit 规范Claude Code 自动加载 CLAUDE.md，每次生成代码前将其作为系统提示。open-code-review 在 CI 阶段二次校验
L4: 示例模块一个完整的 CRUD 示例（"样板间"）一个完整的用户管理模块（Entity → Mapper → Service → Controller → Test → 前端页面），作为所有新模块的参考实现Claude Code 生成新模块时，开发者可以说"参照 UserModule 的模式实现 XxxModule"，AI 自动对齐风格
+
+ +
+

📐 脚手架的实际形态

+

脚手架可以是一个 Git 仓库模板（团队维护一个 spring-boot-scaffold 仓库），也可以是 Maven Archetype / Yeoman Generator / 自定义 CLI。关键不是形式，是每次新项目都从脚手架起，不允许从空白目录开始。

+

对于 Claude Code 而言，脚手架的价值在于：① 所有基类和规范文件在项目启动时就已经存在，AI 可以立即 Read 并遵循 ② 示例模块提供了"正确答案"的参考 ③ CI 配置就绪，第一行代码提交就能跑通完整流水线。

+
+ +

2.3 两类项目的工具/模型使用差异

+ +
+
表：新项目 vs 老项目的工具分配策略
+ + + + + + + + + + + + + + + + + + + + + + +
环节🆕 新项目策略🔧 老项目维护策略
主力 AgentClaude Code 全程主导：从脚手架起生成全部代码。几乎不需要切换模型Claude Code 局部介入：先理解现有代码，再做增量修改。需要频繁在 Claude Code 和人工分析之间切换
DeepSeek 角色"反方辩手"：并行评审 Claude Code 生成的架构方案（角色与 1.2 节一致）"代码考古学家"：利用零成本优势，批量分析整个遗留代码库的模块依赖、循环引用、死代码，输出重构优先级清单
Qwen 角色长文档分析 + 知识库 RAG 检索历史同类项目方案（角色与 1.3 节一致）"遗留系统解读器"：利用百万 Token 上下文窗口，一次性加载整个模块的源码 + 注释 + 提交历史，输出模块职责描述和隐式约定清单
open-code-review从第一次提交即启用，确保新代码 100% 合规增量模式：只检查本次修改的文件（通过 filter=changed），避免对遗留代码的"历史债务"产生噪音告警
+
+ +
+

⚠️ 老项目维护的"三大铁律"

+

铁律 1：先读后改。在让 Claude Code 修改任何代码之前，必须先让它 Read 目标文件 + 所有调用方/被调用方文件。禁止在未建立上下文的情况下直接生成修改。推荐做法：让 Claude Code 先输出一份"修改影响分析报告"，确认后再动手。

+

铁律 2：测试先行。修改老代码前，先让 Claude Code 为修改目标区域生成（或补充）单元测试。确保改动前后的行为差异能被自动检测。这是防止回归 Bug 的最后防线。

+

铁律 3：小步提交。老项目的一次修改不超过 5 个文件、不超过 200 行 diff。超过这个规模，拆成多个小 PR、依次合并。大爆炸式修改在老项目中几乎一定会引入 Bug。

+
+
+ + +
+

三、企业知识库架构：RAG + 记忆双轨制

+ +

AI 辅助开发的最大瓶颈不是模型能力，而是模型不了解你的项目。每次对话从零开始——不知道你的架构规范、不记得上次怎么解决的、不理解公司特有的业务规则。企业知识库和个人记忆系统就是解决这个问题的双轨方案。

+ +

2.1 知识库分层架构

+ +
+
+
🔍 检索增强生成（RAG）查询 → 向量检索 → 重排序 → 注入 Prompt
+
+
+ ↓ 索引 +
+
+
📋 L1: 项目规约CLAUDE.md · 编码规范 · 设计 Token
+
📦 L2: 架构资产架构图 · 接口文档 · 数据模型
+
📝 L3: 历史方案历史售前方案 · FS 文档 · 技术决策记录
+
🔧 L4: 踩坑经验Bug 修复记录 · 性能优化案例 · 兼容性问题
+
+
+ +
+
表：知识库四层内容与更新机制
+ + + + + + +
层级内容格式更新频率负责人
L1 项目规约CLAUDE.md、编码规范、设计 Token、命名约定、Git 工作流Markdown / YAML架构变更时技术负责人
L2 架构资产系统架构图、模块依赖关系、接口协议定义（OpenAPI/Protobuf）、数据库 ER 图、领域模型结构化文档 + 代码注解每个迭代架构师 + 开发 Lead
L3 历史方案历史项目的售前方案、FS 文档、ADR（架构决策记录）、技术选型论证、客户特定需求模式PDF / Markdown / 向量化文本项目结项时PM + 应用顾问
L4 踩坑经验Bug 根因分析、性能优化案例、兼容性问题及解决方案、部署踩坑记录、第三方库版本兼容性Markdown（结构化标签）持续积累全员
+
+ +

2.2 RAG 技术方案选型

+ +
+
表：企业知识库 RAG 方案对比
+ + + + + + +
方案适用规模优势劣势推荐场景
阿里云百炼 + Qwen中大型企业开箱即用、免运维、企业级 SLA、与阿里云生态集成有月度费用、数据在云端已有阿里云账号体系的企业
Dify + DeepSeek/Qwen中小团队开源、可视化编排、支持多种向量数据库、权限管理需自行部署维护需要私有化部署且无专业 ML 团队
LangChain + Chroma + Qwen技术团队自建完全可控、可深度定制 Pipeline开发工作量大、需 ML 能力有 ML 工程师的团队
Claude Code 项目文件（CLAUDE.md）所有项目零成本、随 Git 版本控制、Claude 自动加载容量有限、仅当前项目每个项目的基础配置
+
+ +
+

💡 推荐起步方案

+

第一阶段（0-2 周）：完善每个项目的 CLAUDE.md + .claude/design-tokens.md，确保 Claude Code 启动即加载项目上下文。

+

第二阶段（2-6 周）：搭建 Dify + Qwen 知识库，导入 L1-L3 层内容。为售前团队提供"历史方案检索"能力。

+

第三阶段（6-12 周）：建立 L4 踩坑经验持续积累机制，开发团队每个 Bug 修复后自动生成结构化经验条目并入库。

+
+ +

2.3 个人记忆系统

+ +

企业知识库解决"团队共知"，个人记忆解决"个人经验"。Claude Code 内置的 Memory 系统（~/.claude/projects/）可按项目维度持久化个人偏好和踩坑经验。详见第六章。

+
+ + +
+

四、开发流程一：需求分析与方案设计

+ +

从原始需求到可执行的技术方案，传统流程需要 1-3 周。AI 增强流程可将周期压缩 50-70%，且方案质量更稳定（不会遗漏关键维度）。

+ +

3.1 流程总览

+ +
+
+
1
+

需求文档加载与分析

+

将招标文件/需求规格书/客户访谈记录导入。200 页以上文档由 Qwen 首次全量加载并提取结构化需求清单。

+ Qwen 长文档Claude Code +
+
+
2
+

需求结构化拆解

+

Claude Code 将 Qwen 的提取结果转化为功能需求矩阵 + 非功能需求清单 + 约束条件清单。与历史项目需求做相似度匹配。

+ Claude Code知识库 RAG +
+
+
3
+

技术方案设计

+

基于需求矩阵，Claude Code 生成 2-3 个技术方案选项，含架构图（Mermaid）、技术选型理由、成本估算。DeepSeek 并行评审每个方案。

+ Claude CodeDeepSeek 评审 +
+
+
4
+

方案评审与定稿

+

技术 Lead 对比 Claude 和 DeepSeek 的意见，做最终决策。Claude Code 根据决策生成正式方案文档（含架构图、接口定义、里程碑计划）。

+ Claude Code人工决策 +
+
+ +

3.2 详细操作步骤

+ +

Step 1: 需求文档加载与分析

+ +
+ + + + + + +
子步骤操作工具预计耗时
1.1将需求文档（PDF/Word/Markdown）放入项目 docs/requirements/ 目录文件系统2 分钟
1.2若文档超过 50 页，调用 Qwen API（百万 Token 上下文）做全文结构提取：功能需求、非功能需求、约束条件、验收标准Qwen API3-5 分钟
1.3Claude Code 读取 Qwen 提取结果 + 原始文档关键章节（通过 Read 工具），对话式澄清模糊需求Claude Code15-30 分钟
1.4输出：结构化需求清单（Markdown 表格），含需求编号、描述、优先级、关联依赖、验收标准Claude Code Write5 分钟
+
+ +
+

🔑 关键技巧：需求对话式澄清

+

Claude Code 读取需求后，不应直接开始设计。先进入澄清对话模式："我理解你要做 X，但以下 3 个方面需要确认：① 并发用户量预估？② 与现有系统 X 的集成方式？③ 数据合规要求？" —— 这模拟了资深架构师的"需求反问"能力。

+
+ +

Step 2: 需求结构化拆解

+ +
+ + + + + + +
子步骤操作工具预计耗时
2.1Claude Code 生成功能需求矩阵（FR-Matrix）：功能模块 × 优先级 × 技术复杂度 × 预估人天Claude Code10 分钟
2.2检索知识库中历史类似项目的需求矩阵，标注可复用模块知识库 RAG（Qwen）3 分钟
2.3生成非功能需求清单：性能、安全、可用性、可扩展性、合规性 —— 每个维度给出具体指标Claude Code10 分钟
2.4Claude Code 输出需求覆盖度评估："你的需求文档覆盖了 X% 的典型场景，以下场景缺失需要补充：..."Claude Code5 分钟
+
+ +

Step 3-4: 方案设计与评审

+ +

Claude Code 基于项目 CLAUDE.md 中的架构规范，生成 2-3 个技术方案。每个方案包含：架构图（Mermaid 格式，可直接渲染）、技术选型理由、关键模块设计、数据流、成本估算。

+ +

DeepSeek 的"反方辩手"角色：将 Claude Code 生成的方案发送给 DeepSeek，要求它找出方案中的"逻辑漏洞、过度设计、未考虑的边界条件"。这种"对抗式评审"能显著提升方案的健壮性。

+ +
+

✅ 方案设计阶段的质量检查清单

+
    +
  • ☑ 架构图是否明确标注了所有外部系统集成点？
    • +
  • ☑ 是否考虑了数据量增长（当前 100 倍）的可扩展性？
    • +
  • ☑ 是否包含了安全攻击面的分析？
    • +
  • ☑ 是否标注了技术选型中"可替换"和"不可替换"的组件？
    • +
  • ☑ 是否有明确的"不做什么"（Out of Scope）声明？
    • +
  • ☑ 成本和时间的估算是否有 ±30% 的置信区间？
    • +
+
+ +

3.3 实操示例：从一份招标文件到可执行的技术方案

+ +

以下是一个完整实操演示：某制造企业 MES 系统招标项目（招标文件 180 页 PDF），展示如何用本流程在 1.5 天内完成传统需要 1 周的需求分析+方案设计。

+ +

示例 Step 1: Qwen 长文档首次提取

+ +
+

📋 操作：调用 Qwen 处理 180 页招标文件

+

开发者将招标 PDF 转换为文本后，通过 Qwen API（或阿里云百炼工作台）发送以下提示：

+
+# 提示词（发送给 Qwen，利用百万 Token 上下文窗口）
+你是一位资深 MES 系统架构师。请通读以下招标文件全文，按结构化格式提取：
+
+1. 功能需求清单
+  - 每条需求格式：需求编号 | 功能模块 | 需求描述 | 优先级(必选/可选/加分) | 关联系统
+2. 非功能需求
+  - 性能指标（并发数、响应时间、数据量）
+  - 安全要求（等保级别、加密标准、审计要求）
+  - 可用性要求（SLA、RTO、RPO）
+3. 评分规则提取
+  - 技术分评分项及分值
+  - 商务分评分项及分值
+  - 加分项清单
+4. 隐性要求
+  - 标书中未明确写出但行业惯例必须具备的能力
+  - 可能导致废标的隐藏条款
+
+招标文件全文如下：
+[粘贴 180 页招标文件文本] +
+

预计耗时：3-5 分钟（Qwen 返回结构化 JSON/Markdown）

+
+ +

示例 Step 2: Claude Code 需求澄清与补充

+ +
+

💬 开发者对 Claude Code 说（实际 Prompt）

+
+# 在 Claude Code 对话中直接输入
+我正在进行一个 MES 项目的售前方案，招标文件的核心需求 Qwen 已经提取出来了，
+在项目 docs/requirements/mes-bid-extracted.md 里。
+
+请帮我做以下工作：
+1. 读取提取结果，检查是否有遗漏的关键需求（特别是制造业 MES 常见的
+   工单管理、设备联网、质量追溯、物料拉动这四个模块）
+2. 生成 FR-Matrix（功能需求矩阵），按 MoSCoW 方法标注优先级
+3. 查询知识库中"历史类似 MES 项目"的方案，标注可复用模块
+4. 对不明确的需求列出澄清问题清单（我下午要和客户开会确认）
+
+请先进入 Plan Mode 规划你的工作步骤，我确认后再开始。 +
+
+ +
+

✅ Claude Code Plan Mode 输出示例

+
+Plan: MES 招标需求分析与方案设计
+
+Step 1: Read docs/requirements/mes-bid-extracted.md
+Step 2: 对比 MES 行业标准功能清单（ISA-95 模型），标注缺失项
+Step 3: 生成 FR-Matrix（Markdown 表格，含 MoSCoW 优先级）
+Step 4: 搜索项目 Memory 和知识库中的历史 MES 项目方案
+Step 5: 生成客户澄清问题清单（按紧急程度排序）
+Step 6: 输出全部结果到 docs/output/ 目录
+
+涉及文件:
+- READ: docs/requirements/mes-bid-extracted.md
+- READ: CLAUDE.md（编码和架构规范）
+- SEARCH: memory/（历史 MES 项目经验）
+- WRITE: docs/output/FR-Matrix.md
+- WRITE: docs/output/clarification-questions.md
+
+确认后我开始执行。 +
+
+ +

示例 Step 3: Claude Code 生成方案 + DeepSeek 对抗评审

+ +
+

📋 Claude Code 方案生成 Prompt

+
+# 需求确认后，对 Claude Code 说：
+基于确认后的需求矩阵，请生成两个技术方案选项：
+
+方案A（稳健型）：基于 Spring Boot + Vue3 自研，
+使用成熟的工业协议适配层（Modbus/OPC UA），数据库用 PostgreSQL + TimescaleDB
+方案B（激进型）：基于开源 MES 框架（如 OpenMES）+ 二次开发，
+前端用低代码平台加速交付
+
+每个方案需包含：
+1. 架构图（Mermaid 格式）
+2. 技术选型理由（含替代方案对比）
+3. 关键模块设计（至少含工单管理、设备联网、质量追溯）
+4. 数据流图
+5. 人天估算（±30% 置信区间）
+6. 风险清单（Top 5 风险 + 应对措施）
+
+输出到 docs/output/solution-option-A.md 和 solution-option-B.md +
+
+ +
+

🔴 DeepSeek 对抗评审 Prompt（同时发送）

+
+# 将 Claude Code 生成的方案发送给 DeepSeek：
+你是一位严苛的技术评审专家。请对以下两份 MES 技术方案进行"攻击性评审"：
+
+评审维度：
+1. 逻辑漏洞：方案中有哪些"想当然"的假设可能在落地时出错？
+2. 过度设计：哪些地方为追求"技术先进性"而引入了不必要的复杂度？
+3. 边界条件遗漏：高频并发、网络断线、设备异构、数据过期等场景是否覆盖？
+4. 成本低估：人天估算中哪些模块明显偏乐观？
+5. 替代方案：哪些技术选型有更好的替代品（请具体说明）？
+
+请逐条列出问题，每条标注严重程度（🔴致命/🟡重要/🟢建议）。
+不要只说"有问题"，要给出具体改进方向。
+
+[粘贴 Claude Code 生成的方案全文] +
+
+ +
+

✅ 综合评审后的人工决策

+

技术 Lead 拿到 Claude Code 的方案 + DeepSeek 的挑刺意见后，做最终决策。例如：采纳方案 A 的技术架构，但采用低代码平台做报表和看板（方案 B 的优点）。最后由 Claude Code 根据决策整合为最终方案文档。

+

全程耗时：方案生成 20 分钟 + DeepSeek 评审 5 分钟 + 人工决策 30 分钟 = 不到 1 小时（传统方式需要 2-3 天）。

+
+
+ + +
+

五、开发流程二：编码实现与代码审查

+ +

这是 AI 参与度最高的环节。Claude Code 在此阶段充当"AI 程序员"——不是聊天框里的建议者，而是直接操作文件系统、执行命令、提交代码的 Agent。

+ +

4.1 编码工作流（单任务）

+ +
+
+
1
+

任务启动

+

开发者向 Claude Code 描述需求（自然语言 + 需求编号引用）。Claude Code 自动读取相关源文件，进入 Plan Mode 输出实现计划。

+ Claude Code Plan Mode +
+
+
2
+

方案确认

+

开发者审核 Plan，确认架构选型和文件范围。必要时调用 DeepSeek 做"第二意见"验证。

+ 人工确认DeepSeek（可选） +
+
+
3
+

编码实现

+

Claude Code 逐文件编写代码，同时编写单元测试。每完成一个模块，自动运行测试验证。引用知识库中的编码规范确保风格一致。

+ Claude Code Edit/WriteBash 运行测试 +
+
+
4
+

自动审查

+

代码提交 PR 前，open-code-review 自动运行静态检查。Claude Code 执行语义级深度审查（逻辑错误、性能隐患、安全漏洞）。

+ open-code-reviewClaude Code +
+
+
5
+

记忆沉淀

+

任务完成后，开发者口述关键经验，Claude Code 自动写入个人记忆文件（见第七章）。

+ Claude Code Memory +
+
+ +

4.2 三层代码审查体系

+ +
+
表：递进式三层代码审查机制
+ + + + + + + + + + + + + + + + + + + + + + + +
层级工具检查内容触发时机阻断级别
L1: 规约检查alibaba-group/open-code-review命名规范、代码格式、注释密度、异常处理模式、资源关闭、集合操作安全、并发风险模式每次 git push / PR 创建强制阻断（不合规代码不允许进入人工 Review）
L2: 语义审查Claude Code（/code-review）逻辑正确性、边界条件覆盖、性能隐患（N+1 查询、内存泄漏、锁竞争）、安全漏洞（注入、越权、敏感信息泄露）、代码可读性与设计模式合理性L1 通过后建议阻断（严重问题自动阻止合并，建议性问题标注后放行）
L3: 人工审查开发者 / Tech Lead业务逻辑正确性、架构一致性、跨模块影响评估、用户体验合理性L2 通过后最终决策（聚焦业务和架构，不再浪费时间查代码风格）
+
+ +
+

⚙️ open-code-review CI 集成配置

+

在项目根目录创建 .github/workflows/code-review.yml：

+
+name: Code Review
+on: [pull_request]
+jobs:
+  review:
+    runs-on: ubuntu-latest
+    steps:
+      - uses: alibaba-group/open-code-review@v1
+        with:
+          languages: java,javascript,typescript,vue
+          severity: error,warning +
+
+ +

4.3 多 Agent 并行开发模式

+ +

对于大型功能（涉及 5+ 文件、跨多个模块），利用 Claude Code 的 Agent 工具启动多个子 Agent 并行工作：

+ +
+ + + + + +
模式适用场景并发数示例
前后端分离新增 CRUD 功能，前端页面 + 后端 API 同时开发2 个 AgentAgent A 写后端 API + 测试，Agent B 写前端页面 + 联调
模块拆分大型功能涉及多个独立模块（如订单模块 + 支付模块 + 通知模块）3-5 个 Agent每个模块独立 Agent，主 Agent 负责接口定义和最终集成
测试并行核心功能开发完成后，单元测试 + 集成测试 + E2E 测试并行编写3 个 AgentAgent A 单元测试，Agent B 集成测试，Agent C E2E 测试
+
+ +
+

⚠️ 并行开发的注意事项

+

① 接口先行：主 Agent 必须先定义好模块间的接口契约（API 签名、数据模型），子 Agent 再并行开发。

+

② 独立工作区：使用 Git Worktree 为每个子 Agent 提供独立工作区，避免文件冲突。

+

③ 合并由主 Agent 统一执行：子 Agent 只产出代码，不自行合并。主 Agent 负责 Review 子 Agent 产出并集成。

+
+ +

4.4 实操示例：实现一个带审批流的工单管理模块

+ +

以下演示用 Claude Code 从零实现一个工单审批流功能（Spring Boot + Vue3），并走通 Plan → 编码 → 审查 → 记忆沉淀的完整链路。

+ +

示例 Step 1: 任务启动（Plan Mode）

+ +
+

💬 开发者对 Claude Code 的初始 Prompt

+
+# 需求背景（引用 FR-Matrix 中的需求编号）
+需求编号 FR-WO-003：工单审批流
+
+功能描述：
+- 工单创建后进入审批流程：班组长初审 → 车间主任复审 → 生产部长终审
+- 支持审批通过/驳回/转审三种操作
+- 驳回时需填写驳回原因，工单退回至创建人修改
+- 审批记录需完整保留（谁在什么时间做了什么操作）
+- 审批超时 48 小时自动提醒
+
+技术约束：
+- 后端：Spring Boot 2.7 + MyBatis-Plus + MySQL
+- 前端：Vue3 + Element Plus
+- 审批流引擎：Flowable（已在项目中引入）
+- 编码规范：参考 CLAUDE.md
+
+请先进入 Plan Mode，给我看你的实现计划。 +
+
+ +
+

✅ Claude Code Plan Mode 输出

+
+Plan: 工单审批流 FR-WO-003
+
+Step 1 - 数据模型:
+  - READ: src/main/java/.../entity/WorkOrder.java (现有工单实体)
+  - READ: src/main/resources/db/migration/ (现有表结构)
+  - WRITE: 新增审批流相关表 (approval_record, approval_config)
+  - WRITE: 新增实体类 + DTO
+
+Step 2 - 审批流引擎:
+  - WRITE: Flowable 流程定义 (BPMN XML)
+  - WRITE: ApprovalService (启动流程/完成任务/查询待办)
+  - WRITE: ApprovalCallback (审批通过后的工单状态更新)
+
+Step 3 - Controller + 接口:
+  - WRITE: ApprovalController (REST API)
+  - 接口：POST /api/workorder/{id}/submit, POST /api/approval/{taskId}/complete,
+    GET /api/approval/pending, GET /api/workorder/{id}/approval-history
+
+Step 4 - 前端:
+  - WRITE: ApprovalPanel.vue (审批操作面板)
+  - WRITE: ApprovalHistory.vue (审批历程时间线)
+  - WRITE: WorkOrderDetail.vue (集成审批面板到工单详情页)
+
+Step 5 - 测试:
+  - WRITE: ApprovalServiceTest.java (单元测试: 正常审批/驳回/转审/超时)
+  - WRITE: ApprovalControllerTest.java (接口测试)
+
+Step 6 - 审查:
+  - 自检 open-code-review 规则
+  - 运行完整测试套件
+
+涉及文件: ~12 个文件
+预计耗时: Claude Code 编码 30-45 分钟，人工审查 15 分钟
+
+确认后我开始执行。 +
+
+ +

示例 Step 2: 编码实现中的关键交互

+ +
+

🔑 开发者如何引导 Claude Code 写出高质量代码

+ + + + + + + + + + + + + + + + + + + + + + +
引导技巧不好的说法好的说法
引用规范"写个审批接口""写审批接口，返回格式统一用 Result<T> 包装，异常走 GlobalExceptionHandler（参考 CLAUDE.md 第 3 节）"
给出上下文"加个审批记录表""加审批记录表，字段风格参照现有的 work_order 表（用下划线命名、必须有 create_time 和 update_time、逻辑删除用 is_deleted）"
边界条件前置"实现审批超时提醒""审批超时 48h 自动提醒，注意：① 只提醒当前审批节点的人 ② 已驳回/已转审的不要再提醒 ③ 提醒频率：超时后每 4h 提醒一次，最多 3 次"
确认而非假设"审批驳回后直接改状态""驳回时工单状态改为 REJECTED，但工单创建人修改后重新提交时，是走原审批流从头开始还是从当前节点继续？如果是前者，请生成新的流程实例"
+
+ +

示例 Step 3: Claude Code 生成的代码片段（后端核心逻辑）

+ +
+// ===== ApprovalService.java（Claude Code 自动生成）=====
+@Service
+@Slf4j
+public class ApprovalService {
+
+    @Autowired
+    private RuntimeService runtimeService;
+    @Autowired
+    private TaskService taskService;
+
+    // 提交工单并启动审批流
+    @Transactional(rollbackFor = Exception.class)
+    public void submitForApproval(Long workOrderId) {
+        WorkOrder wo = workOrderMapper.selectById(workOrderId);
+        if (wo == null) {
+            throw new BusinessException("工单不存在: " + workOrderId);
+        }
+        if (wo.getStatus() != WorkOrderStatus.DRAFT) {
+            throw new BusinessException("只有草稿状态的工单才能提交审批");
+        }
+
+        // 启动 Flowable 流程实例
+        Map<String, Object> vars = new HashMap<>();
+        vars.put("workOrderId", workOrderId);
+        vars.put("submitterId", SecurityUtils.getCurrentUserId());
+        vars.put("urgencyLevel", wo.getUrgencyLevel());
+
+        ProcessInstance pi = runtimeService.startProcessInstanceByKey(
+            "work-order-approval",
+            String.valueOf(workOrderId),
+            vars
+        );
+
+        // 更新工单状态
+        wo.setStatus(WorkOrderStatus.PENDING_APPROVAL);
+        wo.setProcessInstanceId(pi.getId());
+        workOrderMapper.updateById(wo);
+
+        log.info("工单 {} 审批流已启动，流程实例: {}", workOrderId, pi.getId());
+    }
+
+    // 完成审批任务
+    @Transactional(rollbackFor = Exception.class)
+    public void completeTask(ApprovalRequest req) {
+        Task task = taskService.createTaskQuery()
+            .taskId(req.getTaskId())
+            .singleResult();
+        if (task == null) {
+            throw new BusinessException("审批任务不存在或已被处理");
+        }
+
+        // 记录审批意见
+        ApprovalRecord record = ApprovalRecord.builder()
+            .workOrderId(Long.valueOf(task.getBusinessKey()))
+            .taskId(req.getTaskId())
+            .approver(SecurityUtils.getCurrentUserId())
+            .action(req.getAction()) // APPROVE / REJECT / TRANSFER
+            .comment(req.getComment())
+            .operateTime(LocalDateTime.now())
+            .build();
+        approvalRecordMapper.insert(record);
+
+        // 提交 Flowable 任务
+        Map<String, Object> vars = new HashMap<>();
+        vars.put("approvalResult", req.getAction());
+        taskService.complete(req.getTaskId(), vars);
+
+        log.info("审批任务 {} 已完成，操作: {}", req.getTaskId(), req.getAction());
+    }
+} +
+ +

示例 Step 4: 三层审查的实操

+ +
+

L1: open-code-review 自动检查结果

+

代码 push 后，GitHub Actions 自动运行 open-code-review。假设发现以下问题：

+
+❌ ERROR: ApprovalService.java:45
+    规则: "@Transactional 必须指定 rollbackFor = Exception.class"
+    当前: @Transactional (缺少 rollbackFor)
+❌ ERROR: ApprovalRecord.java:12
+    规则: "日期字段必须使用 LocalDateTime，禁止使用 Date"
+    当前: private Date operateTime;
+⚠️ WARNING: ApprovalController.java:23
+    规则: "REST 接口必须使用 @Valid 校验请求参数"
+    当前: public Result completeTask(ApprovalRequest req) (缺少 @Valid)
+
+CI Status: ❌ FAILED — 2 errors, 1 warning
+→ 开发者修复后重新 push，open-code-review 通过 ✅ +
+
+ +
+

L2: Claude Code 深度审查（/code-review 命令）

+
+# 开发者对 Claude Code 说：
+/code-review
+审查我刚提交的工单审批流功能，重点关注：
+1. 并发安全：多人同时审批同一个工单会不会有竞态条件？
+2. 事务边界：审批记录写入和 Flowable 任务完成是否在一个事务里？
+3. 超时机制：48 小时超时提醒的实现方案是否合理？
+4. 与现有工单模块的集成是否有破坏性变更？
+
+# Claude Code 输出（示例）：
+🔴 严重: ApprovalService.completeTask() 存在竞态条件。
+两个审批人同时点"通过"时，Flowable 的 taskService.complete()
+内部有乐观锁保护，但 approvalRecordMapper.insert() 在 complete()
+之前执行，如果 complete() 抛出异常，审批记录将"幽灵插入"。
+建议：将 insert(record) 移到 complete() 之后，或者使用
+@Transactional 确保两者原子性（已满足，但顺序问题仍建议调整）。
+
+🟡 建议: 超时提醒用 @Scheduled 每分钟扫描一次 pending 任务，
+在工单量 < 1万 时可行，但建议预留 Quartz/XXL-Job 升级路径。
+建议在 CLAUDE.md 中记录此技术债务。 +
+
+ +

示例 Step 5: 记忆沉淀——任务结束时

+ +
+

🧩 开发者对话结束前对 Claude Code 说

+
+# 本次开发完成，帮我记录以下经验：
+1. Flowable 的 taskService.complete() 内部有乐观锁，
+   数据库操作应放在 complete() 之后，避免幽灵记录
+2. 审批流 BPMN 中的 UserTask 必须设置 assignee 表达式，
+   本项目用 ${deptLeader} / ${workshopDirector} / ${productionManager}
+3. 审批超时提醒的 @Scheduled 方案在并发 > 1000 待办时需升级为
+   消息队列方案（已在 CLAUDE.md 记录技术债务）
+
+# Claude Code 自动写入 memory/project/flowable-approval-patterns.md +
+

下次再有审批流需求，Claude Code 会自动加载这份记忆，不会再踩同样的坑。

+
+
+ + +
+

六、开发流程三：测试、文档与部署

+ +

5.1 测试分层与 AI 参与度

+ +
+ + + + + + + + + + + + + + + + + + + + + + + + + + +
测试层级AI 工具AI 参与方式人工职责
单元测试Claude Code根据源码自动生成测试用例（覆盖正常路径 + 边界条件 + 异常路径）。开发者只需描述特殊业务规则审核测试覆盖的业务规则是否正确，补充 AI 无法推断的领域特定逻辑
集成测试Claude Code基于接口文档（OpenAPI/Protobuf）自动生成集成测试脚本，Mock 外部依赖配置测试环境、审核 Mock 数据的真实性
E2E 测试Claude Code + Playwright根据用户故事生成 Playwright 测试脚本，覆盖核心业务流程定义核心用户旅程、审核测试断言的准确性
性能测试Claude Code + JMeter/k6基于非功能需求生成性能测试脚本，分析瓶颈设定性能基线、分析 AI 无法判断的业务合理性
+
+ +

5.2 文档生成策略

+ +

传统开发中，文档是"写完代码再补"的负担。AI 增强流程中，文档与代码同步生成：

+ +
+ + + + + + +
文档类型生成方式更新策略
API 文档Claude Code 从代码注解 + OpenAPI 定义自动生成，输出为 Markdown 或 Swagger UI代码变更时同步更新
架构决策记录（ADR）每次技术决策时，Claude Code 自动生成 ADR（上下文 → 决策 → 后果 → 备选方案）决策时即时生成
部署运维手册Claude Code 基于 Dockerfile/Helm Chart/CI 配置自动生成部署配置变更时
客户验收文档Qwen 基于需求矩阵 + 测试报告 + 用户故事，生成中文验收文档里程碑节点
+
+ +

5.3 CI/CD 流水线中的 AI 节点

+ +
+
+
Git Push
+ → +
open-code-reviewL1 规约检查
+ → +
Claude CodeL2 语义审查
+ → +
自动化测试单测 + 集成 + E2E
+ → +
人工 ReviewL3 业务审查
+ → +
自动部署Merge → Deploy
+
+
+ +
+

✅ CI 流水线的"AI 阻断点"设计

+

L1（open-code-review）和 L2（Claude Code）检查失败时，CI 流水线自动阻止合并。这确保了：① 代码风格和基础规范 100% 合规 ② 常见逻辑错误在 PR 阶段就被拦截 ③ 人工 Reviewer 的时间全部用于高价值的业务审查，不再浪费在代码格式上。

+
+ +

5.4 实操示例：从 PR 到上线的完整自动化链路

+ +

以下演示工单审批流功能从 git push → 自动审查 → 测试 → 文档生成 → 部署的完整流水线。

+ +

示例 Step 1: GitHub Actions 完整 CI 配置

+ +
+

📋 .github/workflows/ci.yml（完整配置）

+
+name: CI Pipeline
+on:
+  push:
+    branches: [main, develop]
+  pull_request:
+    branches: [main]
+
+jobs:
+  # ===== Job 1: 代码规范检查 =====
+  lint:
+    runs-on: ubuntu-latest
+    steps:
+      - uses: actions/checkout@v4
+      - uses: alibaba-group/open-code-review@v1
+        with:
+          languages: java,javascript,typescript,vue
+          severity: error,warning
+
+  # ===== Job 2: 单元测试 + 集成测试 =====
+  test:
+    needs: lint
+    runs-on: ubuntu-latest
+    services:
+      mysql:
+        image: mysql:8.0
+        env:
+          MYSQL_ROOT_PASSWORD: test123
+        ports: [3306]
+    steps:
+      - uses: actions/checkout@v4
+      - name: Run Tests
+        run: mvn test -B
+      - name: Upload Coverage
+        uses: codecov/codecov-action@v4
+
+  # ===== Job 3: Claude Code 深度审查（仅 PR）=====
+  ai-review:
+    if: github.event_name == 'pull_request'
+    needs: [lint, test]
+    runs-on: ubuntu-latest
+    steps:
+      - uses: actions/checkout@v4
+        with:
+          fetch-depth: 0
+      - name: Claude Code Review
+        run: |
+          # 获取 PR 的 diff，调用 Claude Code 做语义审查
+          git diff origin/main...HEAD > /tmp/pr.diff
+          # Claude Code CLI 审查模式
+          claude --print "Review this diff for bugs,
+          security issues, and logic errors:
+          \$(cat /tmp/pr.diff)" > /tmp/review.md
+          # 将审查结果作为 PR Comment
+          gh pr comment ${{ github.event.pull_request.number }}
+          --body-file /tmp/review.md
+        env:
+          ANTHROPIC_API_KEY: ${{ secrets.ANTHROPIC_API_KEY }}
+          GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}
+
+
+ +

示例 Step 2: Claude Code 自动生成测试用例

+ +
+

💬 开发者 Prompt：让 Claude Code 自动生成测试

+
+# 对 Claude Code 说：
+请为 ApprovalService.java 的 submitForApproval() 方法生成完整的单元测试，
+要求：
+
+1. 正常路径：草稿工单提交审批成功
+2. 异常路径：工单不存在、工单状态不是草稿、提交人没有审批权限
+3. 边界条件：并发提交同一工单（模拟两个线程同时调用）
+4. Mock 策略：Flowable 的 RuntimeService 和 TaskService 用 Mockito Mock，
+   数据库层用 @DataJpaTest 真实测试（H2 内存库）
+5. 测试覆盖率目标：行覆盖 ≥ 90%，分支覆盖 ≥ 85%
+
+测试框架：JUnit 5 + Mockito + AssertJ +
+
+ +
+

✅ Claude Code 生成的测试代码（关键片段）

+
+@ExtendWith(MockitoExtension.class)
+class ApprovalServiceTest {
+
+    @Mock
+    private RuntimeService runtimeService;
+    @Mock
+    private WorkOrderMapper workOrderMapper;
+    @InjectMocks
+    private ApprovalService approvalService;
+
+    @Test
+    @DisplayName("正常提交草稿工单 → 启动审批流 → 状态变更为待审批")
+    void shouldStartApprovalWhenDraftWorkOrderSubmitted() {
+        // Given
+        WorkOrder wo = WorkOrder.builder()
+            .id(1L).status(WorkOrderStatus.DRAFT).build();
+        when(workOrderMapper.selectById(1L)).thenReturn(wo);
+        ProcessInstance pi = mock(ProcessInstance.class);
+        when(pi.getId()).thenReturn("proc-123");
+        when(runtimeService.startProcessInstanceByKey(any(), any(), any()))
+            .thenReturn(pi);
+
+        // When
+        approvalService.submitForApproval(1L);
+
+        // Then
+        assertThat(wo.getStatus()).isEqualTo(WorkOrderStatus.PENDING_APPROVAL);
+        assertThat(wo.getProcessInstanceId()).isEqualTo("proc-123");
+        verify(workOrderMapper).updateById(wo);
+    }
+
+    @Test
+    @DisplayName("非草稿状态工单提交审批 → 抛出 BusinessException")
+    void shouldThrowExceptionWhenWorkOrderNotDraft() {
+        WorkOrder wo = WorkOrder.builder()
+            .id(1L).status(WorkOrderStatus.APPROVED).build();
+        when(workOrderMapper.selectById(1L)).thenReturn(wo);
+
+        assertThatThrownBy(() -> approvalService.submitForApproval(1L))
+            .isInstanceOf(BusinessException.class)
+            .hasMessageContaining("草稿状态");
+
+        verify(runtimeService, never()).startProcessInstanceByKey(any(),any(),any());
+    }
+} +
+
+ +

示例 Step 3: Claude Code 自动生成 API 文档 + ADR

+ +
+

📋 文档生成 Prompt

+
+# 对 Claude Code 说：
+工单审批流功能开发完成，请帮我生成以下文档：
+
+1. API 文档（docs/api/approval-api.md）
+   - 基于 ApprovalController 的注解和代码生成
+   - 格式：接口路径 | 方法 | 请求参数 | 响应示例 | 错误码
+   - 用 Markdown 表格
+
+2. 架构决策记录（docs/adr/ADR-005-approval-engine.md）
+   - 标题：ADR-005: 选择 Flowable 作为审批流引擎
+   - 格式：上下文 → 决策 → 后果 → 备选方案（Activiti/Camunda/自研）
+
+3. 部署变更说明（docs/deploy/v2.3-approval-changes.md）
+   - 新增数据库表（DDL）
+   - 新增配置项（application.yml）
+   - 部署步骤和回滚方案 +
+
+ +

示例 Step 4: Qwen 生成客户验收文档

+ +
+

📄 Qwen 生成验收文档 Prompt

+
+# 通过 Qwen API（百炼工作台）发送：
+你是一位 MES 项目的交付经理。请基于以下信息，生成一份面向客户的
+《工单审批流功能验收报告》：
+
+输入信息：
+- 需求编号：FR-WO-003（工单审批流）
+- 功能描述：[粘贴 FR-Matrix 中对应条目]
+- 测试结果：[粘贴测试报告摘要]
+- 用户故事：[粘贴 Agile 用户故事]
+
+验收报告要求：
+1. 语言：中文，面向非技术客户的业务语言
+2. 结构：功能概述 → 验收标准逐项对照 → 测试结果 → 遗留问题 → 签收建议
+3. 篇幅：2-3 页
+4. 格式：标准验收报告模板（含客户签章区） +
+
+ +
+ + +
+

七、个人记忆系统：持续积累与经验复用

+ +

企业知识库是"组织记忆"，解决团队共性问题。但每个开发者有自己的技术偏好、踩过的坑、积累的提示词和脚本片段。个人记忆系统就是为每个开发者定制的"第二大脑"。

+ +

6.1 Claude Code Memory 机制

+ +

Claude Code 内置的 Memory 系统（~/.claude/projects/<项目路径>/memory/）提供文件级记忆持久化。每条记忆是一个独立的 Markdown 文件，带 frontmatter 元数据，在后续会话中自动加载。

+ +
+
表：Memory 文件的四种类型与使用场景
+ + + + + + + + + + + + + + + + + + + + + + + + + + +
类型用途示例触发时机
user记录开发者角色、技术偏好、习惯"偏好使用 PostgreSQL 而非 MySQL"、"倾向于函数式编程风格"首次使用 Claude Code 时设定，后续对话自动加载
feedback记录用户对 AI 行为的纠正和偏好确认"上次你用的设计模式过度复杂，下次遇到类似场景用更简单的方式"开发者在对话中给出纠正意见时
project记录项目特定的约定、非标准配置"这个项目使用 Java 17 + Spring Boot 3.2，LLM 调用通过内部 API 网关，不直连外部模型"项目初期设定，架构变更时更新
reference记录外部资源引用"阿里云百炼 API 文档：https://help.aliyun.com/..."、"内部 API 网关文档：..."任何需要"记住去哪查"的场景
+
+ +

6.2 个人记忆的最佳实践

+ +
+

🔑 记忆积累的"5 分钟规则"

+

每次 Claude Code 会话结束前，花 不超过 5 分钟 做一次"记忆回收"：回想本次对话中哪些信息值得下次记住。用自然语言对 Claude Code 说："帮我记住以下几点：① ... ② ... ③ ..."

+
+ +
+
表：值得写入记忆 vs 不值得写入的对比
+ + + + + + +
✅ 值得写入记忆❌ 不需要写入（代码/Git 已有）
"这个项目的异常处理统一用 GlobalExceptionHandler，不要在每个 Controller 里 try-catch""UserController.java 有 3 个接口"（代码已有）
"客户 X 的数据库字符集是 GBK，写 SQL 时注意""上周五提交了一个 bug 修复"（Git 已有）
"用 @Transaction 注解时，这个项目需要显式指定 rollbackFor = Exception.class""pom.xml 中 Spring Boot 版本是 3.2"（代码已有）
"内部 LLM 网关的 rate limit 是 100 req/min，批量调用时需要限流""项目构建用 mvn clean package"（CLAUDE.md 已有）
+
+ +

6.3 记忆文件的自动维护策略

+ +
+ + + + + + +
策略说明
合并而非膨胀同类记忆合并到一个文件，通过 [[wiki-link]] 建立关联。单一文件内容控制在 500 字以内
定期清理每月检查一次 memory 目录，删除已过时的记忆（如"临时 workaround，等 Spring Boot 3.3 修复" —— 升级后即失效）
标签化每条记忆的 description 字段写清楚"什么场景下需要这条记忆"，确保 Claude Code 只在相关对话中加载
双人复核重要项目约定（影响多人）应提升到 CLAUDE.md 或企业知识库，而非仅留在个人记忆中
+
+
+ + +
+

八、团队协作：多 Agent 并行工作模式

+ +

单开发者 + Claude Code 是"一人公司"模式。但当团队扩大到 5-20 人时，需要一套多 Agent 协作规范来避免"5 个 AI 写出 5 种风格"的混乱局面。

+ +

7.1 团队 AI 使用规范

+ +
+
表：团队级 AI 协作规范（建议写入 CLAUDE.md 或团队 Wiki）
+ + + + + + + + + + + + + + + + + + + + + + + + + + + +
规范类别具体约定执行方式
代码风格所有 AI 生成的代码必须遵循项目 .claude/design-tokens.md 和编码规范文件。禁止 AI 自行"发明"新的命名约定或目录结构open-code-review L1 自动阻断
分支策略AI Agent 只能在自己的 Git Worktree 中工作。合并操作由开发者手动执行，禁止 AI 直接 push 到 main/masterGit 分支保护规则 + CI 检查
Commit MessageAI 生成的代码提交信息遵循 Conventional Commits 格式（feat:/fix:/refactor:），含需求编号引用Claude Code 项目配置
知识沉淀每个功能开发完成后，开发者有责任将关键经验写入项目 Memory 或更新 CLAUDE.md开发流程 Checklist
模型选择哪些场景用哪个模型（参照第一章决策矩阵），避免所有人各自随意选择模型导致质量参差团队培训 + 定期 Review
+
+ +

7.2 多 Agent 协作的典型工作流

+ +
+
+
👤 Tech Lead需求拆分 · 接口定义 · 最终集成
+
+
+ ↙ 分配任务 ↓ 分配任务 ↘ +
+
+
🤖 Agent A模块 A 开发 + 测试
+
🤖 Agent B模块 B 开发 + 测试
+
🤖 Agent C文档 + E2E 测试
+
+
+ ↘ 产出 ↓ 产出 ↙ +
+
+
🔍 open-code-review + Claude Code 审查L1 + L2 代码审查
+
+
+ ↓ 通过 +
+
+
👤 Tech Lead 合并 + 人工 ReviewL3 业务审查 · Merge
+
+
+ +
+

⚠️ 多 Agent 协作的核心风险与对策

+

风险 1: 风格不一致 → 对策：所有 Agent 共享同一份 CLAUDE.md，open-code-review 在合并前强制执行风格检查。

+

风险 2: 接口不匹配 → 对策：接口定义（API Spec / Protobuf）由 Tech Lead 先行确定并写入共享文档，Agent 只实现不设计接口。

+

风险 3: 上下文丢失 → 对策：每个 Agent 的产出必须附带"设计决策说明"（为什么这样实现），便于集成时理解上下文。

+
+
+ + +
+

九、投入产出分析：效率提升的量化预测

+ +

基于行业基准数据和实际案例，以下给出 AI 增强开发流程在各个环节的效率提升预期。数据来源：GitHub Copilot 2025 调查报告、Google DORA 2025 AI 影响研究、以及内部试点数据。

+ +

8.1 各环节效率提升预测

+ +
+
表：AI 增强开发流程的环节级效率提升预测
+ + + + + + + + + + +
开发环节传统耗时（参考）AI 增强耗时效率提升关键驱动工具
需求文档分析2-3 天0.5-1 天60-75%Qwen 长文档 + Claude Code 结构化
技术方案设计3-5 天1-2 天55-65%Claude Code + DeepSeek 评审
编码实现（中等复杂度）5-10 天2-5 天50-60%Claude Code Agent
代码审查0.5-1 天/PR0.1-0.3 天/PR70-80%open-code-review + Claude Code
单元测试编写编码时间的 30-50%编码时间的 5-10%75-85%Claude Code 自动生成
技术文档编写2-5 天0.5-1 天70-80%Claude Code + Qwen 中文润色
Bug 修复（定位 + 修复）0.5-2 天0.1-0.5 天60-75%Claude Code 根因分析
综合（全生命周期）基准—50-65%全工具链协同
+
+ +

8.2 成本构成分析

+ +
+
表：多模型工具链的月度成本估算（10 人团队）
+ + + + + + + + +
工具/服务用途月费（估算）备注
Claude Code主力开发 Agent，每人每天 4-6 小时使用$100-200/人/月Claude Max 订阅（含 API 额度）
DeepSeek API辅助推理、批量分析、第二意见¥50-200/团队/月极低成本，主要消耗在批量场景
通义千问（百炼 API）长文档分析、中文文档、RAG 问答¥200-500/团队/月按 Token 计费，长文档为主要消耗
open-code-reviewCI 自动代码审查免费开源 GitHub Action，使用 GitHub 免费 Runner 额度
知识库平台（Dify 自建）企业知识库 RAG¥300-800/月服务器费用（ECS 4C8G 即可起步）
合计10 人团队月度总成本约 ¥15,000-25,000/月人均 ¥1,500-2,500/月
+
+ +
+

💰 ROI 速算

+

假设 10 人团队，人均月成本 ¥25,000（含薪资+管理成本）。AI 工具月成本 ¥2,000/人，但效率提升 50%，相当于用 ¥2,000 换 ¥12,500 的产出。ROI ≈ 1:6。

+

更重要的隐性收益：① 方案质量提升 → 中标率提高 ② Bug 减少 → 交付周期缩短 ③ 知识沉淀 → 新人上手速度倍增 ④ 员工满意度 → AI 处理重复劳动，人聚焦创造性工作。

+
+ +

8.3 分阶段效率爬坡

+ +
+ + + + + + +
阶段时间预期效率提升关键里程碑
适应期第 1-2 周-10% ~ +10%学习 Claude Code 交互模式，建立个人 Memory
熟练期第 3-6 周+20% ~ +40%掌握 Plan Mode、Agent 并行、知识库检索
精通期第 7-12 周+40% ~ +65%自定义 Hook、自动化流水线、团队协作模式成熟
平台期第 13 周++50% ~ +70%持续优化 CLAUDE.md、知识库、记忆系统
+
+
+ + +
+

十、落地路线图：从试点到全面推广

+ +

9.1 三阶段推进计划

+ +
+
表：12 周落地路线图
+ + + + + + + + + + + + + + + + + + + + + + + +
阶段时间目标关键任务参与人
Phase 1第 1-2 周基础搭建 + ① 选定 2-3 名种子开发者（技术过硬 + 对 AI 有热情）
+ ② 配置 Claude Code + DeepSeek + Qwen API 访问
+ ③ 完善试点项目的 CLAUDE.md 和设计规范文件
+ ④ 搭建 open-code-review CI 流水线
+ ⑤ 建立个人 Memory 文件模板 + 		技术负责人 + 种子开发者
Phase 2第 3-6 周试点验证 + ① 种子开发者在 1-2 个真实项目中全程使用 AI 工具链
+ ② 每日记录效率数据和遇到的问题
+ ③ 积累项目级 Memory 和踩坑经验
+ ④ 搭建 Dify 知识库，导入历史方案文档
+ ⑤ 每周团队分享：AI 使用技巧和案例分析 + 		种子开发者 + 全团队（观察学习）
Phase 3第 7-12 周全面推广 + ① 基于试点经验制定团队 AI 使用规范（写入 CLAUDE.md）
+ ② 全员培训：第 7 周入门培训，第 8-10 周角色专项培训
+ ③ 所有新项目默认启用 AI 工具链
+ ④ 建立 AI 使用效果度量看板（效率提升、Bug 率、代码质量）
+ ⑤ 月度 AI 使用复盘会，持续优化流程 + 		全员
+
+ +

9.2 成功的关键前提

+ +
+

⚠️ 四个"不开始"原则

+

1. CLAUDE.md 不完善不开始。项目规约文件是 AI 的"入职培训材料"。没有清晰的编码规范、架构约定、目录结构说明，AI 产出的代码质量将大幅下降。

+

2. 种子开发者未通过试用期不推广。种子开发者需要 2-4 周达到"熟练期"效率水平。在此之前向全团队推广会导致集体挫败感。

+

3. CI 门禁未就绪不进入生产项目。open-code-review + 自动化测试必须在新项目启动前就位。没有自动化质量门禁的 AI 辅助开发 = 代码质量失控。

+

4. 管理层未理解 AI 的开发模式不启动。AI 辅助开发不是"AI 写代码，人只需要点确认"。开发者需要新的技能：需求描述能力、方案评审能力、上下文管理能力。管理层需要重新定义绩效考核标准（从"代码行数"转向"功能交付速度和质量"）。

+
+ +

9.3 度量指标

+ +
+
表：AI 开发流程的关键度量指标
+ + + + + + + + +
指标定义基线（传统）目标（6 个月）
需求→上线周期从需求确认到功能上线的日历天数15-30 天7-15 天
代码审查时间PR 从提交到合并的平均时间1-2 天2-4 小时
生产 Bug 率每千次部署的生产环境 Bug 数量基线降低 30-50%
测试覆盖率代码行覆盖率30-50%70-85%
知识复用率新项目中复用历史方案/代码的比例10-20%40-60%
开发者满意度匿名问卷"AI 工具是否让你更享受编程"—≥ 80% 正面
+
+ +
+ +
+

研发型企业 AI 转型方案 · 第四篇章：AI 驱动开发流程

+

编制：大客户及解决方案中心 · 2026 年 5 月 · V1.0

+

工具链版本：Claude Code (主力 Agent) · DeepSeek API · 通义千问（百炼）· alibaba-group/open-code-review · Dify 知识库 · Claude Memory

+
+ +
+ + + + + + + \ No newline at end of file diff --git a/研发型企业AI转型方案/报告/ai-transformation-plan.html b/研发型企业AI转型方案/报告/ai-transformation-plan.html new file mode 100644 index 0000000..732f982 --- /dev/null +++ b/研发型企业AI转型方案/报告/ai-transformation-plan.html @@ -0,0 +1,3370 @@ + + + + + + 研发型企业 AI 转型方案 — 工具矩阵·培训体系·售前交付方法论 + + + + + +
+ + +
+ + ← 知识库首页 +

研发型企业 AI 转型方案

+ v1.0 · 2026-05-30 +
+ + + + + +
+ + + + +
+
Part One
+

第一篇：AI 工具全景图与角色赋能矩阵

+

覆盖 7 大类别 30+ 款 AI 工具，4 大核心角色赋能矩阵，3 种预算级别推荐技术栈

+
+ +
+

📋 编制说明

+

编制单位：上海电气集团数字科技有限公司 · 大客户及解决方案中心

+

编制日期：2026年5月

+

适用对象：客户运营、数智应用、智慧企业、智能制造四个团队

+

时间基准：2025-2026年市场数据

+
+ + +
+

AI 工具全景图

+ + +
+

1.1 通用大模型对话

+ +
+ +
+

① DeepSeek

+
深度求索（DeepSeek）
+
⭐⭐⭐⭐⭐
+

擅长领域：深度推理、代码生成、数学分析、长文本理解

+
    +
  • 优 推理能力在国产模型中处于第一梯队
    • +
  • 优 完全免费或极低成本
    • +
  • 优 国内直连无访问障碍
    • +
  • 缺 多模态能力相对较弱
    • +
  • 缺 企业级产品生态尚在建设中
    • +
+

场景 技术问题分析、方案初稿生成、代码审查辅助、复杂逻辑推理

+

私有化 ✅ 开源模型可私有化部署（DeepSeek-V3/R1），硬件要求较高

+
+ +
+

② 通义千问（Qwen）

+
阿里巴巴
+
⭐⭐⭐⭐⭐
+

擅长领域：超长文本处理（100万+ tokens）、办公场景集成、中文理解

+
    +
  • 优 百万级上下文窗口适合长文档分析
    • +
  • 优 与阿里云生态深度整合
    • +
  • 优 企业级API稳定
    • +
  • 缺 部分场景输出风格偏模板化
    • +
  • 缺 代码能力略逊于 Claude
    • +
+

场景 招标文件全文解读、长报告摘要、方案文档起草、知识库问答

+

私有化 ✅ 开源模型（Qwen3系列）可本地部署，也可通过阿里云百炼平台调用

+
+ +
+

③ ChatGPT（GPT-5 系列）

+
OpenAI
+
⭐⭐⭐⭐（国内可用性扣分）
+

擅长领域：全能型对话、多模态理解、复杂推理、创意生成

+
    +
  • 优 综合能力全球最强之一
    • +
  • 优 插件与工具生态丰富（GPTs、联网搜索、代码执行）
    • +
  • 优 多模态能力突出（图片/语音/视频理解）
    • +
  • 缺 国内访问需特殊网络或API中转
    • +
  • 缺 价格较高（Plus $20/月，Pro $200/月）
    • +
+

场景 高端方案创意、国际化项目交付、竞品分析、复杂问题研究

+

私有化 ❌ 无开源版本，仅可通过API或企业版使用

+
+ +
+

④ Claude（Claude 4 系列）

+
Anthropic
+
⭐⭐⭐⭐（国内可用性扣分）
+

擅长领域：长文本理解与分析、代码辅助、逻辑推理、文档撰写

+
    +
  • 优 超长上下文（200K tokens），长文档分析出色
    • +
  • 优 写作质量高，"人性化"表达自然
    • +
  • 优 代码理解与分析能力强
    • +
  • 缺 国内直接访问受限
    • +
  • 缺 中文生态工具集成不如国产模型丰富
    • +
+

场景 复杂方案撰写、技术架构分析、代码审查、深度研究报告

+

私有化 ❌ 无开源版本，可通过 AWS Bedrock / Google Vertex AI

+
+ +
+

⑤ Kimi

+
月之暗面（Moonshot AI）
+
⭐⭐⭐⭐
+

擅长领域：超长文本处理、快速信息检索、多模态理解

+
    +
  • 优 超长上下文处理稳定
    • +
  • 优 国内直连，响应速度快
    • +
  • 优 联网搜索能力优秀
    • +
  • 缺 复杂推理与顶级模型有差距
    • +
  • 缺 API生态不如通义千问丰富
    • +
+

场景 竞品调研报告、政策法规梳理、长文档快速摘要、日常知识问答

+

私有化 ❌ 暂无开源版本

+
+ +
+
+ + +
+

1.2 代码辅助

+ +
+ +
+

① GitHub Copilot

+
GitHub（微软）
+
⭐⭐⭐⭐⭐
+

擅长领域：代码自动补全、Chat问答、代码审查、Agent模式

+
    +
  • 优 IDE集成最成熟（VS Code/JetBrains全系）
    • +
  • 优 生态最丰富（180万+企业用户）
    • +
  • 优 性价比高（$10/月个人版）
    • +
  • 缺 国内网络访问可能不稳定
    • +
  • 缺 对中文注释/业务语境理解不如国产工具
    • +
+

场景 日常编码补全、单元测试生成、代码审查、Bug修复建议

+

私有化 ❌ 无本地部署；Enterprise 提供企业级安全管控

+
+ +
+

② Cursor

+
Anysphere
+
⭐⭐⭐⭐⭐
+

擅长领域：AI原生IDE、多文件编辑、代码库全局理解、Agent编码

+
    +
  • 优 全代码库理解能力强，跨文件修改准确
    • +
  • 优 Agent模式可端到端完成复杂开发任务
    • +
  • 优 支持自定义模型接入
    • +
  • 缺 费用较高（Pro $20/月）
    • +
  • 缺 国内访问需特殊网络
    • +
+

场景 大型项目重构、跨模块功能开发、代码架构理解、快速原型开发

+

私有化 ❌ 无本地部署选项

+
+ +
+

③ 通义灵码

+
阿里巴巴
+
⭐⭐⭐⭐⭐
+

擅长领域：中文代码补全、企业级Java开发、JetBrains全系列IDE

+
    +
  • 优 个人基础版完全免费
    • +
  • 优 中文业务语境理解优秀
    • +
  • 优 企业版支持数据安全合规
    • +
  • 缺 复杂代码推理能力弱于 Copilot/Cursor
    • +
  • 缺 插件稳定性偶有问题
    • +
+

场景 国内团队日常编码、Java/微服务开发、代码注释生成、单元测试

+

私有化 ✅ 企业版支持私有化部署和数据安全管控

+
+ +
+

④ Trae（字节跳动）

+
字节跳动
+
⭐⭐⭐⭐
+

擅长领域：AI原生IDE、自然语言编程、SOLO模式

+
    +
  • 优 免费版功能充足，日常开发足够
    • +
  • 优 对非技术背景人员友好
    • +
  • 优 国内直连体验好
    • +
  • 缺 大型复杂项目稳定性待验证
    • +
  • 缺 海外项目场景受限
    • +
+

场景 快速原型开发、低代码场景、初级开发者辅助、内部工具开发

+

私有化 ❌ 暂无私有化部署选项

+
+ +
+

⑤ Claude Code

+
Anthropic
+
⭐⭐⭐⭐
+

擅长领域：终端级Agentic编程、代码库全局操作、自动化任务

+
    +
  • 优 终端原生操作，遵循Unix哲学
    • +
  • 优 代码库理解深度突出
    • +
  • 优 支持自主执行（读取、编辑、运行）
    • +
  • 缺 学习曲线较陡（命令行优先）
    • +
  • 缺 国内访问受限
    • +
+

场景 DevOps脚本开发、自动化流水线编写、代码库深度重构、技术架构分析

+

私有化 ❌ 通过 Anthropic API 使用

+
+ +
+
+ + +
+

1.3 文档与知识管理

+ +
+ +
+

① 飞书智能伙伴（My AI）

+
字节跳动
+
⭐⭐⭐⭐⭐
+

擅长领域：企业办公协同、会议纪要、文档生成、知识库管理

+
    +
  • 优 与飞书全生态深度整合
    • +
  • 优 支持会议纪要自动生成+待办跟踪
    • +
  • 优 企业知识库智能问答
    • +
  • 缺 深度绑定飞书生态，跨平台受限
    • +
+

场景 会议纪要、项目文档协同、团队知识库问答、周报/月报生成

+

私有化 ✅ 飞书企业版支持私有云部署

+
+ +
+

② Notion AI

+
Notion Labs
+
⭐⭐⭐⭐
+

擅长领域：知识管理、项目文档、Wiki协作、AI辅助写作

+
    +
  • 优 文档+数据库+AI一体化体验优秀
    • +
  • 优 模板丰富，上手快
    • +
  • 缺 国内访问速度偏慢
    • +
  • 缺 中文排版体验不如飞书
    • +
+

场景 项目Wiki管理、方案文档协作、知识沉淀与检索

+

私有化 ❌ 仅SaaS版本

+
+ +
+

③ Gamma（AI 演示文稿）

+
Gamma Tech
+
⭐⭐⭐⭐
+

擅长领域：AI生成PPT/演示文稿、视觉化表达、快速排版

+
    +
  • 优 输入主题即可一键生成精美PPT
    • +
  • 优 支持多种风格模板
    • +
  • 缺 中文模板相对较少
    • +
  • 缺 复杂业务逻辑需手动调整
    • +
+

场景 售前方案PPT快速生成、项目汇报材料、内部培训课件

+

私有化 ❌ 仅SaaS版本

+
+ +
+

④ 金山文档 WPS AI

+
金山办公
+
⭐⭐⭐⭐⭐
+

擅长领域：办公文档AI辅助、表格分析、PPT生成、PDF处理

+
    +
  • 优 国产办公软件领导者，兼容性好
    • +
  • 优 AI辅助覆盖Word/Excel/PPT/PDF全链路
    • +
  • 优 企业版支持私有化
    • +
  • 缺 AI功能需付费解锁
    • +
+

场景 合同文档辅助编辑、数据报表生成、投标文件排版

+

私有化 ✅ WPS 365 企业版支持私有云/混合云部署

+
+ +
+

⑤ Napkin AI

+
Napkin AI
+
⭐⭐⭐
+

擅长领域：文本转可视化图表、流程图、思维导图

+
    +
  • 优 粘贴文字即可自动生成专业图表
    • +
  • 优 风格多样（流程图/架构图/信息图）
    • +
  • 缺 中文标注支持一般
    • +
  • 缺 复杂业务图表需手动调整
    • +
+

场景 方案中的架构图/流程图生成、汇报材料可视化

+

私有化 ❌ 仅SaaS版本

+
+ +
+
+ + +
+

1.4 数据分析

+ +
+ +
+

① ChatGPT Code Interpreter

+
OpenAI
+
⭐⭐⭐⭐
+

擅长领域：上传数据文件直接分析、可视化图表生成、统计建模

+
    +
  • 优 上传Excel/CSV即可获得专业分析报告
    • +
  • 优 自动生成可视化图表
    • +
  • 优 支持Python代码执行
    • +
  • 缺 国内访问受限
    • +
+

场景 项目数据分析报告、客户业务数据洞察、财务数据建模

+

私有化 ❌ 仅ChatGPT Plus/Pro可用

+
+ +
+

② Chat2DB

+
Chat2DB（国产开源）
+
⭐⭐⭐⭐
+

擅长领域：自然语言转SQL查询、数据库管理、数据可视化

+
    +
  • 优 自然语言描述即可生成SQL
    • +
  • 优 支持多种数据库（MySQL/PG/Oracle等）
    • +
  • 优 开源免费，可私有化
    • +
  • 缺 复杂SQL生成准确率有提升空间
    • +
+

场景 客户系统数据查询、数据库迁移辅助、快速数据分析

+

私有化 ✅ 开源，支持本地部署

+
+ +
+

③ Julius AI

+
Julius AI
+
⭐⭐⭐
+

擅长领域：数据可视化、统计分析、AI驱动的数据探索

+
    +
  • 优 交互体验好，图表专业美观
    • +
  • 优 支持多种数据源
    • +
  • 缺 国内访问不便
    • +
  • 缺 免费版有使用次数限制
    • +
+

场景 客户数据分析报告、项目KPI可视化、业务趋势分析

+

私有化 ❌ 仅SaaS版本

+
+ +
+

④ 阿里云 Quick BI（智能分析）

+
阿里巴巴
+
⭐⭐⭐⭐
+

擅长领域：企业级BI报表、数据大屏、智能分析

+
    +
  • 优 企业级数据分析平台，功能完整
    • +
  • 优 与阿里云数据产品深度集成
    • +
  • 缺 价格偏高
    • +
  • 缺 学习曲线较陡
    • +
+

场景 企业级数据报表、客户业务分析平台、项目运营大屏

+

私有化 ✅ 支持私有化部署

+
+ +
+
+ + +
+

1.5 设计与可视化

+ +
+ +
+

① Midjourney

+
Midjourney Inc.
+
⭐⭐⭐⭐
+

擅长领域：AI图像生成、概念设计、场景渲染

+
    +
  • 优 图像质量业内领先
    • +
  • 优 风格多样，效果惊艳
    • +
  • 缺 国内访问需特殊网络
    • +
  • 缺 商用版权有争议
    • +
+

场景 方案概念图、项目效果图、演示视觉素材

+

私有化 ❌ 无

+
+ +
+

② 即时设计 AI

+
即时设计（北京雪云科技）
+
⭐⭐⭐⭐⭐
+

擅长领域：UI/UX设计、原型设计、设计稿转代码

+
    +
  • 优 国产Figma替代品，国内访问流畅
    • +
  • 优 AI生成功能（文字生UI/设计稿）
    • +
  • 优 支持设计系统管理
    • +
  • 缺 国际项目协作不如Figma通用
    • +
+

场景 系统原型设计、UI界面设计、交互原型

+

私有化 ✅ 企业版支持私有化部署

+
+ +
+

③ Figma AI

+
Figma（Adobe旗下）
+
⭐⭐⭐⭐
+

擅长领域：UI/UX协作设计、原型、设计系统

+
    +
  • 优 全球设计协作标准工具
    • +
  • 优 AI辅助设计（自动生成布局/组件建议）
    • +
  • 缺 国内访问偶尔不稳定
    • +
+

场景 国际化项目UI设计、客户系统原型、设计交付

+

私有化 ❌ 仅SaaS版本

+
+ +
+

④ DALL-E（ChatGPT内置）

+
OpenAI
+
⭐⭐⭐
+

擅长领域：AI图像生成、概念可视化、营销素材

+
    +
  • 优 与ChatGPT深度集成，对话式生成
    • +
  • 优 中文提示词理解较好
    • +
  • 缺 图像精细度不如Midjourney
    • +
+

场景 方案配图快速生成、概念可视化、营销素材

+

私有化 ❌ 无

+
+ +
+

⑤ 可画 Canva AI

+
Canva
+
⭐⭐⭐⭐
+

擅长领域：平面设计、营销物料、社交媒体素材

+
    +
  • 优 模板海量，上手极简单
    • +
  • 优 AI一键生成设计稿
    • +
  • 优 国内有中文版
    • +
  • 缺 专业设计能力不如Figma
    • +
+

场景 营销物料设计、社交媒体图片、简单海报和Banner

+

私有化 ❌ 仅SaaS版本；企业版可定制

+
+ +
+
+ + +
+

1.6 自动化与工作流

+ +
+ +
+

① Dify

+
Dify.AI（国产开源）
+
⭐⭐⭐⭐⭐
+

擅长领域：LLM应用编排、RAG知识库、AI Agent工作流

+
    +
  • 优 开源免费，可完全私有化
    • +
  • 优 可视化编排AI工作流
    • +
  • 优 支持多种大模型接入
    • +
  • 缺 企业版价格较高
    • +
+

场景 企业知识库问答、智能客服Bot、文档处理流水线

+

私有化 ✅ 开源社区版免费自部署

+
+ +
+

② 扣子 Coze

+
字节跳动（火山引擎）
+
⭐⭐⭐⭐⭐
+

擅长领域：自然语言搭建AI智能体、工作流编排、插件市场

+
    +
  • 优 零代码搭建AI Agent，上手极快
    • +
  • 优 插件生态丰富
    • +
  • 优 国内直连体验好
    • +
  • 缺 企业版费用从¥498/月起
    • +
+

场景 快速搭建智能客服、招标文件分析Agent、知识问答Bot

+

私有化 ⚠️ Coze Studio开源可本地运行

+
+ +
+

③ n8n

+
n8n.io（德国）
+
⭐⭐⭐⭐⭐
+

擅长领域：通用工作流自动化、多系统API集成、数据管道

+
    +
  • 优 开源免费可自托管
    • +
  • 优 400+系统连接器，集成能力强
    • +
  • 优 可视化拖拽编排
    • +
  • 缺 国内社区资源较少
    • +
+

场景 跨系统数据同步、定时报告自动生成、邮件自动化通知

+

私有化 ✅ 社区版完全免费自部署

+
+ +
+

④ Zapier AI

+
Zapier
+
⭐⭐⭐
+

擅长领域：SaaS应用连接、自动化工作流、AI增强集成

+
    +
  • 优 7000+应用连接器，全球最大
    • +
  • 优 AI辅助创建工作流
    • +
  • 缺 价格较高（Starter $19.99/月起）
    • +
  • 缺 国内SaaS生态覆盖有限
    • +
+

场景 国际项目工具链集成、邮件自动化、CRM数据同步

+

私有化 ❌ 仅SaaS版本

+
+ +
+

⑤ 影刀 RPA

+
影刀科技（国产）
+
⭐⭐⭐⭐
+

擅长领域：RPA机器人流程自动化、桌面/网页自动化、AI+RPA

+
    +
  • 优 国产RPA领导者，国内生态完善
    • +
  • 优 支持AI增强自动化
    • +
  • 缺 企业版费用较高
    • +
+

场景 财务自动化、数据采集、系统间批量操作、报表自动生成

+

私有化 ✅ 支持私有化部署

+
+ +
+
+ + +
+

1.7 垂直领域

+ +
+ +
+

① 云境标书 AI

+
云境科技
+
⭐⭐⭐⭐
+

擅长领域：投标文件智能生成、招标文件解析、标书结构化

+
    +
  • 优 支持数千页长文本处理
    • +
  • 优 免费开放招标解析和目录生成
    • +
  • 缺 生成质量需人工复核
    • +
+

场景 招标文件解读、投标文件初稿生成、评分标准对标分析

+

私有化 ⚠️ 支持企业定制方案

+
+ +
+

② 火眼审阅

+
火眼科技
+
⭐⭐⭐⭐
+

擅长领域：合同智能审查、风险条款识别、合规检查

+
    +
  • 优 专注合同审查细分领域
    • +
  • 优 一键导出清洁版/批注版/审查意见书
    • +
  • 缺 仅聚焦合同审查，功能较单一
    • +
+

场景 合同条款风险审查、合规性检查、合同对比分析

+

私有化 ✅ 支持企业私有化部署

+
+ +
+

③ 幂律智能

+
幂律智能
+
⭐⭐⭐⭐
+

擅长领域：智能合同起草、合同协作审查、条款库管理

+
    +
  • 优 覆盖合同全生命周期
    • +
  • 优 智能起草+协作审查
    • +
  • 缺 主要面向法务团队
    • +
+

场景 项目合同起草、合同评审流程、条款标准化管理

+

私有化 ✅ 支持企业级私有部署

+
+ +
+

④ AlphaGPT（法律AI）

+
幂律智能
+
⭐⭐⭐⭐
+

擅长领域：法律智能问答、法规检索、案例研究

+
    +
  • 优 国内率先通过备案的专业法律AI
    • +
  • 优 法律数据库丰富
    • +
  • 缺 法律专业领域外适用性有限
    • +
+

场景 项目合规性咨询、合同法律问题查询、行业法规研究

+

私有化 ✅ 支持

+
+ +
+

⑤ 契约锁

+
契约锁（泛微旗下）
+
⭐⭐⭐⭐
+

擅长领域：电子签章、AI合同管理、用印管理

+
    +
  • 优 已落地15项AI场景
    • +
  • 优 电子签章合规
    • +
  • 优 与OA系统深度集成
    • +
  • 缺 合同AI能力不如专业审查工具
    • +
+

场景 合同电子签署、用印管理、合同审批流程

+

私有化 ✅ 支持私有化部署

+
+ +
+
+ +
+ + +
+

角色×工作内容×AI工具 赋能矩阵

+ +

2.1 售前顾问

+
+ + + + + + + + + + + + + +
工作内容首选工具备选工具效率提升具体应用场景
需求调研DeepSeek / 通义千问Kimi40-50%将客户访谈录音转文字后，用AI提取关键需求点、痛点清单，自动生成结构化需求调研报告
招标文件解读云境标书AI通义千问（长文本）50-60%上传招标文件PDF，AI自动提取项目概况、资质要求、技术参数、评分标准、废标条款
投标方案编写通义千问 + GammaDeepSeek + WPS AI30-40%基于招标文件解析结果，AI生成方案初稿框架和各章节要点，人工补充专业细节后通过Gamma生成PPT
售前方案编写Claude / 通义千问ChatGPT35-45%输入项目背景和客户需求，AI生成技术方案框架、系统架构图描述、实施方法论
合同洽谈火眼审阅幂律智能40-50%上传合同草案，AI自动标记风险条款、合规问题，提供修改建议
竞品分析Kimi + ChatGPTDeepSeek50-60%AI联网搜索竞品最新动态、产品功能对比，自动生成结构化竞品分析报告
客户沟通纪要飞书智能伙伴通义千问60-70%会议录音自动转文字，AI提取关键决策、待办事项、责任人
+
+ +

2.2 项目经理

+
+ + + + + + + + + + + + + +
工作内容首选工具备选工具效率提升具体应用场景
计划制定ChatGPT / 通义千问Claude30-40%输入项目范围和里程碑，AI生成WBS分解结构、甘特图建议、资源分配方案
阶段汇报通义千问 + WPS AI飞书智能伙伴40-50%输入项目进展数据，AI自动生成周报/月报文档，包含进度概览、风险预警
团队管理飞书智能伙伴Notion AI20-30%AI辅助生成团队沟通话术、绩效反馈模板、会议议程
质量管理DeepSeek / 通义千问ChatGPT25-35%输入质量检查清单和缺陷数据，AI分析质量趋势、识别高频问题类型
问题管理DeepSeek通义千问30-40%记录问题描述和上下文，AI分析根因、推荐解决方案、评估影响范围
风险管理Claude / DeepSeekChatGPT35-45%输入项目背景和风险清单，AI进行风险评估（概率×影响矩阵），生成风险应对预案
项目总结通义千问Kimi40-50%输入项目全过程数据，AI自动生成项目总结报告、经验教训文档
+
+ +

2.3 应用顾问

+
+ + + + + + + + + + + + + +
工作内容首选工具备选工具效率提升具体应用场景
蓝图设计Claude + Napkin AIChatGPT + 即时设计30-40%AI辅助梳理业务流程，生成业务流程图、系统架构图、数据流图
原型设计即时设计 AIFigma AI40-50%输入功能需求和用户故事，AI自动生成UI原型草稿、页面布局方案
接口设计Cursor / Claude CodeGitHub Copilot35-45%AI根据业务需求自动生成API接口文档（OpenAPI/Swagger）
FS编制Claude / 通义千问ChatGPT30-40%输入业务蓝图和原型，AI生成结构化FS文档
测试通义千问 + DeepSeekGitHub Copilot35-45%AI根据FS文档自动生成测试用例（正向/反向/边界）
数据迁移Chat2DB + DeepSeek通义千问40-50%AI分析源/目标数据结构差异，自动生成映射规则、转换脚本
上线支持通义千问DeepSeek25-35%AI辅助生成上线检查清单、用户操作手册、常见问题FAQ
+
+ +

2.4 开发顾问

+
+ + + + + + + + + + + + + + + +
工作内容首选工具备选工具效率提升具体应用场景
FS沟通理解Claude / 通义千问DeepSeek30-40%将FS文档输入AI，生成技术实现方案建议、技术难点分析
前端开发CursorGitHub Copilot + 通义灵码40-60%Cursor理解前端项目全局结构，跨组件修改代码
后端开发GitHub Copilot + Cursor通义灵码45-60%Copilot处理代码补全和单元测试；Cursor处理复杂业务逻辑
数据库开发Chat2DB + GitHub Copilot通义灵码40-50%自然语言描述数据需求，Chat2DB生成SQL/存储过程/索引建议
单元测试GitHub Copilot通义灵码50-60%选中函数/方法，Copilot自动生成完整测试用例，覆盖率可达80%+
集成测试DeepSeek + CursorClaude Code30-40%AI根据接口文档生成集成测试脚本、Mock数据
Bug修复CursorGitHub Copilot40-50%粘贴错误日志和上下文代码，Cursor定位Bug根因并提供修复方案
代码审查Claude CodeGitHub Copilot35-45%AI审查代码变更，识别潜在Bug、性能问题、安全风险
技术文档Claude / 通义千问DeepSeek40-50%输入代码和设计文档，AI自动生成API文档、部署文档
+
+ +
+ + +
+

推荐技术栈组合

+ +

3.1 🟢 轻量级组合（人均 < 500元/月）

+ +

定位：预算有限的初创团队或小规模项目组，以免费/低成本工具为主

+ +

工具清单

+
+ + + + + + + + + + + + + +
工具用途月费/人备注
DeepSeek（免费）通用对话/推理¥0国产顶级推理模型，完全免费
通义千问（免费）通用对话/长文本¥0百万级上下文，长文档利器
通义灵码（免费版）代码辅助¥0个人基础版免费，日常编码够用
Kimi（免费）信息检索/文档分析¥0联网搜索能力强
飞书智能伙伴办公协同/会议含飞书基础版飞书基础版即可使用
扣子 Coze（免费版）AI Agent搭建¥0零代码搭建智能体
Dify（社区版）AI工作流¥0（自托管）需自备服务器，约¥30/月
即时设计（免费版）UI原型¥0基础功能免费
WPS AI（基础版）文档处理~¥30WPS会员含基础AI
+
+ +

费用估算

+
+ + + + + + + +
项目费用
工具订阅¥30-60/人/月
服务器（Dify自托管）¥30-50/月（团队共享）
合计人均¥50-120/人/月
+
+ +

适用团队规模

+ + +
+

优势与局限

+

✅ 成本极低，核心工具全部免费

+

✅ 国内全链路无障碍使用

+

⚠️ 缺少海外顶级模型（ChatGPT/Claude/Copilot）

+

⚠️ 无私有化部署能力，数据安全性依赖SaaS平台

+
+ +

3.2 🟡 标准级组合（人均 500-1500元/月）

+ +

定位：中等规模团队的标准化AI工具链，兼顾国内外优质工具

+ +

工具清单

+
+ + + + + + + + + + + + + + + + + + + + + + +
工具用途月费/人备注
通用模型
DeepSeek + 通义千问国产通用对话¥0-50日常对话和分析主力
ChatGPT Plus高端对话/分析~¥145（$20）通过API中转或企业采购
代码辅助
GitHub Copilot Pro代码补全/测试~¥72（$10）IDE集成最成熟
通义灵码（企业版）代码辅助+合规~¥59国内合规+私有化
文档与知识
飞书智能伙伴（企业版）办公协同含飞书企业版约¥30-60/人/月
WPS AI（Pro版）文档处理~¥50全链路AI文档处理
Gamma ProPPT生成~¥72（$10）方案演示必备
数据分析
Chat2DB（开源）数据库查询¥0自然语言转SQL
设计与可视化
即时设计 AI（团队版）UI原型~¥30-50国产设计工具
Napkin AI图表可视化~¥50文字转图表
自动化
Dify（专业版）AI工作流~¥430/团队（$59）团队共享，人均摊薄
扣子 Coze（进阶版）AI Agent~¥40快速搭建智能体
+
+ +

费用估算

+
+ + + + + + + + +
项目费用
工具订阅¥550-750/人/月
团队共享工具（Dify等）¥50-100/人/月（均摊）
API用量（按量付费）¥50-200/人/月
合计人均¥650-1050/人/月
+
+ +

适用团队规模

+ + +
+

优势与局限

+

✅ 国内外工具组合，能力互补

+

✅ ChatGPT加持高端场景

+

✅ GitHub Copilot大幅提升开发效率

+

⚠️ 需要管理多个工具的账号和费用

+

⚠️ 部分海外工具有访问稳定性风险

+
+ +

3.3 🔴 专业级组合（人均 1500-3000元/月）

+ +

定位：大型团队的专业级AI工具矩阵，全面覆盖企业级安全、合规和私有化需求

+ +

工具清单

+
+ + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +
工具用途月费/人备注
通用模型
DeepSeek + 通义千问（API）国产模型底座¥100-200（API）大批量调用
ChatGPT Pro/Team高端分析~¥290-1450按场景选择
Claude Pro深度分析/写作~¥145（$20）长文档和代码分析
代码辅助
Cursor ProAI原生IDE~¥145（$20）复杂项目开发
GitHub Copilot Business代码补全/安全~¥138（$19）企业级安全管控
通义灵码（企业版）代码辅助+合规~¥59-100私有化部署
文档与知识
飞书企业旗舰版全生态协同~¥60-100含智能伙伴
WPS 365 企业版办公文档~¥50-80私有化可选
Gamma Business演示文稿~¥145（$20）高端演示
数据分析
Quick BI企业级BI¥100-200数据大屏和报表
Chat2DB（私有化）数据查询一次性部署费私有化部署
设计与可视化
即时设计 AI（企业版）UI设计~¥50-80私有化部署
Figma Professional国际协作设计~¥108（$15）国际项目
Midjourney概念图/效果图~¥216（$30）高质量图像生成
自动化与工作流
Dify（企业版/自托管）AI工作流¥200-500（均摊）全面私有化
n8n（自托管）系统自动化~¥50-100（服务器）400+系统连接
扣子 Coze（企业版）AI Agent~¥100-200智能体平台
垂直领域
云境标书AI投标文件~¥100-200投标效率工具
火眼审阅合同审查~¥100-200风险管控
契约锁电子签章~¥50-100合同管理
+
+ +

费用估算

+
+ + + + + + + + + +
项目费用
工具订阅¥1,500-2,200/人/月
团队共享工具（均摊）¥200-400/人/月
API用量¥100-300/人/月
私有化部署均摊（年化）¥100-200/人/月
合计人均¥1,900-3,100/人/月
+
+ +

适用团队规模

+ + +
+

优势与局限

+

✅ 全链路覆盖，从售前到交付完整AI赋能

+

✅ 核心工具支持私有化部署，数据安全可控

+

✅ 国内外顶级工具组合，能力无短板

+

✅ 垂直领域工具（投标/合同/签章）深度赋能

+

⚠️ 投入较大，需要管理层支持和ROI评估

+

⚠️ 需要专职AI工具管理员负责运维和培训

+
+ +

附录：工具速查索引

+ +

按预算级别快速选型

+
+ + + + + + + + + + + +
工具类别🟢 轻量级🟡 标准级🔴 专业级
通用对话DeepSeek + 通义千问 + Kimi+ ChatGPT Plus+ Claude Pro + API
代码辅助通义灵码免费版+ GitHub Copilot Pro+ Cursor Pro + Copilot Business
文档协同飞书基础版 + WPS基础+ WPS AI Pro + Gamma+ 飞书旗舰 + WPS企业 + Gamma
数据分析Chat2DB（开源）+ ChatGPT数据分析+ Quick BI
设计可视化即时设计免费版+ 即时设计团队 + Napkin+ 即时设计企业 + Figma + MJ
自动化Dify社区版 + Coze免费+ Dify专业 + Coze进阶+ Dify企业 + n8n + Coze企业
垂直领域—云境标书AI+ 火眼审阅 + 契约锁
+
+ +

私有化部署能力汇总

+
+ + + + + + + + + + + + + + + + +
工具私有化选项部署方式数据安全等级
DeepSeek✅ 开源模型GPU服务器自部署⭐⭐⭐⭐⭐
通义千问✅ 开源模型GPU服务器 / 阿里云百炼⭐⭐⭐⭐⭐
通义灵码企业版✅ 企业版私有云部署⭐⭐⭐⭐⭐
Dify✅ 开源Docker自部署⭐⭐⭐⭐⭐
n8n✅ 开源Docker自部署⭐⭐⭐⭐⭐
Chat2DB✅ 开源本地部署⭐⭐⭐⭐⭐
即时设计企业版✅ 企业版私有云⭐⭐⭐⭐
WPS 365企业版✅ 企业版私有云/混合云⭐⭐⭐⭐⭐
飞书企业版✅ 企业版私有云⭐⭐⭐⭐⭐
火眼审阅✅ 企业版私有化部署⭐⭐⭐⭐
契约锁✅ 企业版私有化部署⭐⭐⭐⭐
扣子 Coze⚠️ 有限Coze Studio开源 / 企业版定制⭐⭐⭐
+
+ +
+

📌 文档版本信息

+

版本：v1.0 · 更新日期：2026年5月30日

+

维护责任人：大客户及解决方案中心 · AI工具选型组

+

下次评审日期：2026年9月（建议每季度评审一次工具选型）

+
+ +
+ + + + +
+
Part Two
+

第二篇：AI 分级培训方案

+

入门→中级→进阶三级培训体系，覆盖 4 大核心角色，6 个月完整培训周期

+
+ +
+

📋 编制说明

+

适用单位：上海电气集团数字科技有限公司 · 大客户及解决方案中心

+

版本：v1.0 · 2026-05-30

+

编制原则：围绕售前顾问、项目经理、应用顾问、开发顾问四大核心角色，以"学完即用、用完见效"为原则，每节课均配备实操任务与考核标准。

+
+ + +
+

培训体系总览

+ +

1.1 培训目标

+
+ + + + + + + + + +
维度具体目标
效率提升全员日常办公效率提升 30%+（文档编写、会议纪要、邮件沟通等）
质量提升售前方案、FS 文档、代码交付质量提升，返工率降低 20%+
能力沉淀每位学员建立个人 AI 知识库，形成可复用的 Prompt 资产库
商业转化进阶学员能独立构建面向客户的 AI 解决方案 Demo，支撑新业务拓展
组织进化6 个月后形成"AI 优先"的工作习惯，沉淀出 AI 时代售前/交付方法论
+
+ +

1.2 培训周期规划（6 个月一轮）

+
月份  M1          M2          M3          M4          M5          M6
+     ┌───────────┬───────────┬───────────┬───────────┬───────────┬───────────┐
+     │  入门必修  │ 入门+角色  │  角色专项  │  角色专项  │  进阶训练  │ 结业冲刺  │
+     │  (全员)    │  分流开始   │  (中级)    │  (中级)    │  (选修)    │  项目答辩  │
+     └───────────┴───────────┴───────────┴───────────┴───────────┴───────────┘
+      ←─ 基础夯实 ─→←──────── 角色深化 ────────→←──── 高阶突破 ────→
+ +

1.3 参与人员与分组策略

+ +

分组原则：

+ + +
+ + + + + + + + +
角色组建议人数组长要求
售前顾问组8-12 人资深售前或售前总监
项目经理组6-10 人高级 PM 或 PMO 负责人
应用顾问组10-15 人高级应用顾问或交付总监
开发顾问组10-15 人技术负责人或架构师
+
+ +

1.4 考核与激励机制

+ +

积分制体系

+
+ + + + + + + + + + +
得分项分值说明
完成课程学习10 分/课出勤 + 课堂参与
提交实操课作业20 分/次按质量评分 A/B/C/D
在团队群分享 AI 技巧5 分/次鼓励知识共享，上限 30 分/月
月度实战考核50 分/次按考核排名赋分
结业项目答辩100 分评审团打分
发现并报告 AI 工具新用法10 分/次鼓励探索精神
+
+ +

激励措施

+ + +
+ + +
+

入门级课程（全员必修）

+ +

面向所有角色，共 6 节课 + 1 次综合考核。目标：人人都能用 AI 工具完成日常办公任务。

+ +

课程 E1：AI 工具由来与发展简史——为什么现在是转型窗口期

+ +
+ + + + + + + +
项目内容
时长2 小时
授课方式线下集中授课（全员）
前置条件无
+
+ +

课程大纲

+
    +
  1. AI 发展简史（30 分钟） +
      +
    • 从规则系统到深度学习：60 年曲折历程
      • +
    • 2022-2026 大模型爆发：ChatGPT → GPT-4 → Claude → 国产大模型（文心、通义、Kimi、豆包、DeepSeek）
      • +
    • 关键转折点：为什么 2025-2026 是企业 AI 落地的最佳窗口
      • +
    +
    2. +
  2. IT 服务行业 AI 变革趋势（30 分钟） +
      +
    • 咨询/售前：AI 正在改变方案编写和客户需求分析方式
      • +
    • 项目管理：AI 辅助风险预警和资源调度
      • +
    • 开发交付：AI 编程助手已成为行业标配
      • +
    • 行业案例：埃森哲、IBM、汉得等同行公司的 AI 转型实践
      • +
    +
    3. +
  3. 主流 AI 工具全景图（30 分钟） +
      +
    • 通用对话类：ChatGPT、Claude、文心一言、通义千问、Kimi、豆包、DeepSeek
      • +
    • 编程辅助类：GitHub Copilot、Cursor、Claude Code、通义灵码
      • +
    • 内容创作类：Gamma（PPT）、美图 AI（设计）、剪映 AI（视频）
      • +
    • 企业工具类：Dify、Coze、FastGPT、MaxKB
      • +
    • 工具选型建议：按角色推荐首选工具包
      • +
    +
    4. +
  4. 转型心态建设（30 分钟） +
      +
    • AI 不会替代你，但会用 AI 的人会替代你
      • +
    • 学习曲线：前 2 周最痛苦，坚持 1 个月形成习惯
      • +
    • 常见误区：AI 不是搜索引擎、AI 会编造事实、AI 需要持续迭代 Prompt
      • +
    +
    5. +
+ +

实操内容

+ + +

考核标准

+ + +

课程 E2：主流 AI 工具安装与配置（手把手）

+ +
+ + + + + + + +
项目内容
时长3 小时（含实操）
授课方式线下 Workshop（带电脑，手把手操作）
前置条件完成 E1
+
+ +

课程大纲

+
    +
  1. 账号注册与环境准备（60 分钟） +
      +
    • ChatGPT/Claude 注册（含科学上网方案，提供公司统一账号）
      • +
    • 国产工具注册：Kimi、通义千问、豆包、DeepSeek（无需翻墙，人人可装）
      • +
    • 浏览器插件安装：AI 侧边栏（Monica、Sider 等）
      • +
    • 移动端 App 安装：便于碎片时间使用
      • +
    +
    2. +
  2. 编程开发工具安装（60 分钟，开发顾问重点，其他人了解） +
      +
    • Cursor 安装与配置
      • +
    • VS Code + Copilot/通义灵码插件安装
      • +
    • Claude Code 终端工具安装
      • +
    +
    3. +
  3. 企业级工具体验（30 分钟） +
      +
    • Dify/FastGPT 平台注册与简单体验
      • +
    • 了解 API 调用基础概念（非技术人员只需了解）
      • +
    +
    4. +
  4. 个人 AI 工作台搭建（30 分钟） +
      +
    • 建立个人 Prompt 模板文件夹
      • +
    • 常用 Prompt 收藏与分类
      • +
    • 建立"AI 使用日志"习惯
      • +
    +
    5. +
+ +

考核标准

+ + +

课程 E3：Prompt Engineering 基础

+ +
+ + + + + + + +
项目内容
时长3 小时（理论 1.5h + 实操 1.5h）
授课方式线下 Workshop
前置条件完成 E2
+
+ +

Prompt 六大核心技巧

+
+ + + + + + + + + + +
技巧说明示例
角色设定给 AI 一个专家身份"你是一位有 15 年经验的 SAP 实施顾问..."
任务明确清晰描述要做什么"请将以下需求文档提炼为功能清单，按模块分组"
上下文提供给足背景信息附上项目背景、客户行业、现有系统等信息
输出格式指定期望的输出格式"请用表格形式输出，包含列：序号、功能名称、优先级、工时估算"
示例引导给 1-2 个示例（Few-shot）"参考以下格式：..."
分步拆解复杂任务分步执行"第一步：分析现状；第二步：列出问题；第三步：给出建议"
+
+ +

Prompt 常见反模式与修正

+ + +

实操内容

+ + +

课程 E4：AI 辅助日常办公（邮件、会议纪要、文档整理）

+ +
+ + + + + + + +
项目内容
时长3 小时（理论 1h + 实操 2h）
授课方式线下 Workshop（带电脑实操）
前置条件完成 E3
+
+ +

课程大纲

+
    +
  1. AI 辅助邮件撰写（40 分钟） +
      +
    • 场景1：客户会议邀请邮件（正式/半正式两种风格）
      • +
    • 场景2：项目进度通知电子邮件（包含表格和要点提炼）
      • +
    • 场景3：合同条款沟通邮件（措辞严谨、有理有据）
      • +
    • 场景4：英文邮件撰写与润色（外企客户沟通场景）
      • +
    +
    2. +
  2. AI 辅助会议纪要（40 分钟） +
      +
    • 录音转文字工具：飞书妙记、讯飞听见、通义听悟
      • +
    • AI 整理会议纪要：提取议题、决议、待办、责任人
      • +
    • 生成不同格式的纪要（简版/详版/邮件版）
      • +
    +
    3. +
  3. AI 辅助文档整理与格式化（40 分钟） +
      +
    • Word 文档结构化整理（标题层级、编号、目录生成）
      • +
    • 长文档摘要生成（10 页报告 → 1 页精华摘要）
      • +
    • Excel 数据整理（数据清洗、公式生成、图表建议）
      • +
    • PPT 大纲生成（Gamma / AI PPT 工具快速生成演示文稿）
      • +
    +
    4. +
  4. AI 辅助信息检索与学习（20 分钟） +
      +
    • 用 AI 快速了解一个陌生行业/技术领域
      • +
    • 用 Perplexity/秘塔 AI 搜索获取带引用的研究报告
      • +
    +
    5. +
+ +

课程 E5：安全意识与数据合规——不能喂给 AI 的内容

+ +
+ + + + + + + +
项目内容
时长1.5 小时
授课方式线上直播 + 录播回放
前置条件完成 E2
+
+ +
+

🚫 绝对禁止输入 AI 的内容

+

客户合同条款原文（含金额、商务条件）；客户系统账号密码、数据库连接串；未公开的财务数据、经营数据；员工个人隐私信息（身份证、手机号、薪资）；涉密项目技术方案；集团内部会议纪要（标注"保密"级别的）

+
+ +
+

⚠️ 可以谨慎使用的内容

+

已公开的行业报告、政策文件；脱敏后的业务场景描述；通用技术问题的代码片段（不含业务逻辑）

+
+ +

数据脱敏实操

+ + +

考核标准

+ + +

课程 E6：入门综合实战考核

+ +
+ + + + + + + +
项目内容
时长2 小时（限时完成）
授课方式线下集中考核
前置条件完成 E1-E5 全部课程
+
+ +
+

📝 场景设定

+

你刚接到通知，下周二要去拜访一家制造业客户（年营收 50 亿，主营汽车零部件），客户希望了解数字化转型方案。你需要在 2 小时内完成以下准备工作：

+
+ +
+ + + + + + + + + + +
任务要求分值限时
1. 行业调研用 AI 生成汽车零部件行业数字化转型要点（至少 5 个方向）20 分20 分钟
2. 客户邮件写一封专业的拜访确认邮件（含议程安排）15 分15 分钟
3. 会议纪要模板用 AI 生成一份会议记录模板（针对需求调研场景）15 分10 分钟
4. 简要方案大纲生成一份数字化转型方案大纲 PPT（8-10 页）30 分40 分钟
5. 脱敏检查对所有产出物进行脱敏检查，标注检查点10 分15 分钟
6. 过程记录记录每步使用的工具、Prompt、迭代次数10 分贯穿全程
+
+ +
+ + + + + + + + +
等级分数区间说明
A（优秀）90-100高效、高质量完成，Prompt 精准，输出专业
B（良好）75-89基本完成，质量尚可，有少量优化空间
C（合格）60-74完成大部分任务，质量一般，AI 使用不够熟练
D（不合格）<60未完成或质量差，需要补课
+
+ +
+ + +
+

中级课程（按角色选修）

+ +

面向已完成入门课程的学员，按角色分组学习。每个角色 4-5 节专项课 + 1 次实战项目演练。目标：让 AI 成为角色的"数字副手"。

+ + +
+

3.1 售前顾问 AI 赋能课

+ +

课程 S1：AI 辅助招标文件解读与需求提炼（3小时）

+
    +
  • 推荐工具：Claude（长文本处理首选）、Kimi（中文长文档）、ChatGPT（分析推理）
    • +
  • 招标文件快速解读：上传完整招标文件，AI提取项目背景、核心需求、技术要求、资质要求、评分标准、关键时间节点、潜在风险点
    • +
  • 需求提炼与结构化：AI辅助生成需求矩阵（功能 × 优先级 × 复杂度），需求歧义识别
    • +
  • 招标应答策略分析：基于评分标准制定投标策略，竞品优势分析
    • +
  • 实操：解读一份30页模拟招标文件，输出《招标分析报告》
    • +
+ +

课程 S2：AI 辅助售前方案编写与 PPT 生成（4小时）

+
    +
  • 推荐工具：Claude/ChatGPT（方案编写）、Gamma/AiPPT（PPT生成）
    • +
  • 方案框架快速生成：基于招标需求，AI生成方案目录大纲
    • +
  • 方案正文高效编写：逐章节生成，公司案例/资质信息注入，方案润色与一致性检查
    • +
  • PPT 快速生成：从方案文档提取PPT大纲，Gamma一键生成，售前汇报话术AI辅助编写
    • +
  • 方案质量自检：AI辅助方案评审——"请以评审专家视角，指出方案的5个薄弱点"
    • +
  • 实操：完成一份完整的售前方案（含方案文档 + PPT，≥15页），限时2.5小时
    • +
+ +

课程 S3：AI 辅助竞品分析与市场洞察（2.5小时）

+
    +
  • 推荐工具：Perplexity（带引用搜索）、ChatGPT/Claude（深度分析）、秘塔AI搜索
    • +
  • 竞品信息快速收集：竞品产品功能对比矩阵自动生成，定价策略分析
    • +
  • 市场洞察报告生成：行业趋势分析，政策影响分析，竞争格局分析
    • +
  • 竞品话术库建设：AI辅助生成竞品对比话术，建立可复用的竞品分析知识库
    • +
  • 实操：选定一个实际竞争场景（如 SAP vs 用友 ERP），完成一份竞品分析报告
    • +
+ +

课程 S4：售前顾问实战项目演练（4小时）

+
+ + + + + + + + + + +
阶段时间任务
商机分析30 分钟分析客户背景、需求、竞争态势
需求调研30 分钟基于调研问卷（模拟），提炼核心需求
方案编写90 分钟完成方案文档 + PPT
内部评审30 分钟交叉评审，AI辅助检查方案质量
客户汇报30 分钟15分钟演讲 + 15分钟Q&A（讲师扮演客户）
复盘总结30 分钟全流程复盘，总结经验教训
+
+
+ + +
+

3.2 项目经理 AI 赋能课

+ +

课程 P1：AI 辅助项目计划与甘特图（3小时）

+
    +
  • 推荐工具：ChatGPT/Claude（计划生成）、飞书多维表格/Project（甘特图）
    • +
  • 项目计划快速生成：WBS分解结构，不同项目类型的计划模板（ERP实施、CRM定制、数据中台建设）
    • +
  • 甘特图与进度管理：AI生成可导入Project/飞书的CSV格式计划，关键路径分析
    • +
  • 项目估算辅助：三点估算法的AI辅助，风险缓冲计算
    • +
  • 实操：给定一份项目SOW，生成完整项目计划（WBS + 甘特图数据 + 资源计划）
    • +
+ +

课程 P2：AI 辅助风险识别与问题追踪（2.5小时）

+
    +
  • 风险识别与评估：Top 10风险识别，风险登记表自动生成（含描述、等级、责任人、应对措施）
    • +
  • 问题追踪与管理：问题日志模板生成，AI辅助问题根因分析（5-Why分析法）
    • +
  • 变更管理辅助：变更影响分析，变更审批建议
    • +
  • 实操：给定ERP实施项目UAT阶段场景，完成风险登记表（≥8项）、问题追踪表（≥10个）、变更影响分析报告
    • +
+ +

课程 P3：AI 辅助会议纪要与阶段汇报（2.5小时）

+
    +
  • 高效会议纪要：录音→AI转写→AI整理三步法，自动提取Action Items
    • +
  • 阶段汇报材料制作：周报/月报模板自动生成，进度数据可视化，高层汇报PPT快速生成
    • +
  • 专题汇报与复盘：项目复盘报告生成，经验教训总结与知识库沉淀
    • +
  • 实操：给定15分钟项目周会录音 + 进度数据表，完成标准会议纪要、项目月报、高层汇报PPT（5页精简版）
    • +
+ +

课程 P4：项目经理实战项目演练（4小时）

+
+ + + + + + + + + + +
阶段时间任务
项目启动30 分钟制定项目计划、风险登记表
周会模拟40 分钟模拟周会 → 生成纪要 → 提取待办
问题处理40 分钟处理突发问题（讲师出题）→ 根因分析 → 制定对策
变更管理30 分钟客户提出重大变更 → 影响分析 → 应对方案
阶段汇报40 分钟制作月度汇报材料 → 向"管理层"汇报
复盘总结30 分钟项目复盘 → 经验教训沉淀
+
+
+ + +
+

3.3 应用顾问 AI 赋能课

+ +

课程 A1：AI 辅助需求分析与蓝图设计（3.5小时）

+
    +
  • 推荐工具：Claude（长文本分析）、ChatGPT（结构化输出）、draw.io/ProcessOn（流程图）
    • +
  • 需求调研辅助：调研问卷/访谈提纲AI生成，需求分类与优先级排序（MoSCoW方法）
    • +
  • 业务流程分析与设计：现有流程描述 → AI生成流程图（Mermaid/PlantUML代码），流程优化建议
    • +
  • 蓝图设计辅助：业务蓝图框架生成，功能规格描述AI辅助编写，接口需求清单自动生成
    • +
  • 需求变更影响分析：变更请求对蓝图的影响范围分析
    • +
  • 实操：给定一份客户调研纪要（制造业采购到付款流程），完成需求清单、AS-IS流程图、TO-BE优化建议、蓝图设计大纲
    • +
+ +

课程 A2：AI 辅助 FS 文档编写（3小时）

+
    +
  • FS 文档结构与模板：标准FS模板AI生成，从蓝图需求自动推导FS框架
    • +
  • FS 内容高效编写：功能描述AI辅助撰写，业务规则结构化表达（决策表/决策树），数据字典自动生成
    • +
  • FS 评审辅助：AI辅助检查FS完整性，一致性检查，FS → 开发任务拆分建议
    • +
  • 实操：基于A1的蓝图设计成果，编写2份完整FS文档（采购订单管理、供应商评估）
    • +
+ +

课程 A3：AI 辅助数据迁移脚本（3小时）

+
    +
  • 数据迁移策略设计：数据映射表AI辅助设计，数据清洗规则定义
    • +
  • 迁移脚本生成：SQL脚本AI生成，数据映射转换逻辑编写，数据校验脚本生成
    • +
  • 数据质量检查：数据质量报告自动生成，异常数据识别与处理建议
    • +
  • 实操：给定模拟的源系统数据样本和目标系统字段要求，完成数据映射表、清洗SQL脚本、ETL流程、校验报告
    • +
+ +

课程 A4：AI 辅助测试用例设计（2.5小时）

+
    +
  • 测试用例自动生成：从FS文档提取测试场景，覆盖正常流程、边界条件、异常输入、权限控制
    • +
  • 测试场景设计：端到端业务流程测试场景，集成测试场景，UAT测试脚本编写
    • +
  • 缺陷管理辅助：Bug描述规范化，Bug分类与优先级建议
    • +
  • 实操：基于A2的FS文档，生成完整测试用例集（至少30条用例）
    • +
+ +

课程 A5：应用顾问实战项目演练（4小时）

+
+ + + + + + + + + + +
阶段时间任务
需求调研30 分钟分析调研纪要，提炼需求
蓝图设计50 分钟设计业务流程 + 功能蓝图
FS 编写60 分钟编写 1 份核心功能 FS
数据迁移设计30 分钟设计客户数据迁移方案
测试设计40 分钟生成测试用例集
评审与复盘30 分钟交叉评审 + 总结
+
+
+ + +
+

3.4 开发顾问 AI 赋能课

+ +

课程 D1：AI 辅助代码生成与 Code Review（4小时）

+
    +
  • 推荐工具：Cursor（首选IDE）、GitHub Copilot、Claude Code（终端）、通义灵码
    • +
  • AI 编程工具深度使用：Cursor核心功能（Tab补全、Cmd+K编辑、Cmd+L对话、Codebase索引），.cursorrules配置
    • +
  • 代码生成最佳实践：从FS到代码，CRUD代码生成，API接口代码生成，前端组件代码生成
    • +
  • AI 辅助 Code Review：代码质量审查，安全漏洞扫描，性能问题识别
    • +
  • 实操：根据FS文档用Cursor生成完整CRUD功能；对含10个Bug的代码进行Code Review并修复
    • +
+ +

课程 D2：AI 辅助技术文档编写（2.5小时）

+
    +
  • 技术文档 AI 生成：API文档自动生成（OpenAPI/Swagger），数据库设计文档生成，系统架构文档
    • +
  • 代码注释与内联文档：AI批量生成代码注释（JavaDoc、JSDoc、Python docstring），README自动生成
    • +
  • 实操：给定Spring Boot代码生成完整API文档；给定DDL脚本生成数据字典文档
    • +
+ +

课程 D3：AI 辅助 Bug 诊断与修复（3小时）

+
    +
  • Bug 诊断方法论：Bug描述→AI分析可能原因→定位代码→生成修复方案
    • +
  • AI 辅助修复实践：常见Bug模式识别（空指针、类型转换、并发问题、死锁），修复后回归影响分析
    • +
  • 调试辅助：AI辅助生成调试代码，复杂业务逻辑的AI解读
    • +
  • 实操：给定含5个Bug的项目，用AI定位并修复所有Bug；分析慢SQL生成优化方案
    • +
+ +

课程 D4：AI 辅助单元测试（2.5小时）

+
    +
  • 单元测试 AI 生成：选中代码→AI自动生成测试用例（JUnit/pytest/Jest），覆盖率导向
    • +
  • 测试质量提升：AI辅助设计测试数据，集成测试辅助，覆盖率报告分析
    • +
  • TDD 辅助：需求描述→AI生成测试→人工编写实现→AI验证
    • +
  • 实操：给定一个Service类（5个方法），用AI生成完整单元测试（覆盖率 > 80%）
    • +
+ +

课程 D5：开发顾问实战项目演练（4小时）

+
+ + + + + + + + + + + +
阶段时间任务
FS 理解20 分钟阅读FS，与"应用顾问"沟通确认
技术方案30 分钟设计技术方案（表结构、接口、前端组件）
编码实现90 分钟用Cursor完成核心功能开发
单元测试30 分钟AI辅助生成单元测试
Code Review20 分钟交叉Code Review（AI + 人工）
文档输出20 分钟API文档 + 部署说明
Bug 修复30 分钟修复讲师预埋的Bug
+
+
+ +
+ + +
+

进阶课程（魔鬼训练营）

+ +

面向中级课程表现优秀的学员（积分 Top 40%），选修制。目标：培养能独立构建 AI 解决方案的"AI 架构师"。

+ +

课程 X1：AI Agent 开发与运营（Dify/Coze 实战）— 6小时

+
    +
  1. AI Agent 基础概念（30分钟）：Agent = LLM + Memory + Tools + Planning
    2. +
  2. Dify 平台深度实战（90分钟）：安装部署、应用类型选择、提示词编排、工具集成、知识库接入
    3. +
  3. Coze 平台实战（60分钟）：工作流编排、插件市场、多渠道发布
    4. +
  4. 企业 Agent 设计方法论（60分钟）：需求分析、Agent人设设计、工具编排、安全护栏设计
    5. +
+

实操：在Dify上构建"售前方案助手"Agent；在Coze上构建"项目风险预警"Agent

+ +

课程 X2：企业知识库搭建（RAG 架构）— 6小时

+
    +
  1. RAG 架构原理（40分钟）：Embedding → 存储 → 检索 → 生成，向量数据库对比
    2. +
  2. 企业知识库搭建实战（90分钟）：文档分块策略、Embedding模型选择、检索策略配置、回答质量优化
    3. +
  3. 多知识库与权限管理（40分钟）：多知识库管理、知识更新与版本管理、访问权限控制
    4. +
  4. 知识库效果评估（20分钟）：检索准确率、回答质量、用户满意度
    5. +
+

实操：搭建"IT实施方法论知识库"，导入≥20份文档，优化至80%+回答准确率

+ +

课程 X3：AI 工作流自动化（多 Agent 协作）— 4小时

+
    +
  1. 工作流编排基础（60分钟）：节点、条件、循环、并行，Dify工作流编辑器
    2. +
  2. 多 Agent 协作设计（60分钟）：主控Agent + 专项Agent，Agent间通信与数据传递
    3. +
  3. 企业级自动化场景实战（60分钟）：客户需求自动分析→方案自动生成→人工审核→邮件发送
    4. +
  4. 工作流监控与运维（20分钟）：执行日志分析、性能监控、Token消耗统计
    5. +
+

实操：设计并实现"售前全流程自动化"工作流

+ +

课程 X4：自定义 GPTs / AI 智能体开发 — 4小时

+
    +
  1. 自定义 GPTs 开发（60分钟）：OpenAI GPTs创建、System Prompt精调、Claude Projects配置
    2. +
  2. 企业级 AI 应用开发（90分钟）：前端React/Vue + 后端Python/FastAPI + 向量知识库 + Docker部署
    3. +
  3. AI 应用的商业化包装（40分钟）：从内部工具到客户产品的转化思路、POC流程设计
    4. +
+

实操：开发一个面向客户的AI智能体Demo（智能客服/招标分析/项目管理/代码审查 任选）

+ +

课程 X5：结业项目——面向客户的 AI 解决方案 Demo

+ +
+

🎓 项目要求

+

每人（或2人小组）构建一个面向客户的AI解决方案Demo，需满足：

+

1. 解决真实问题：基于实际客户场景或内部痛点

+

2. 技术完整：包含前端交互 + 后端逻辑 + AI能力 + 知识库（至少3项）

+

3. 可演示：有可运行的Demo环境

+

4. 有商业价值：能说清楚"这个方案值多少钱，谁会买单"

+
+ +

答辩评审

+
+ + + + + + + + + +
评审维度权重评审人
技术创新性20%技术总监
商业可行性25%部门总经理
完成度与质量25%AI 教练
演示表现15%全员投票
文档质量15%交叉评审
+
+ +

奖励机制

+ + +
+ + +
+

培训执行计划

+ +

5.1 六个月详细时间表

+ +

第 1 个月：入门夯实

+
+ + + + + + + + + + + +
周次日期课程时长形式讲师
W1第1周周一E1：AI工具由来与发展简史2h线下集中外部讲师/CTO
W1第1周周三E2：主流AI工具安装与配置3h线下Workshop内部AI教练
W2第2周周一E3：Prompt Engineering基础3h线下Workshop外部讲师
W2第2周周三E5：安全意识与数据合规1.5h线上直播法务/合规部
W3第3周周一E4：AI辅助日常办公3h线下Workshop内部AI教练
W3-W4第3-4周自主练习 + 作业完成—自学—
W4第4周周五E6：入门综合实战考核2h线下考核考核组
+
+ +

第 2 个月：角色分流启动

+
+ + + + + + + + +
周次日期课程时长形式讲师
W5第5周角色分组说明会 + 学习路线宣导1h线下集中部门负责人
W5-W6第5-6周S1/P1/A1/D1（各角色第一课）3-4h分组线下各角色讲师
W7-W8第7-8周S2/P2/A2/D2（各角色第二课）2.5-4h分组线下各角色讲师
W8第8周周五月度实操考核（按角色出题）2h分组考核考核组
+
+ +

第 3-4 个月：角色深化 + 实战演练

+
+ + + + + + + + + +
周次课程形式
W9-W10S3/P3/A3/D3（各角色第三课）分组线下
W11-W12自主练习 + 实战项目准备自学+辅导
W13-W14A4/D4（应用/开发第四课）分组线下
W15-W16S4/P4/A5/D5（各角色实战演练）分组演练
W16中级课程结业考核 + 进阶课程选拔综合考核
+
+ +

第 5-6 个月：进阶训练营 + 结业

+
+ + + + + + + + + + + +
周次课程时长形式
W17-W18X1：AI Agent开发与运营6h线下Workshop
W19-W20X2：企业知识库搭建（RAG）6h线下Workshop
W20X3：AI工作流自动化4h线下Workshop
W21X4：自定义GPTs/AI智能体开发4h线下Workshop
W21结业项目启动说明会1h线下集中
W22-W23结业项目自主开发—自主开发
W24结业项目答辩 + 颁奖典礼半天线下集中
+
+ +

5.2 甘特图视图

+
         M1        M2        M3        M4        M5        M6
+         W1-W4     W5-W8     W9-W12    W13-W16   W17-W20   W21-W24
+         ─────────────────────────────────────────────────────────
+入门必修  ████████
+E1-E6    ████████
+         ─────────────────────────────────────────────────────────
+中级-售前           ████████████████████
+S1-S4               ████████████████████
+         ─────────────────────────────────────────────────────────
+中级-PM             ████████████████████
+P1-P4               ████████████████████
+         ─────────────────────────────────────────────────────────
+中级-应用           ████████████████████████████
+A1-A5               ████████████████████████████
+         ─────────────────────────────────────────────────────────
+中级-开发           ████████████████████████████
+D1-D5               ████████████████████████████
+         ─────────────────────────────────────────────────────────
+进阶-X1                                           ████████
+进阶-X2                                           ████████
+进阶-X3                                           ████
+进阶-X4                                                     ████
+结业项目                                                    ████████
+ +

5.3 讲师资源

+
+ + + + + + + + + + +
类型来源职责预算建议
外部AI培训讲师AI培训机构/自由讲师E1/E3入门课、X1-X4进阶课3000-8000 元/天
外部行业专家咨询公司/技术厂商X1-X4魔鬼训练营5000-15000 元/天
内部AI教练部门内AI先行者（2-3人）E2/E4工具课、日常辅导额外绩效奖励
部门主管各角色组组长实战演练评审、学习督促本职工作
法务/合规专员公司法务部E5安全合规课内部协调
技术厂商讲师Dify/Coze/Cursor等厂商产品深度培训免费或低成本
+
+ +

5.4 培训预算估算

+
+ + + + + + + + + + + +
项目明细预估费用
外部讲师费入门课2天 + 进阶课4天 × 5000-10000元/天3-6 万元
AI工具订阅30人 × 平均200元/月 × 6个月3.6 万元
培训场地如需外部场地（通常用公司会议室）0-1 万元
结业奖金金/银/铜奖 + 优秀奖1.5 万元
内部教练激励2-3人 × 6个月 × 2000元/月2.4-3.6 万元
杂项教材、茶歇等0.5 万元
合计—约 11-17 万元
+
+ +
+ + +
+

效果评估

+ +

6.1 四级评估模型（柯氏模型）

+
+ + + + + + + + +
级别评估维度评估方法评估时机关键指标
L1 反应学员满意度课后问卷、座谈会每节课后课程满意度 ≥ 4.0/5.0
L2 学习知识掌握度考核成绩、作业评分每月考核考核通过率 ≥ 85%
L3 行为工作行为变化工具使用统计、主管观察培训后1-3个月AI工具日活跃率 ≥ 70%
L4 结果业务成果效率指标、质量指标培训后3-6个月详见下方关键指标
+
+ +

6.2 关键指标体系

+ +

效率提升指标

+
+ + + + + + + + + +
指标衡量方式目标值数据采集方式
方案编写时间同类型方案编写耗时对比缩短 40%+项目工时系统
会议纪要效率从会议结束到纪要发出的时间缩短 60%+邮件/飞书时间戳
代码开发效率同复杂度功能开发耗时对比缩短 30%+代码提交记录
FS文档编写单份FS平均编写时间缩短 35%+文档版本时间戳
招标文件解读从收到标书到完成分析的时间缩短 50%+项目日志
+
+ +

工具活跃度指标

+
+ + + + + + + +
指标衡量方式目标值
AI工具日活跃率每日至少使用1次AI工具的人数比例≥ 70%（3个月后）
Prompt库积累量团队共享Prompt模板数量≥ 200个（6个月后）
AI产出占比文档/代码中AI辅助产出的比例≥ 40%
+
+ +

商业转化指标

+
+ + + + + + + +
指标衡量方式目标值
AI方案Demo数量结业项目产出可商用Demo数≥ 3个
AI新业务商机基于AI能力的新客户商机数≥ 2个
内部降本增效金额效率提升折算的人力成本节约≥ 50万元/年
+
+ +

6.3 持续改进闭环（PDCA）

+
┌─────────┐     ┌─────────┐     ┌─────────┐     ┌─────────┐
+│  计划    │────→│  执行    │────→│  检查    │────→│  改进    │
+│  Plan    │     │  Do      │     │  Check   │     │  Act     │
+└─────────┘     └─────────┘     └─────────┘     └─────────┘
+     ↑                                               │
+     └───────────────────────────────────────────────┘
+ +
+ + + + + + + + +
阶段动作频率输出
Plan根据上期评估结果，调整课程内容和教学方式每月下月培训计划
Do执行培训，收集过程数据持续培训记录、考核成绩
Check分析评估数据，识别问题和改进点每月月度培训评估报告
Act固化好的做法，针对问题制定改进措施每季度培训体系优化方案
+
+ +

具体改进动作

+
    +
  1. 课程迭代：满意度低于3.5分的课程必须重新设计
    2. +
  2. 讲师调整：连续2次评分低于3.5的讲师需接受TTT辅导或更换
    3. +
  3. 工具更新：每季度评估AI工具推荐清单，淘汰落后工具，引入新工具
    4. +
  4. 内容更新：AI领域发展迅速，课程内容每季度更新20%+
    5. +
  5. 角色调整：根据业务变化和学员反馈，适时调整角色课程设置
    6. +
  6. 淘汰机制：连续2轮无人选修的课程下线，替换为新课程
    7. +
+ +
+ + + + +
+
Part Three
+

第三篇：AI 时代售前与交付方法论进化框架

+

从传统 IT 咨询/实施服务模式向 AI 增强型服务模式演进的系统性方法论指引

+
+ +
+

📋 编制说明

+

适用组织：上海电气集团数字科技有限公司 · 大客户及解决方案中心

+

编制日期：2026年5月 · 版本：V1.0

+

定位：本框架为大客户及解决方案中心从传统 IT 咨询/实施服务模式向 AI 增强型服务模式演进提供系统性方法论指引。

+
+ + +
+

传统方法论回顾与痛点分析

+ +

1.1 当前售前方法论概述

+ +

大客户及解决方案中心现行的售前流程遵循典型的咨询+实施类项目售前范式，涵盖以下七个核心环节：

+ +
需求调研 → 调研总结 → 现状分析报告 → 招标文件解读 → 投标文件编制 → 售前方案编写/汇报 → 合同洽谈签署
+ +
+ + + + + + + + + + + +
环节核心活动主要交付物典型周期
需求调研客户现场访谈、业务流程观察、系统现状摸底调研问卷、访谈记录1–2 周
调研总结整理调研素材、提炼关键需求、识别痛点调研总结报告3–5 天
现状分析报告梳理业务现状、识别改进机会、绘制 As-Is 流程现状分析报告（含差距分析）1–2 周
招标文件解读拆解标书要求、提取评分项、识别风险条款招标要求分解表、应答矩阵2–3 天
投标文件编制编写技术方案、组织商务文件、内部评审投标文件（技术+商务）1–3 周
售前方案编写/汇报制作汇报PPT、方案细化、客户演示售前解决方案、演示材料1–2 周
合同洽谈签署商务谈判、范围确认、SOW签订合同/SOW1–2 周
+
+ +

方法论特点：

+ + +

1.2 当前交付方法论概述

+ +

交付流程遵循瀑布式为主、敏捷为辅的混合模式：

+ +
计划 → 蓝图设计 → 原型/接口设计 → FS编制 → 开发 → 测试 → 数据工作 → 上线支持
+ +
+ + + + + + + + + + + + +
环节核心活动主要交付物典型周期
计划项目启动、团队组建、里程碑制定、风险管理计划项目计划、项目章程1–2 周
蓝图设计To-Be流程设计、系统架构规划、集成方案设计蓝图设计文档、系统架构图3–6 周
原型/接口设计UI原型、接口规格、数据模型原型文件、接口设计文档2–4 周
FS编制功能规格说明书编写、内部评审、客户确认FS文档（含评审记录）3–6 周
开发编码实现、单元测试、代码评审可运行系统、单元测试报告6–16 周
测试集成测试、UAT、性能测试、缺陷修复测试报告、缺陷跟踪记录3–6 周
数据工作数据清洗、数据映射、数据迁移、数据验证数据迁移方案、数据验证报告2–6 周
上线支持系统切换、用户培训、驻场支持、问题跟踪上线检查单、培训材料、运维手册2–4 周
+
+ +

1.3 痛点清单

+ +

售前阶段痛点（7 项）

+
+ + + + + + + + + + + +
编号痛点具体表现影响
PS-1方案编写效率低一份完整售前方案（80–150页）通常需要2–3周编写，大量时间花在"找素材、拼文档、调格式"上★★★★★
PS-2招标文件解读耗时大型招标文件动辄200–500页，人工提取关键信息需要2–3天，且容易遗漏★★★★☆
PS-3知识复用率低同类项目的售前方案反复从头编写，"老师傅"离职后经验流失严重★★★★★
PS-4竞品分析浮于表面竞品信息收集依赖零散网络搜索和个人经验，缺乏系统化的竞品情报库★★★☆☆
PS-5需求调研质量参差不齐访谈提纲设计依赖个人经验，访谈记录整理耗时长（1–2天/场）★★★★☆
PS-6商务报价缺乏科学依据项目报价主要依赖历史经验和竞品价格倒推，缺乏量化模型★★★☆☆
PS-7售前→交付交接断层售前承诺与交付实际之间存在Gap，需求理解未完整传递给交付团队★★★★☆
+
+ +

交付阶段痛点（7 项）

+
+ + + + + + + + + + + +
编号痛点具体表现影响
PD-1FS文档编写量大、质量不稳定中型项目FS文档通常200–500页，编写周期3–6周，不同顾问质量差异显著★★★★★
PD-2蓝图设计重复劳动多同行业同类型项目的蓝图设计大量重复，缺少可复用的行业蓝图模板★★★★☆
PD-3测试用例编写与执行效率低测试用例手工编写，自动化率低（估计 < 20%）★★★★☆
PD-4数据迁移映射规则推导困难从旧系统到新系统的数据字段映射高度依赖业务顾问经验判断★★★★☆
PD-5代码开发效率受限标准CRUD、接口对接等重复性工作占开发量的40%–60%★★★☆☆
PD-6上线后问题响应慢问题分类、分派、定位依赖人工，平均响应时间长★★★☆☆
PD-7项目经验沉淀不足复盘和经验沉淀流于形式，Lesson Learned文档束之高阁★★★★☆
+
+ +

1.4 AI 能解决哪些痛点？

+ +

售前痛点 AI 适配分析

+
+ + + + + + + + + + + +
痛点AI适配度AI解决思路预期改善
PS-1 方案编写效率低高基于RAG架构的方案智能生成系统编写时间缩短 50%–60%
PS-2 招标文件解读耗时高LLM驱动的招标文件智能解析解读时间缩短 70%–80%
PS-3 知识复用率低高售前知识库 + 向量检索引擎复用率提升 3–5倍
PS-4 竞品分析浮于表面中竞品情报自动采集 + 知识图谱构建分析深度提升 2–3倍
PS-5 需求调研质量参差不齐中高AI辅助访谈提纲生成 + 录音转写与智能摘要调研效率提升 30%–40%
PS-6 商务报价缺乏科学依据中基于历史项目数据的回归模型报价准确率提升 20%–30%
PS-7 售前→交付交接断层中高结构化需求追踪矩阵 + AI辅助生成项目交接包交接遗漏减少 50%+
+
+ +

交付痛点 AI 适配分析

+
+ + + + + + + + + + + +
痛点AI适配度AI解决思路预期改善
PD-1 FS文档编写量大高基于蓝图和需求自动生成FS初稿编写时间缩短 40%–50%
PD-2 蓝图设计重复劳动中高行业蓝图模板库 + 智能推荐引擎蓝图设计周期缩短 30%–40%
PD-3 测试效率低高AI自动生成测试用例 + 自动化测试脚本生成测试效率提升 40%–50%
PD-4 数据迁移映射困难中高基于语义匹配的数据字段自动映射映射效率提升 50%–60%
PD-5 代码开发效率受限高AI辅助编码 + 智能代码评审开发效率提升 20%–35%
PD-6 上线后问题响应慢中智能工单分类 + 历史问题知识库检索平均响应时间缩短 30%–40%
PD-7 项目经验沉淀不足高AI辅助项目复盘报告生成 + 知识资产自动提取经验沉淀效率提升 60%+
+
+ +
+

📊 综合判断

+

14项痛点中，AI适配度"高"的有7项（50%），"中高"的有4项（29%），"中"的有3项（21%）。售前和交付两大领域均存在显著的AI增强空间，建议优先突破高适配度痛点。

+
+ +
+ + +
+

AI 增强售前方法论

+ +

2.1 售前流程再造

+ +
+

总体原则

+

在保持现有售前流程框架稳定性的前提下，对每个环节注入AI能力，实现 "AI 做初稿、人做决策" 的人机协同模式。不改变流程节点，改变每个节点的作业方式。

+
+ +

环节一：智能需求调研

+
+ + + + + + + +
维度传统方式AI 增强方式
访谈提纲设计售前顾问基于经验手工设计，质量参差不齐AI基于客户行业、项目类型自动生成调研提纲初稿
访谈记录整理人工记录 → 事后整理（1–2天/场）录音/会议转写 → AI自动提取关键需求、痛点、决策点
调研洞察提取依赖顾问个人分析能力AI对多场访谈交叉分析，自动识别高频痛点、矛盾需求
+
+ +

环节二：AI 辅助现状诊断

+
+ + + + + + + +
维度传统方式AI 增强方式
系统现状摸底人工收集系统清单、版本、接口信息自动化系统信息采集 + AI生成系统架构图
流程现状分析顾问逐一手绘流程图AI基于访谈记录自动生成As-Is流程图初稿
差距分析依赖顾问经验判断AI基于行业最佳实践框架自动识别差距项
+
+ +

环节三：智能招标解读

+
+ + + + + + + + +
维度传统方式AI 增强方式
标书解析人工逐页阅读、标注（2–3天）AI自动解析全文，提取结构化要求清单（2–3小时）
评分项提取人工从评分标准中逐项摘抄AI自动识别评分维度、分值权重、得分条件
风险条款识别依赖法务/商务人员经验AI自动标注异常条款、排他性要求、潜在风险点
应答矩阵生成手工建立需求-应答对照表AI自动生成「招标要求→应答章节→负责人」矩阵
+
+ +

环节四：AI 辅助投标方案生成

+ +
+

RAG 架构设计（方案生成核心引擎）

+

用户需求/招标要求 → Query理解+意图识别 → 向量检索（知识库） → 上下文组装+Prompt → LLM生成+改写优化 → 方案输出+质量检查

+

知识库组成：历史方案库（向量化存储）+ 产品功能库（结构化数据）+ 行业案例库（标签化索引）+ 最佳实践库（规则化知识）

+
+ +

环节五：智能竞品分析

+ + +

环节六：AI 辅助商务报价

+

报价模型核心变量：

+ + +

2.2 售前知识库建设

+ +

知识库是AI增强售前的基础设施，没有高质量的知识库，AI方案生成、智能检索等能力无从谈起。

+ +

2.2.1 历史方案库结构化

+
+ + + + + + + + +
阶段工作内容产出周期
盘点收集近3年的售前方案和投标文件，建立文件清单方案资产清单2周
清洗去重、去废（过期方案归档），筛选高质量方案精选方案集2周
结构化将方案拆解为可复用的知识单元（章节级别），添加元数据标签结构化知识库4–6周
向量化将知识单元转化为向量嵌入，建立语义索引向量数据库2周
+
+ +

预计规模：首批入库80–120份高质量方案，拆解为800–1,500个可复用知识单元。

+ +

2.2.2 行业知识图谱

+
行业（如：装备制造）
+  ├── 典型业务场景（如：研发管理、生产计划、质量管理）
+  │     ├── 常见痛点（如：BOM数据不一致、设计变更响应慢）
+  │     ├── 最佳实践（如：IPD流程、并行工程）
+  │     └── 适用产品/方案（如：TC + MES 集成方案）
+  ├── 数字化成熟度模型（5级评估框架）
+  ├── 关键KPI指标体系
+  └── 行业对标数据
+ +

优先建设行业：装备制造业（含汽车、航空航天、电子制造）、能源电力行业、流程制造业。

+ +

2.2.3 竞品情报库

+
+ + + + + + + + +
竞品类型竞品举例关注维度
PLM领域PTC Windchill、达索ENOVIA、华天CAPP功能对比、价格区间、客户群体
ERP领域Oracle、金蝶、浪潮行业覆盖率、实施难度、生态成熟度
自研产品竞品纷享销客(CRM)、用友SRM、鼎捷MES功能差距、价格优势、服务模式
数字化咨询竞品埃森哲、德勤、汉得信息、赛意信息服务能力、行业深度、报价水平
+
+ +

2.3 售前效率指标

+ +
+ + + + + + + + + + +
指标当前基线6个月目标12个月目标
方案编写周期2–3周/方案缩短40%缩短55%
招标解读时间2–3天/标书缩短60%缩短75%
投标响应速度平均3–4周缩短30%缩短45%
知识复用率<10%提升至30%提升至50%
方案质量评分3.2/5提升至3.8/5提升至4.0/5
中标率约35%–40%提升5个百分点提升8–10个百分点
+
+ +

投入产出预估

+
+ + + + + + + + + +
指标数值说明
年售前项目数约60–80个含投标和非投标项目
当前平均售前投入约4–6人周/项目含调研、方案、投标全流程
预计节省人力约1.5–2.5人周/项目AI替代重复性工作后释放
年化节省人力成本约150–300万元基于60个项目 × 2人周 × 1.5–2.5万/人周
中标率提升带来的增量收入约500–1,000万元/年基于平均项目金额和中标率提升估算
+
+ +
+ + +
+

AI 增强交付方法论

+ +

3.1 交付流程再造

+ +
+

总体原则

+

1. 渐进注入：不改变交付流程框架，在每个环节逐步引入AI工具和能力

+

2. 质量优先：AI不仅提效，更要提质——减少人为遗漏、增强一致性

+

3. 知识闭环：每个项目的交付成果自动沉淀为知识库资产，反哺后续项目

+
+ +

环节一：AI 辅助蓝图设计

+
+ + + + + + + +
维度传统方式AI 增强方式
To-Be流程设计顾问基于经验从零设计AI基于行业蓝图模板+客户As-Is流程，推荐To-Be方案
系统架构设计架构师手工绘制AI基于需求自动生成系统架构草稿（含集成关系）
方案差异分析较少做系统性差异分析AI自动对比多个方案选项，输出优劣势矩阵
+
+ +

环节二：AI 辅助 FS 文档生成

+ +
+

📝 这是交付阶段 ROI 最高的 AI 增强点之一

+

FS文档编写工作量大、重复性高、质量不稳定，非常适合AI辅助。

+

预计效果：FS编写时间从3-6周缩短至1.5-3周（缩短40%-50%）

+
+ +

AI辅助FS生成的工作流：

+
    +
  1. Step 1: 输入准备 — 蓝图设计文档（已确认）+ 需求规格 + 原型设计稿 + 接口设计文档
    2. +
  2. Step 2: AI生成FS初稿 — 按FS模板结构自动组织章节，从蓝图提取业务流程描述，从需求列表生成业务规则
    3. +
  3. Step 3: 质量自检 — 检查FS与蓝图的一致性、内部一致性、完整性，生成质量检查报告
    4. +
  4. Step 4: 顾问审核与精修 — 审核准确性、补充特殊需求、完善异常处理和业务规则细节
    5. +
+ +

环节三：AI 辅助代码开发

+ +
+ + + + + + + + +
工具类型推荐工具应用场景预期效率提升
AI代码补全GitHub Copilot / 通义灵码 / Cursor日常编码、CRUD生成、接口对接20%–35%
AI代码生成通义灵码 / Claude Code根据FS描述生成功能代码骨架15%–25%
AI代码评审自建Code Review Agent自动检查代码规范、安全漏洞减少30%人工Review时间
AI单元测试生成Copilot / 自建工具自动生成单元测试用例测试覆盖率提升20%+
+
+ +

环节四：AI 辅助测试

+ +
+ + + + + + + +
层次AI能力适用阶段效果
L1：测试用例生成基于FS自动生成测试用例（正向、反向、边界）测试计划阶段用例编写时间缩短50%+
L2：自动化脚本生成基于测试用例自动生成自动化测试脚本测试开发阶段自动化覆盖率从20%提升至50%+
L3：智能缺陷分析自动分析缺陷分布、识别高风险模块测试执行阶段回归测试效率提升30%+
+
+ +

环节五：AI 辅助数据迁移

+
源系统数据摸底
+    ↓
+AI自动分析源数据结构（表结构、字段类型、数据分布）
+    ↓
+AI推导字段映射关系（源字段 → 目标字段 + 转换规则）
+    ↓
+人工审核映射关系（重点审核复杂映射和特殊规则）
+    ↓
+AI生成ETL脚本和数据验证规则
+    ↓
+执行迁移 → AI自动验证 → 输出迁移报告
+ +

预计效果：数据映射推导时间从2–3周缩短至3–5天（缩短60%+），映射准确率 > 85%（人工审核修正后 > 98%）。

+ +

环节六：AI 辅助上线支持

+
+ + + + + + + + + +
场景AI能力实现方式
用户培训AI生成培训材料和操作手册基于FS和用户角色自动生成定制化培训内容
问题分类与路由NLP自动分类问题工单自动判断问题类型（功能/数据/性能/操作）并分派
问题诊断历史问题知识库智能检索从历史问题库中匹配相似问题及解决方案
上线检查自动化上线检查清单AI生成并执行上线前检查项
运维预警系统运行状态监控 + 异常预测基于日志和监控数据的异常检测和趋势预测
+
+ +

3.2 交付知识库建设

+ +
+
+

📘 实施方法论库

+
    +
  • 项目管理方法模板
    • +
  • 各阶段工作指南
    • +
  • 风险管控检查清单
    • +
  • 角色职责手册
    • +
+
+
+

📗 FS 模板库

+
    +
  • 通用FS模板（标准V3.0）
    • +
  • 按产品分类（CRM/MES/SRM...）
    • +
  • 按行业分类
    • +
  • 集成FS模板
    • +
+
+
+

📙 代码组件库

+
    +
  • 业务组件（审批流/权限/消息）
    • +
  • 技术组件（日志/缓存/文件处理）
    • +
  • 接口组件（SAP/TC适配器）
    • +
  • 工具组件（数据导入导出/报表）
    • +
+
+
+

📕 测试用例库

+
    +
  • 按产品/模块/场景分类
    • +
  • 功能/集成/性能/安全测试
    • +
  • 端到端场景用例
    • +
  • 回归测试集
    • +
+
+
+ +

3.3 交付效率指标

+ +
+ + + + + + + + + + + + +
指标当前基线6个月目标12个月目标
项目交付周期基线（100%）缩短15%–20%缩短25%–30%
FS编写周期3–6周缩短35%缩短50%
蓝图设计周期3–6周缩短25%缩短35%
缺陷密度基线（100%）降低20%降低35%
测试自动化率<20%提升至40%提升至55%
代码复用率<15%提升至30%提升至45%
客户满意度约3.5/5提升至3.8/5提升至4.1/5
项目利润率基线提升3–5个百分点提升5–8个百分点
+
+ +

分产品线效率提升预期（12个月目标）

+
+ + + + + + + + + + +
产品线交付周期缩短主要AI增强点
PLM（TC实施）20%–25%蓝图模板复用、FS自动生成
ERP（SAP/用友）15%–20%配置辅助、数据迁移
CRM（自研）25%–35%AI编码、测试自动化
MES（自研）25%–35%AI编码、测试自动化、蓝图模板
SRM/QMS/WMS/PMS20%–30%AI编码、FS生成
AI智能体项目15%–20%方法论标准化、组件复用
+
+ +

投入产出预估

+
+ + + + + + + + + +
指标数值说明
年交付项目数约30–50个含咨询、实施、AI项目
当前平均交付投入约30–60人周/项目视项目规模
预计节省人力约5–10人周/项目AI替代重复性工作后释放
年化节省人力成本约300–600万元基于40个项目 × 7.5人周 × 1.5万/人周
项目利润率提升约200–500万元/年基于效率提升带来的利润率改善
+
+ +
+ + +
+

试点方案设计

+ +

4.1 试点项目选取标准

+
+ + + + + + + + + + +
原则说明权重
复杂度适中不宜选择最简单或最复杂的项目，选择中等复杂度以便观察AI增强效果高
代表性强试点项目应能代表中心的核心业务类型，验证结果可推广高
客户配合度客户对AI工具持开放态度，愿意配合试点并反馈高
团队就绪度项目团队中有至少1名对AI工具感兴趣的成员中
项目时间窗口试点项目的启动时间与试点计划时间匹配中
可量化度量能够建立清晰的基线数据和对比指标中
+
+ +
+
+

试点 A：AI 增强售前

+

载体：某装备制造客户的数字化转型总体规划项目

+

选取理由：

+
    +
  • 数字化转型规划是核心咨询业务，代表性强
    • +
  • 售前流程完整，可端到端验证
    • +
  • 项目产出以文档为主，AI辅助效果可量化
    • +
+
+
+

试点 B：AI 增强交付

+

载体：某CRM或MES自研产品实施项目

+

选取理由：

+
    +
  • 覆盖完整交付流程，验证范围全面
    • +
  • 有较好的蓝图和FS模板基础
    • +
  • AI编码辅助效果可直接度量
    • +
+
+
+ +

4.2 试点执行计划

+ +

试点 A：AI 增强售前（6周）

+
+ + + + + + + + + + + +
周次里程碑关键活动交付物
W0试点准备部署AI工具、导入知识库数据、培训团队工具环境、培训记录
W1智能需求调研AI生成调研提纲、现场访谈（AI录音转写）、AI生成访谈纪要AI调研提纲、AI访谈纪要
W2AI辅助现状诊断AI生成As-Is流程、AI差距分析、AI改进建议AI现状分析报告
W3智能招标解读AI解析招标文件、生成应答矩阵AI招标解读报告、应答矩阵
W4AI辅助方案生成AI生成方案初稿、智能竞品分析、AI辅助报价AI方案初稿
W5人工精修与审核方案深度打磨、内部评审、客户汇报最终方案、汇报材料
W6试点复盘数据收集、效果评估、经验总结试点评估报告
+
+ +

试点 B：AI 增强交付（12周）

+
+ + + + + + + + + + +
周次里程碑关键活动AI增强点
W0–W1试点准备部署AI工具、导入模板库、团队培训环境准备
W2–W4蓝图设计行业蓝图匹配、To-Be流程设计、架构设计AI推荐蓝图模板 + 自动生成流程图
W5–W7FS编制AI生成FS初稿、质量自检、人工审核AI生成FS + 一致性检查
W8–W10开发阶段AI辅助编码、AI Code ReviewCopilot编码 + 自动代码审查
W11测试阶段AI生成测试用例、自动化测试AI用例生成 + 脚本生成
W12试点复盘数据收集、效果评估、经验总结效果度量
+
+ +

4.3 试点评估与推广

+ +

试点成功标准

+
+ + + + + + + + + +
标准阈值说明
核心环节效率提升≥ 30%至少2个核心环节的效率提升达到30%
交付物质量不下降≥ 基线AI辅助后的质量评分不低于传统方式
AI生成内容可用率≥ 50%AI生成的内容中至少50%被最终采纳
团队满意度≥ 3.5/5参与团队对AI工具的综合评价
无重大负面事件是未因AI工具导致重大质量事故或客户投诉
+
+ +

推广路径（3 阶段）

+
+ + + + + + + +
阶段时间范围关键活动
Phase 1：扩大试点试点完成后1–2个月3–5个项目在更多项目类型和客户行业中验证，修正方法论
Phase 2：规模推广Phase 1完成后2–4个月全部门50%的项目标准化AI增强流程，全员培训，建立运营机制
Phase 3：全面内化Phase 2完成后2–3个月全部门所有项目AI增强方法论成为标准流程，持续优化
+
+ +
+ + +
+

组织保障与变革管理

+ +

5.1 AI 转型推进小组组织架构

+ +
                    ┌──────────────┐
+                    │   部门总监    │
+                    │  (决策层)     │
+                    └──────┬───────┘
+                           │
+                    ┌──────┴───────┐
+                    │  AI 转型推进  │
+                    │    小组       │
+                    │  (协调层)     │
+                    └──────┬───────┘
+                           │
+           ┌───────────────┼───────────────┐
+           │               │               │
+    ┌──────┴──────┐ ┌──────┴──────┐ ┌──────┴──────┐
+    │  售前 AI    │ │  交付 AI    │ │  工具与     │
+    │  增强组     │ │  增强组     │ │  平台组     │
+    │  (执行层)   │ │  (执行层)   │ │  (支撑层)   │
+    └─────────────┘ └─────────────┘ └─────────────┘
+ +

5.2 角色与职责

+
+ + + + + + + + + + + +
角色人员职责投入比例
AI转型负责人部门总监总体决策、资源协调、推广决策10%–15%
AI转型项目经理指定1名资深PM日常推进、进度管控、跨组协调50%–80%
售前AI组长售前负责人售前AI方案设计、试点执行、效果评估30%–50%
交付AI组长交付负责人交付AI方案设计、试点执行、效果评估30%–50%
工具平台负责人IT/AI技术人员AI工具选型、部署、定制开发、运维80%–100%
知识库管理员指定1–2名知识库内容管理、质量审核、更新维护50%–80%
各组AI先锋各组选1名率先使用AI工具、收集反馈、帮助同事20%–30%
+
+ +

5.3 变革阻力预判与应对策略

+
+ + + + + + + + + + +
阻力类型具体表现概率应对策略
认知阻力"AI写的方案不靠谱，还不如自己写"高用试点数据说话；强调"AI做初稿、人做决策"
习惯阻力"我现在的流程用得很好，为什么要改"高从痛点最强的环节切入（如招标文件解读）
能力焦虑"AI工具太难学，影响正常工作"中分阶段培训，设立"AI先锋"提供1:1帮助
安全担忧"客户数据输入AI会不会泄露"中明确数据安全策略；优先使用可私有化部署的工具
利益担忧"AI替代了我的工作，我是不是要失业"中强调AI是赋能工具不是替代工具；纳入能力成长体系
投入质疑"投入这么多搞AI，ROI能保证吗"中设定阶段性目标，用试点结果逐步建立信心
+
+ +

变革管理关键举措

+
    +
  1. 高管支持：部门总监在全体会议上明确AI转型战略意义
    2. +
  2. 先锋带动：在每个团队培养1–2名AI先锋，通过榜样力量带动团队
    3. +
  3. 快速胜利：优先在"见效快"的环节推出AI工具，积累正面口碑
    4. +
  4. 激励机制：将AI工具使用率和创新应用纳入绩效考核加分项
    5. +
  5. 定期分享：每月举办"AI实践分享会"，分享成功案例和使用技巧
    6. +
  6. 反馈闭环：建立AI工具使用反馈渠道，快速响应和改进
    7. +
+ +

5.4 投入预算估算

+ +

工具费用

+
+ + + + + + + + + + + +
工具类别推荐工具费用（年）覆盖人数
AI编码助手GitHub Copilot Business / 通义灵码5–8万元15–20人
大语言模型API通义千问 / DeepSeek API8–15万元全部门
向量数据库Milvus（开源）/ Elasticsearch3–5万元—
访谈转写工具通义听悟企业版 / 讯飞听见2–4万元10–15人
知识库平台自建 / 飞书知识库5–10万元全部门
RAG平台开发自研（基于LangChain等）15–25万元—
小计38–67万元/年
+
+ +

培训费用

+
+ + + + + + + + + +
培训类别内容费用
AI基础培训全员AI认知培训2–3万元
工具使用培训Copilot、RAG平台、知识库工具操作3–5万元
AI先锋专项培训深度培训（Prompt工程、RAG原理、效果评估）3–5万元
外部学习参加行业会议、标杆企业参访5–8万元
小计13–21万元
+
+ +

总投入与预期回报

+
+ + + + + + + +
项目金额说明
首年总投入68–116万元工具 + 培训 + 试点额外投入
预期年化收益650–1,800万元售前节省 + 交付节省 + 中标率提升
投资回报比约 6:1 – 15:1首年即有正向回报，第二年开始回报显著提升
+
+ +
+ + +
+

实施路线图

+ +

12 个月总体路线图

+ +

起始时间：2026年Q3（7月），结束时间：2027年Q2（6月）

+ +
月份     M1    M2    M3    M4    M5    M6    M7    M8    M9    M10   M11   M12
+         7月   8月   9月   10月  11月  12月  1月   2月   3月   4月   5月   6月
+季度     │←── Q1 基础建设 ──→││←── Q2 试点验证 ──→││←── Q3 规模推广 ──→││← Q4 深化 →│
+ +

Q1（2026.07–09）：基础建设

+
+ + + + + + + + +
目标关键结果
完成AI基础设施建设RAG平台MVP上线，知识库首批数据入库（≥80份方案）
完成团队AI能力赋能全员完成AI基础培训，售前组完成工具使用培训
建立组织推进机制AI转型推进小组运转，周例会机制建立
完成工具链部署AI编码工具、转写工具、知识库平台全部就位
+
+ +

Q2（2026.10–12）：试点验证

+
+ + + + + + + + +
目标关键结果
完成2个试点项目试点A完成全流程验证，试点B完成蓝图+FS+开发阶段验证
量化AI增强效果输出试点评估报告，核心指标数据完整
迭代优化工具链基于试点反馈完成1–2轮工具优化
充实知识库知识库数据量翻倍（≥160份方案 + 行业知识图谱首批上线）
+
+ +

Q3（2027.01–03）：规模推广

+
+ + + + + + + + +
目标关键结果
扩大试点范围3–5个项目采用AI增强方法论
标准化方法论输出《AI增强售前方法论手册》和《AI增强交付方法论手册》
提升工具使用率全部门AI工具使用率 > 60%
竞品情报库上线竞品情报库V1.0上线，覆盖20+竞品
+
+ +

Q4（2027.04–06）：深化优化

+
+ + + + + + + + +
目标关键结果
全面推广全部门所有新项目采用AI增强方法论
深化AI能力AI辅助报价模型上线，智能运维能力上线
年度效果评估输出年度AI转型效果评估报告
制定第二年规划基于首年经验制定第二年深化规划
+
+ +

关键风险与缓解措施

+
+ + + + + + + + + +
风险可能性影响缓解措施
知识库建设进度滞后中高优先保障核心知识库（售前方案库）进度，其他可延后
AI工具效果不达预期中高试点阶段充分验证，不达标时及时调整工具或策略
团队接受度低中中加强培训和激励，从痛点最强的环节切入
数据安全问题低高优先使用可私有化部署的工具，建立数据分级和使用规范
投入预算削减低中控制首年投入规模，用试点ROI数据争取后续预算
+
+ +

附录：方法论框架参考

+
+ + + + + + + + + + + +
来源方法论/框架借鉴要点
麦肯锡Digital Transformation playbook数字化转型成熟度模型、变革管理方法论
埃森哲myNav + AI ReframerAI增强的咨询交付方法论、知识库驱动的售前模式
GartnerAI Maturity ModelAI能力成熟度分级、渐进式AI导入策略
TOGAF企业架构方法论蓝图设计方法论、架构治理框架
PMIPMBOK 7th Edition项目管理方法论、敏捷-瀑布混合模式
ITIL 4服务管理框架服务设计、持续改进实践
CMMI能力成熟度模型过程改进方法论、量化管理实践
+
+ +
+

📌 文档维护说明

+

本文档为活文档，应随着AI转型实践的推进持续更新。建议每季度进行一次全面评审和修订，每月进行一次增量更新（补充新发现、新数据、新经验）。

+
+ +
+ + + + +
+ + + + + + + + + diff --git a/研发型企业AI转型方案/报告/crmeb-deploy-plan.html b/研发型企业AI转型方案/报告/crmeb-deploy-plan.html new file mode 100644 index 0000000..ecfc84e --- /dev/null +++ b/研发型企业AI转型方案/报告/crmeb-deploy-plan.html @@ -0,0 +1,443 @@ + + + + + + 研发型企业 CRMEB 自动发布方案 — Gitea CI/CD 流水线 + + + + +
+ ← 知识库 +

CRMEB 自动发布方案

+
+ +
+ +
+

一、整体架构

+ +
+┌──────────────────────────────────────────────────────────┐ +│ Gitea (47.115.231.200) │ +│ 代码仓库: admin-api / front-api / admin-web │ +│ Gitea Actions CI/CD │ +├──────────────────────────────────────────────────────────┤ +│ Runner (47.122.125.216) │ +│ Maven 构建 → npm 构建 → 停服 → 替换 JAR → 启服 │ +├──────────────────────────────────────────────────────────┤ +│ 部署目标 (47.122.125.216) │ +│ /opt/crmeb/admin/ ← admin-api JAR │ +│ /opt/crmeb/front/ ← front-api JAR │ +│ /opt/crmeb/web/dist/ ← admin-web 静态文件 │ +└──────────────────────────────────────────────────────────┘ +
+ +

三台服务器分工：

+ + + + + + +
服务器角色
47.115.231.200Gitea 代码托管 + CI 调度
47.122.125.216Runner（构建+部署）+ 生产运行
39.100.114.100Nginx 入口（已有，不变）
+
+ +
+

二、Gitea 安装（47.115.231.200）

+ +
ssh root@47.115.231.200 + +# Docker 已装，直接部署 +docker run -d \ + --name gitea \ + --restart always \ + -p 3000:3000 \ + -p 2222:22 \ + -v /data/gitea:/data \ + -e GITEA__server__DOMAIN=gitea.ycbat.com \ + -e GITEA__server__ROOT_URL=https://gitea.ycbat.com \ + -e GITEA__actions__ENABLED=true \ + gitea/gitea:latest + +# DNS: gitea.ycbat.com → 47.115.231.200 +# Nginx 反代在 39.100.114.100 上加一条
+ +

Nginx 反代（39.100.114.100 /etc/nginx/conf.d/gitea.ycbat.com.conf）：

+ +
server { + listen 80; + server_name gitea.ycbat.com; + client_max_body_size 100m; + location / { + proxy_pass http://47.115.231.200:3000; + proxy_set_header Host $host; + proxy_set_header X-Real-IP $remote_addr; + proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; + proxy_set_header X-Forwarded-Proto $scheme; + } +}
+
+ +
+

三、NPM 私服（Verdaccio）

+ +

前端依赖统一走私有 NPM 仓库，加速安装并缓存上游包。

+ +

3.1 架构

+ + + + + +
层IP角色配置
Nginx 入口39.100.114.100反向代理/etc/nginx/conf.d/npm.ycbat.com.conf
Verdaccio47.115.231.200私服端口 4873，/data/verdaccio/config.yaml
+ +

3.2 Nginx 反代

+ +
# 39.100.114.100 — /etc/nginx/conf.d/npm.ycbat.com.conf +server { + listen 80; + server_name npm.ycbat.com; + client_max_body_size 100m; + location / { + proxy_pass http://47.115.231.200:4873; + proxy_set_header Host $host; + proxy_set_header X-Real-IP $remote_addr; + proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; + proxy_set_header X-Forwarded-Proto $scheme; + } +}
+ +

3.3 Verdaccio 配置

+ +
# 47.115.231.200 — /data/verdaccio/config.yaml +storage: /data/verdaccio/storage +uplinks: + npmjs: + url: https://registry.npmmirror.com/ # 阿里云镜像 +packages: + '@mycompany/*': + access: $all + publish: $authenticated + '**': + access: $all + proxy: npmjs +logs: { type: stdout, format: pretty, level: info }
+ +

3.4 客户端配置

+ +
# 项目根目录 .npmrc +registry=http://npm.ycbat.com/
+ +

3.5 发布私有包

+ +
# 首次登录（只需一次） +npm login --registry=http://npm.ycbat.com/ + +# 发布 @mycompany 作用域包 +npm publish --registry=http://npm.ycbat.com/
+ +

Verdaccio 进程通过 pm2 守护：pm2 start verdaccio。

+
+ +
+

四、Runner 安装（47.122.125.216）

+ +

Runner 负责执行构建任务，装在生产服务器上，省去跨服务器传 JAR 的步骤。

+ +
ssh root@47.122.125.216 + +# 1. 安装 Maven +apt install -y maven + +# 2. 下载 Gitea Actions Runner +curl -L -o /usr/local/bin/act_runner \ + https://gitea.com/gitea/act_runner/releases/download/v0.2.11/act_runner-0.2.11-linux-amd64 +chmod +x /usr/local/bin/act_runner + +# 3. 注册 Runner（先去 Gitea → Site Admin → Runners → 获取 token） +act_runner register \ + --instance https://gitea.ycbat.com \ + --token <RUNNER_TOKEN> \ + --name "prod-runner" \ + --labels "prod,ubuntu,maven" + +# 4. systemd 守护 +cat > /etc/systemd/system/gitea-runner.service << 'EOF' +[Unit] +Description=Gitea Actions Runner +After=network.target +[Service] +Type=simple +User=root +ExecStart=/usr/local/bin/act_runner daemon +Restart=on-failure +[Install] +WantedBy=multi-user.target +EOF + +systemctl daemon-reload +systemctl enable gitea-runner +systemctl start gitea-runner
+
+ +
+

五、代码仓库结构

+ +

在 Gitea 上创建 3 个仓库，推送源码：

+ +
+gitea.ycbat.com/crmeb/ +├── admin-api/ # 管理后台 API（Java） +│ ├── src/ +│ ├── pom.xml +│ ├── .gitea/workflows/deploy.yml +│ └── .gitea/settings.xml # Maven 私服配置 +│ +├── front-api/ # 小程序 API（Java） +│ ├── src/ +│ ├── pom.xml +│ └── .gitea/workflows/deploy.yml +│ +└── admin-web/ # 管理后台前端（Vue.js） + ├── src/ + ├── package.json + ├── .npmrc # registry=http://npm.ycbat.com/ + └── .gitea/workflows/deploy.yml +
+
+ +
+

六、CI/CD 流水线配置

+ +

5.1 admin-api（Java 后端）

+ +
# .gitea/workflows/deploy.yml +name: Build & Deploy Admin API +on: + push: + branches: [main] + +jobs: + deploy: + runs-on: prod + steps: + - uses: actions/checkout@v4 + + - name: Build JAR + run: mvn clean package -DskipTests -s .gitea/settings.xml + + - name: Stop Service + run: /opt/crmeb/admin/ctl.sh stop || true + + - name: Deploy JAR + run: | + cp target/Crmeb-admin.jar /opt/crmeb/admin/ + cp target/classes/application-prod.yml /opt/crmeb/admin/ 2>/dev/null || true + + - name: Start Service + run: /opt/crmeb/admin/ctl.sh start + + - name: Health Check + run: | + sleep 10 + curl -sf -o /dev/null https://adminapi.hblj.asia/ && echo "OK" || echo "FAIL"
+ +

5.2 front-api（Java 后端）

+ +
# .gitea/workflows/deploy.yml +name: Build & Deploy Front API +on: + push: + branches: [main] + +jobs: + deploy: + runs-on: prod + steps: + - uses: actions/checkout@v4 + + - name: Build JAR + run: mvn clean package -DskipTests -s .gitea/settings.xml + + - name: Stop Service + run: /opt/crmeb/front/ctl.sh stop || true + + - name: Deploy JAR + run: | + cp target/Crmeb-front.jar /opt/crmeb/front/ + + - name: Start Service + run: /opt/crmeb/front/ctl.sh start + + - name: Health Check + run: | + sleep 10 + curl -sf -o /dev/null https://miniappapi.hblj.asia/ && echo "OK" || echo "FAIL"
+ +

5.3 admin-web（Vue.js 前端）

+ +
# .gitea/workflows/deploy.yml +name: Build & Deploy Admin Web +on: + push: + branches: [main] + +jobs: + deploy: + runs-on: prod + steps: + - uses: actions/checkout@v4 + + - name: Install Dependencies + run: npm ci --registry=http://npm.ycbat.com/ + + - name: Build + run: npm run build:prod + + - name: Deploy + run: | + rm -rf /opt/crmeb/web/dist/* + cp -r dist/* /opt/crmeb/web/dist/ + + - name: Health Check + run: curl -sf -o /dev/null https://admin.hblj.asia/ && echo "OK"
+
+ +
+

七、Gitea Secrets 配置

+ +

仓库 → Settings → Secrets，添加：

+ + + + +
Secret 名值用途
（不需 secrets）—Runner 在本机执行，直接读写本地文件
+ +

因为 Runner 和部署目标在同一台机器，不需要 SCP/SSH 密码。构建产物直接 cp 到目标目录。

+
+ +
+

八、Maven settings.xml（私服配置）

+ +
<!-- .gitea/settings.xml — 仓库根目录 --> +<settings> + <mirrors> + <mirror> + <id>aliyun</id> + <mirrorOf>central</mirrorOf> + <name>Aliyun Maven</name> + <url>https://maven.aliyun.com/repository/public</url> + </mirror> + </mirrors> +</settings>
+
+ +
+

九、实施步骤

+ +
+Phase 1: 基础设施（1 小时） + ├── 47.115.231.200 安装 Gitea + ├── 39.100.114.100 配置 gitea.ycbat.com 反代 + ├── 47.122.125.216 安装 Maven + Runner + └── Gitea 创建组织 crmeb + 3 个仓库 + +Phase 2: 代码入库（2 小时） + ├── 从生产服务器提取源码（反编译或从原始开发环境） + ├── admin-api 源码 → git push + ├── front-api 源码 → git push + ├── admin-web 源码 → git push + └── 每个仓库配置 .gitea/workflows/deploy.yml + +Phase 3: 验证（30 分钟） + ├── 修改一个无害的改动（如版本号） + ├── git push → 观察 Gitea Actions 自动构建 + ├── 确认服务自动重启 + └── 确认 health check 通过 +
+
+ +
+

十、Gitea 分支保护

+ +

每个仓库 Settings → Branches → 添加规则：

+ + + + + + + +
规则值
分支main
禁止直接 push✅
PR 必须 Approve1 人
PR 必须 CI 通过✅
+ +

日常开发流程：

+ +
+feature 分支 → 开发 → git push → 创建 PR + → Gitea Actions 自动测试（不部署） + → Code Review + → Merge to main + → Gitea Actions 自动部署到生产 +
+
+ +
+

十一、回滚

+ +
# 在 47.122.125.216 上 +cd /opt/crmeb/admin +cp Crmeb-admin.jar Crmeb-admin.jar.bak # 部署前 Runner 自动备份 +# 回滚 +cp Crmeb-admin.jar.bak Crmeb-admin.jar && ./ctl.sh restart
+ +

在 deploy.yml 中加入自动备份：

+ +
- name: Backup + run: cp /opt/crmeb/admin/Crmeb-admin.jar /opt/crmeb/admin/Crmeb-admin.jar.bak
+
+ +
CRMEB 自动发布方案 · 返回知识库
+ +
+ + \ No newline at end of file diff --git a/研发型企业AI转型方案/部门现状.pptx b/研发型企业AI转型方案/部门现状.pptx new file mode 100644 index 0000000..40b0a5d Binary files /dev/null and b/研发型企业AI转型方案/部门现状.pptx differ