培训内容
01
破局
当重型架构遇上极速 AI
02
重构
重新定义 AI 生产力要素
03
范式
人机协同与无限循环
04
落地
构建 AI 原生的工程体系
05
回归
AI 时代工程师的本质
先看清三个坑：为什么很多团队用了 AI，反而更慢
AI 最大的敌人不是代码，是等待
AI 30 秒生成的代码，若要等 15 分钟才能验证，一天迭代 20 次就有 5 小时耗在等待里。反馈延迟，才是 AI 时代真正的效率杀手。
5h
日等待时长
AI 修了 17 次 Bug，为什么越修越烂？
把架构决策权完全交给 AI，会在错误架构上反复修补。AI 可以改代码，却修不好错架构——判断权不能下放。
17
轮无效修复
不是 AI 变笨了，是上下文太乱了
大仓让 AI 每次加载大量无关代码，无效 Token 常占 75%。混乱的代码库，是 AI 时代最贵的税。
75%
无效 Token
CAP 模型：让 AI 从实习生变成老员工
核心原则很简单：人做决策，AI 做执行。需求分析和架构判断，绝不交给 AI 独断。
Context
上下文固化
把项目结构、模块职责、技术规范写进规则文件，让 AI 每次交互自动带着约束来。
Analyze
协同分析
先让 AI 复述需求、列出方案和风险，确认方向一致后再动手。人做评审，不抢执行。
Plan
分步执行
复杂任务拆成可确认、可验证、可回滚的步骤，避免 AI 在错误方向上走太远。
AI 编程的四次范式转移
从写一句话，到管上下文，到搭系统，再到设计循环。每一次转移，都在重新定义开发者的核心能力。
2023–2024
Prompt
会问问题
2024–2025
Context
给 AI 看什么
2025–2026
Harness
搭建能约束的系统
2026+
Loop
设计可持续循环
带得走的 3 件事
AI 落地不需要宏大规划。这三件事组合起来，就是团队级提效的最小可行方案。
01
一套方法论：CAP
Context 固化 + Analyze 协同 + Plan 分步。人做决策，AI 做执行。
02
一份规则文件
每个项目放一份规则，把设计模式、安全边界和工程习惯变成 AI 必须遵守的约束。
03
一条落地路径
先从非核心高频场景试点，建立基线后再横向复制，风险最低。
常见问题
什么是 AI 赋能与培训？
- 面向研发团队的 AI 工程方法与落地陪跑：不只教工具用法，而是优化软件工程与架构，让 AI 在日常开发中稳定、高效、可交接地发挥作用。
AI 赋能和普通 AI 工具培训有什么不同？
- 普通培训偏工具演示；友店侧重工程反馈回路、架构与流程改造，解决「生成很快、验证很慢」这类效率瓶颈，让 AI 产出能进入真实交付链路。
谁适合参加 AI 赋能？
- 研发负责人、架构师与希望把 AI 嵌进团队工作方式的工程师。团队已有基础工具使用经验时，收益通常更明显。