课程简介
券商AI智能体的经典落地已全面渗透前、中、后台，其核心逻辑是：将专家的经验、海量的数据和复杂的业务流程，封装成可复制、可扩展、可进化的“数字生产力”。未来，拥有最强大、最协同的“智能体舰队”的券商，将在效率、服务和风险管理上构建起难以逾越的竞争壁垒。千行百业中，AI数据智能体都不再是简单的效率工具，而是成为在“信息爆炸、博弈加剧、监管趋严”环境下，决定机构生存与发展能力的“认知基础设施”和“战略资产”。未来企业的核心能力，将体现在其构建、训练、管理和协同专业化数据智能体生态系统的水平上。这不仅是技术竞赛，更是对业务本质、组织形态和行业格局的深度重塑。
本次课程将从AI 大模型应用开发架构或者关键利益相关者进行深入访谈，帮助学员掌握架构设计技能应用到实际项目中，提升 AI 大模型架构设计/开发/工具使用能力。涵盖：高质量数集构建 RAG 知识库技术、券商 AI 智能体开发与落地实现、AI 智能体应用企业级落地案例剖析、AgentsAI 智能体动手实践等知识，助力企业打造出一个企业级 AI 智能体应用实践能力。
课程收益
1、了解当前 AI 大模型应用落地的哲学、成功案例
2、掌握AI 大模型工具、AI 大模型开发技能、AI 大模型架构设计、AI 大模型架构思维、AI 大模型架构落地难点等。
3、学习架构设计技能应用到实际项目中，整体提升 AI 大模型架构设计/开发/工具使用能力。
1）需求调研与分析：与 AI 大模型应用开发架构或者关键利益相关者进行深入访谈，了解当前 AI 大模型应用落地的痛点、成功案例与不足之处，特别是 AI 大模型工具、AI 大模型开发技能、AI 大模型架构设计、AI 大模型架构思维、AI 大模型架构落地难点等。
2）案例筛选与整理：挑选公司内部2-3个具有代表性的技术项目案例，涵盖成功与失败经验，作为 AI 大模型应用开发/架构进阶实践的素材。
采用分组工作坊的形式，讲+练+测相辅相成；
1）建立学习社区： 创建线上微信群，鼓励学员分享架构设计经验和学习心得，促进持续学习和交流。
2）后续辅导： 提供一定期限的在线辅导，帮助学员解决实际工作中遇到的架构设计和落地难题。
3）成果应用： 鼓励学员将在培训中学到的架构设计技能应用到实际项目中，提升 AI 大模型架构设计/开发/工具使用能力。
受众人群
技术经理、架构师、开发工程师，开发技术经理，开发技术负责人 技术创新团队的工程师以及对AI原生技术应用感兴趣的人群。
课程周期
2天（12小时）
课程大纲
主题 | 学习内容 |
| 1、券商 RAG 产品设计与落地 1）券商 RAG 产品适用场景 营销方向 考核方向 经营分析 自动化 2）券商 RAG 产品需求 3）券商 RAG 产品架构
2、高质量数据集构建 RAG 知识库总体架构设计与落地 1）RAG 总体架构结构 RAG = 数据工程 + 信息抽取 2）标准 RAG 应用总体架构设计与落地 *Naive RAG 应用总体架构设计与落地 *Agentic RAG 应用总体架构设计与落地 *Advanced RAG 应用总体架构设计与落地-RAGFlow 3）GraphRAG 应用总体架构设计与落地-GraphRAG 4）Deep Research（RAG） 应用总体架构设计与落地-Deep ReSearch
3、高质量数据集构建 RAG 知识库关键技术剖析与落地 1）数据工程 *数据解析 *数据处理 *数据存储2）信息抽取 *Query 理解 *Query 处理 *Query 检索 *检索结果 Reranker 选型与落地 *AI 大模型选型与落地（DeepSeek、Qwen3） *Prompt 提示词设计与落地 *生成结果评估设计与落地 4、高质量数据集 RAG 知识库优化技术设计与落地 1）RAG 应用效果优化设计与落地 2）RAG 应用性能优化设计与落地 5、券商 RAG 知识库企业级案例设计与落地 1）企业级券商高性能 RAG 知识库案例 |
二、券商 AI 智能体开发与落地实现
| 1、券商 AI 智能体开发新范式 1）面向过程的云原生应用范式APP 业务流程静态编排 WorkFlow 架构设计模式 2）面向目标的 AI 智能体新范式 ReAct 架构设计模式 智能动态编排业务流程 2、券商 AI 智能体开发新架构 1）AI 智能体的新架构模式 2）AI 智能体的新架构设计哲学 *按照业务领域的垂直拆分 *按照请求生命周期的水平拆分 3）AI 智能体的新架构构成 *功能侧新架构 *治理测新架构 3、券商 AI 智能体开发新技术 AI 应用产品层 AI 应用架构层 AI 应用编排层 AI 应用技术栈层 AI 应用模型层（混合模型层） AI 应用模型推理加速层 AI 应用数据/知识层 AI 应用弹性伸缩层（云原生层） AI 应用基础设施层（算力硬件层） 4、券商 AI 智能体开发新协作 1）AI 多智能体应用新协作模式 2）AI 多智能体应用新协作架构 3）AI 多智能体应用新协作方式 5、券商 AI 智能体开发新落地 1）AI 智能体应用落地新方向 2）AI 智能体应用落地新架构 *企业级云原生+AI 原生混合架构设计 3）AI 智能体应用落地新实践 6、券商 AI 智能体开发新实践 |
三、券商 AI 智能体应用企业级落地案例剖析
| 案例A｜企业经营数据分析 AI 智能体落地案例实战 1、企业经营数据分析 Agent 项目需求调研与实战 2、企业经营数据分析 Agent 工程化架构设计与实战 3、企业经营数据分析 Agent 技术选型与调研实战 4、企业经营数据分析 Agent 数据处理流程与实战 5、企业经营数据分析 Agent 数据交互机制与实战 6、企业经营数据分析 Agent 数据报告功能开发实战 7、企业经营数据分析 Agent 记忆管理功能实现实战 8、企业经营数据分析 Agent 任务规划功能实现实战 9、企业经营数据分析 Agent 项目工程化落地总结 案例B｜企业级高性能 RAG 知识库落地案例实战 1、企业高性能知识库需求分析 2、企业高性能知识库工程化架构设计 3、企业高性能知识库工程化详细设计 4、企业高性能知识库技术选型与实战 5、企业高性能知识库资源评估 6、企业高性能知识库开发环境部署实战 7、企业高性能知识库智能问答功能开发实战 8、企业高性能知识库知识管理功能实现实战 9、企业高性能知识库效果评估功能实现实战 10、企业高性能知识库夸知识库问答功能实现实战 11、企业高性能知识库问答推荐功能实现实战 12、企业高性能知识库工程化落地总结 |
四、券商 AI 智能体动手实践
| 1、分组打造《企业级高可用高性能高可靠智能客服 AI 智能体系统》 1）功能需求 2）性能需求-10QPS 3）效果需求-85% 准确率 4）资源需要-复用公司推理集群 5）落地要求-架构设计、选型、关键技术按照这2天培训实施 2、分组打造一个《经营数据分析 ChatBI 智能体应用系统》 1）功能需求 2）性能需求-10QPS 3）效果需求-85% 准确率 4）资源需要-复用公司推理集群 5）落地要求-架构设计、选型、关键技术按照这2天培训实施 |
Noah Sun
百林哲咨询（北京）有限公司专家团队成员
Noah Sun
百林哲咨询（北京）有限公司专家团队成员
Noah Sun
百林哲咨询（北京）有限公司专家团队成员
Noah Sun
百林哲咨询（北京）有限公司专家团队成员
Noah Sun
百林哲咨询（北京）有限公司专家团队成员
京ICP备2022035414号-1
