1. 提示工程精通：掌握研发场景提示工程核心技巧（基础提示词、提示词链设计），能针对需求分析、方案设计、数据报告等研发环节，设计精准提示词，提升 AI 输出适配度。

2. 工作流搭建落地：熟练运用 coze 工具搭建研发专属智能体与工作流，实现研发多环节的 “自动化 + 智能化” 协同，至少独立完成 1 个研发工作流（如需求分析→数据整理→报告生成）。

3. 场景赋能落地：掌握 AI 在研发需求分析、概念设计、数据治理、工艺规划等核心场景的应用方法，能结合企业研发业务，产出可直接复用的 AI 赋能方案。

4. 数据治理实操：精通研发数据的 AI 治理流程（清洗、可视化、分析、报告生成），能运用 AI 工具解决研发数据割裂、标准化不足的问题，提升数据利用效率。

5. 项目推进能力：掌握研发 AI 项目从 “工具实操→场景应用→规模化落地” 的完整规划方法，能识别核心风险并制定应对策略，提升跨角色协同推进能力。

第一天：AI 技术奠基与提示工程实战

上午（9:00-12:00）

核心主题 1：课程导入与研发 AI 基础回顾

• 关键内容：

² 课程定位与系列衔接：明确本课程 “研发场景 AI 实操落地” 的核心定位，与第一门课 “宏观数字化转型” 形成 “战略 - 工具 - 场景” 的完整链条；说明学习逻辑：“基础回顾→工具实操→场景应用→项目落地”。

² 研发领域核心痛点与 AI 赋能价值：研发全流程（需求→设计→数据→工艺）痛点拆解（重复劳动多、数据处理慢、方案迭代久）；AI 技术对研发的核心赋能点（提示词精准驱动、工作流自动化、数据治理智能化）；案例：某机械企业用提示工程 + 工作流，将研发需求分析周期缩短 50%。

² AI 基础与 Deepseek 研发版核心特性回顾（控制在 40 分钟内）：生成式 AI、大模型交互逻辑简要回顾；Deepseek 研发版专属优势（研发语料训练、专业参数预设、行业标准集成）；与通用版差异：输出格式适配研发文档（如技术方案模板、数据报告规范）。

² 课程学习规则与产出：混合编组要求（确保每组含研发、管理、生产角色）；核心产出物（研发提示词模板库、coze 研发工作流、AI 场景落地方案）；小组互评 + 讲师点评机制。

• 授课方式：讲师讲授（50 分钟）+ 研发痛点互动调研（10 分钟）+ Deepseek 研发版演示（20 分钟）+ 分组确认与规则说明（10 分钟）+ 疑问解答（10 分钟）

核心主题 2：研发领域的提示工程入门与进阶实战

• 关键内容：

² 研发提示工程核心原则：精准性（明确技术边界、参数约束、输出格式）；专业性（嵌入研发术语、行业标准、技术指标）；逻辑性（按研发流程递进，避免信息遗漏）；案例：通用提示词 vs 研发专属提示词的输出差异对比。

² 基础提示词设计（入门实战）：核心结构（场景定义 + 需求描述 + 约束条件 + 输出格式）；研发场景模板（需求分析类：“分析某行业 5kW 节能电机的核心技术需求，输出 3 类关键指标及行业标准”；方案设计类：“基于成本≤2000 元、效率≥90% 的约束，生成 2 套电机结构设计方案，含核心参数”）；实操要点：避免模糊表述，量化约束条件。

² 提示词链设计（进阶实战）：核心逻辑（多步骤递进、上下文关联、反馈优化）；研发场景应用（如 “先分析市场需求→再提取技术指标→最后生成设计方案” 的提示词链）；设计技巧：拆分复杂任务、明确步骤衔接关系、预留优化空间。

² 实战任务 1：每组针对 “研发需求分析” 或 “概念设计” 环节，设计 1 套基础提示词 + 1 条进阶提示词链，提交至 Deepseek 测试输出效果。

• 授课方式：讲师讲授（40 分钟）+ 案例拆解（20 分钟）+ 工具演示（20 分钟）+ 小组实战（30 分钟）+ 讲师点评（10 分钟）

下午（14:00-17:30）

核心主题 3：工作流赋能研发实战（coze 智能体与工作流搭建）

• 关键内容：

² coze 智能体核心逻辑与研发适配：组件类型（触发组件、AI 组件、数据处理组件、输出组件）；研发场景适配优势（支持研发文档格式导出、多工具集成、自动化流转）；案例：某电子企业用 coze 搭建 “研发数据整理→分析→报告生成” 工作流，效率提升 40%。

² 研发工作流搭建步骤（实操教学）：第一步：拆解研发流程（如需求分析流程：数据抓取→需求提取→指标梳理→报告输出）；第二步：选择适配组件（触发组件：上传市场报告；AI 组件：Deepseek 文本分析；输出组件：生成 Word 报告）；第三步：配置逻辑关联（设置组件触发条件、数据传递规则）；第四步：测试优化（模拟输入数据，调整组件参数）。

² 典型研发工作流案例解析：需求分析工作流（市场报告上传→AI 提取核心需求→自动匹配行业标准→生成需求分析报告）；数据处理工作流（研发数据上传→AI 清洗去重→可视化图表生成→数据分析摘要）；方案评审工作流（设计方案上传→AI 评估可制造性→输出优化建议→生成评审报告）。

² 实战任务 2：每组选择 1 个研发核心流程（需求分析 / 数据处理 / 方案评审），用 coze 搭建完整工作流，完成测试并优化（需适配自身企业研发场景）。

• 授课方式：讲师讲授（40 分钟）+ 案例演示（30 分钟）+ 小组实战与讲师巡回指导（90 分钟）+ 分享交流（30分钟）+ 问题集中解答（20 分钟）

第二天：AI 在研发场景中的应用

上午（9:00-12:00）

核心主题 4：AI 赋能研发需求分析与概念设计

• 关键内容：

² AI 赋能研发需求分析：核心流程（市场数据抓取→需求提取→指标梳理→优先级排序）；工具应用（用 Deepseek 提示词链抓取行业报告 / 用户评论→提取核心需求→自动匹配研发技术指标）；实操要点：需求与技术指标的映射逻辑，避免 “需求模糊” 导致设计偏差。

² AI 辅助概念设计：基于需求指标生成多套设计方案（运用第一天设计的提示词与工作流）；方案优化（AI 评估可制造性、成本、性能，输出优化建议）；跨角色协同：研发骨干负责技术参数校验，车间负责人提供工艺落地约束，高管评估商业价值。

² 案例：某汽车零部件企业用 “提示词链 + coze 工作流” 完成需求分析与概念设计，方案迭代周期从 15 天缩短至 3 天，创新度提升 35%。

² 实战任务 3：每组基于企业真实研发需求（或虚拟需求），运用已搭建的提示词与工作流，完成需求分析报告与 2 套概念设计方案，并进行跨角色评审优化。

• 授课方式：讲师讲授（30 分钟）+ 案例拆解（20 分钟）+ 小组实战（60 分钟）+ 跨角色评审（20 分钟）+ 讲师点评（10 分钟）

核心主题 5：AI 赋能研发数据治理（数据清洗、可视化、分析、报告）

• 关键内容：

² 研发数据治理核心逻辑（复用华为 “5 统一”，聚焦 AI 工具适配）：统一标准（研发数据分类：设计数据、仿真数据、测试数据按 “产品 - 环节 - 版本” 编码）；统一口径（核心指标定义：如 “研发周期”“数据完整性” 计算逻辑）；AI 工具赋能：用 Deepseek 研发版实现数据治理全流程自动化。

² 各环节 AI 应用实操：

n 数据清洗：AI 识别研发数据缺失值、异常值（如仿真数据中的不合理参数），自动补全或剔除；支持多种格式（Excel、CAD 附属数据、测试报告 PDF）数据导入；

n 数据可视化：AI 自动生成研发核心指标图表（如设计参数分布、测试结果对比），支持自定义图表类型（折线图、柱状图、热力图）；

n 数据分析：AI 挖掘数据关联关系（如工艺参数与产品性能的相关性），输出关键洞察；

n 数据报告：基于分析结果自动生成研发数据报告，适配企业汇报格式。

² 实战任务 4：每组上传 1 份企业研发数据（或虚拟数据），用 AI 工具完成清洗→可视化→分析→报告生成全流程，输出可直接复用的数据报告。

• 授课方式：讲师讲授（40 分钟）+ 工具演示（30 分钟）+ 小组实战（40 分钟）+ 成果展示（10 分钟）+ 讲师点评（10 分钟）

下午（14:00-17:30）

核心主题 6：AI 赋能工艺规划与可制造性验证

• 关键内容：

² AI 赋能工艺规划：核心逻辑（基于设计方案→AI 生成最优工艺路线→参数优化）；工具应用（输入设计图纸与参数，通过提示词指定工艺约束（设备能力、材料特性），AI 生成加工顺序、设备选择、参数设置方案）；案例：某机械企业用 AI 优化零件加工工艺，废品率从 8% 降至 2%，加工效率提升 20%。

² 可制造性验证：AI 模拟生产过程，识别设计方案中的工艺难点（如尺寸过小无法加工、材料不适配现有设备）；自动输出优化建议（调整设计尺寸、替换材料、改进工艺步骤）；跨角色协同：车间负责人主导验证标准制定，研发骨干根据建议调整设计方案。

² 实战任务 5：每组针对实战任务 3 的概念设计方案，用 AI 工具生成工艺规划路线，并完成可制造性验证与方案优化，输出最终工艺规划表。

• 授课方式：讲师讲授（30 分钟）+ 案例演示（20 分钟）+ 小组实战（40 分钟）+ 成果展示（20 分钟）+ 讲师点评（10 分钟）

核心主题 7：研发 AI 项目落地规划与风险管控（沙盘推演）

• 关键内容：

² 推演背景：模拟某制造企业计划推广研发 AI 项目（基于前序实战成果），需完成 “工具落地→场景推广→跨角色协同” 全流程规划，以第一门课华为方法论为指导。

² 核心推演任务：

n 落地优先级排序：用三维评估框架（研发痛点强度、工具适配度、落地难度）确定试点场景；

n 资源配置规划：人力（研发、IT、生产团队分工）、资金（工具采购、算力投入）、时间（各阶段里程碑：工具培训→试点应用→优化推广）；

n 风险应对预案：识别研发 AI 特有风险（提示词输出偏差、数据安全泄露、研发人员抵触、工艺规划与实际生产脱节），制定应对措施；

n 跨角色协同机制：明确各角色权责（高管负责立项审批与资源支持，研发骨干负责工具落地与技术优化，车间负责人负责工艺衔接与场景验证）。

² 评估标准：场景优先级是否合理；资源配置是否适配；风险应对是否全面；协同机制是否可落地。

• 授课方式：推演规则讲解（15 分钟）+ 小组沙盘推演（80 分钟）+ 各组方案展示（30 分钟）+ 讲师综合点评（25 分钟）

核心主题 8：研发 AI 项目 ROI 评估与实战成果梳理

• 关键内容：

² 研发 AI ROI 评估专属方法：

n 量化指标：研发周期缩短率、数据处理效率提升率、方案迭代次数减少率、试错成本降低率、产品合格率提升率；

n 定性指标：研发创新度、市场响应速度、研发人员工作负荷降低、技术壁垒构建；

n 评估模板：分阶段（试点期：关注技术可行性；推广期：关注成本回报）输出评估报告。

² 核心风险与长效应对策略：

n 技术风险：提示词输出偏差→建立 “人工校验 + AI 迭代” 机制，持续优化提示词库；

n 数据风险：研发数据泄露→启用 AI 工具脱敏功能，设置数据访问权限；

n 组织风险：研发人员抵触→开展 “工具价值培训 + 实操激励”，分享成功案例；

n 落地风险：工艺规划与生产脱节→建立 “AI 方案 + 车间验证” 双闭环。

² 小组成果汇总与优化：各组提交核心成果（研发提示词模板库、coze 工作流、需求分析报告、概念设计方案、数据报告、工艺规划表、落地规划方案）；讲师逐组点评，提炼共性问题，给出针对性优化建议，确保成果可直接复用。

² 后续支持与知识迁移：课程资料包（提示词模板库、coze 工作流搭建手册、AI 数据治理工具操作指南、方案模板）；Deepseek 研发版与 coze 试用账号延长申请；学员交流群（持续分享研发 AI 最新应用案例与工具技巧）；第一门课方法论在研发场景的持续应用建议。

• 授课方式：讲师讲授（30 分钟）+ 风险案例复盘（20 分钟）+ 成果提交与点评（40 分钟）+ 后续支持说明（20 分钟）+ 课程总结（10 分钟）

六、课程时间表（2 天）