1. 建立AI 认知框架与专业语言对齐：解析生成式AI 核心技术（大模型、多模态生成）在汽车研发场景的适配逻辑，对齐 “提示词工程”“工作流自动化”“智能体开发” 等专业术语，确保学员对 AI 技术在汽车研发中的应用有统一且清晰的认知。

2. 掌握汽车研发专属提示词工程技术：针对汽车研发中的典型任务，如模块设计文档撰写、测试数据清洗、跨部门协作沟通等，设计行业定制化Prompt 模板，提升 AI 输出的专业性与实用性，使学员能精准运用提示词驱动 AI 完成具体工作。

3. 构建“AI + 汽车研发流程” 自动化工作流：基于“扣子” 工具，实现汽车研发从 “需求分析→模块设计→测试验证→跨部门协作” 的全流程串联，降低重复性工作耗时 30% 以上，提升研发效率，让学员能熟练使用工具优化研发流程。

4. 开发轻量级智能体解决研发实际问题：快速搭建适用于汽车研发的智能体，如设计方案自动评审、测试异常预警、供应链需求预测等工具，实现研发环节的智能化决策与效率提升，帮助学员借助智能体解决实际工作中的复杂问题。

1.1. 【上午】生成式AI基础认知对齐与提示词工程实战（9:00-12:00）

1.1.1. 【知识精讲】生成式 AI 核心概念与汽车研发价值对齐（9:00-10:00）

1. 生成式 AI 技术全景与核心术语解析（45分钟）

² 生成式AI的基本概念、特点与技术跃迁图谱；

² 核心技术原理精要，各技术流派、分支及代表产品；

² AI进击：AI有多元研究方向，技术路线仍未收敛；

² AI普惠：技术下沉到毛细血管，各行业对AI认知显著提高；

² AI Agent推动企业服务从“数字化”到“智能化”质变

² 阐述生成式 AI 的核心能力（如文本生成、文档阅读分析与归纳整理、数据分析、逻辑推理等），结合汽车研发场景（如设计文档撰写、测试报告分析）说明其具体应用。

² 常用术语对齐：提示词（Prompt）、检索增强生成（RAG）、微调（Fine-tuning）、智能体（Agent）、混合专家模型（MoE）、Transformer架构、幻觉（Hallucination）、思维链（CoT）等。

2. 生成式AI重塑汽车研发范式：从 “人力驱动” 到 “智能协同”（15分钟）

² 汽车研发领域 AI 价值地图：解析 AI 在汽车研发需求分析（如用户需求挖掘）、模块设计（如底盘结构初步设计）、测试验证（如智能网联功能测试）、跨部门协作（如设计与生产部门沟通）等环节的应用价值。

² 效率变革案例：某车企运用 AI 生成底盘模块设计方案，耗时从 2 周压缩至 2 天，减少人工设计的重复性工作，提升设计效率。

² 方法创新案例：AI 辅助发现汽车智能网联功能测试标准中的逻辑漏洞（如通过因果推断识别不同测试环节的合规性矛盾点），提升标准制定的科学性。

² 误区澄清：强调 AI 不能替代汽车研发的核心设计逻辑，但可优化数据处理、文档撰写、跨部门沟通等环节，辅助研发人员聚焦核心创新。

² 汽车研发中的 AI 需求洞察：分析学员日常工作中面临的立项难（如需求分析不精准）、资源分散（如跨部门数据流通不畅）、成果提炼效率低（如测试报告整理耗时久）等痛点，引出 AI 解决方案。

1.1.2. 【小组讨论】结合汽车研发流程，识别最适合 AI 介入的环节（10:00 - 10:25）

² 讨论要求：

 学员结合自身负责的汽车模块开发流程（如底盘、智能网联等），识别 1-2 个最适合 AI 介入的具体业务场景（如底盘异响数据的分析、智能驾驶测试用例的生成）。

² 需阐述内容：

 现状与痛点：如底盘异响数据人工分析耗时久、准确率低；智能驾驶测试用例人工设计覆盖场景有限。

 AI 介入方式：使用 AI 分析异响数据的频率特征，生成可视化图表及改进建议；运用 AI 生成多场景测试用例，提升测试覆盖度。

 愿景与价值：期望通过 AI 提升数据分析效率 30% 以上，降低测试用例设计时间 50%，提高研发质量。

² 分享与点评：

 各小组推选代表分享讨论结果，讲师点评并提炼共性需求，为后续提示词工程和工作流设计提供方向。

1.1.3. 【知识精讲】汽车研发场景的产研级提示词工程（10:35 - 11:30）

1. 基础法则：从模糊需求到精准指令（5分钟）

案例对比：

1) 低效指令：“帮我分析底盘异响数据”。

² 高效指令：“基于 2024 年某车型底盘异响测试数据，识别异常振动频率特征，输出频谱图及改进建议（需标注国标 GB/T 3811-2022 相关要求）”。

2) 低效指令：“帮我写关于基因编辑技术的文献综述”

² 高效指令：“生成关于CRISPR-Cas9基因编辑技术的文献综述，需包含2018年后突破性研究，按机制分类并标注争议点”

2. 提示词设计框架与进阶技巧（25分钟）

(1) 设计基础：

² 明确提示词的定义、作用、类型及关键要素（目标、受众、场景），通过汽车研发案例（如智能网联功能测试报告生成）解析成功提示词的结构。

(2) 系统设计框架：

² 目标明确化（SMART 原则）：如 “生成智能驾驶功能测试报告，需包含 10 个典型测试场景的结果分析，准确率≥95%”。

² 受众分析与画像：针对产品经理、测试工程师等不同受众，调整提示词的技术深度和表述方式。

² 结构设计（AIDA 模型）：吸引注意（如 “紧急：智能网联功能测试异常分析”）→激发兴趣（如 “30 分钟内定位测试异常原因”）→刺激欲望（如 “提供可行的优化方案”）→促成行动（如 “输出整改报告”）。

² 语言优化技巧：使用简洁、专业的术语（如 “CAN 总线数据解析”“EMC 测试标准”），避免歧义，增强行动导向（如 “请于 2 小时内生成分析报告”）。

(3) 进阶技巧：

² 数据驱动优化：通过 A/B 测试对比不同提示词的 AI 输出效果，如测试 “生成底盘轻量化设计方案” 与 “生成基于铝合金材料的底盘轻量化设计方案” 的差异。

² 多渠道适配：根据需求，设计适用于文档生成、数据可视化、跨部门沟通等不同场景的提示词。

3. 产研级提示词的核心设计原则（10分钟）

(1) 研发标准显性化编码：

² 多标准整合：强制嵌入汽车行业标准号（如 GB 7258-2017《机动车运行安全技术条件》、ISO 26262 功能安全标准），支持多标准交叉检索（如 “同时满足 C-NCAP 2025 版五星要求与 UN R129 电池安全标准”）。

² 技术参数精确化：明确设计或测试参数（如“底盘零件公差±0.05mm”“响应时间≤50ms”）、样本量（如“测试车辆不少于5辆”）、判定准则（如“异响分贝值≤60dB 为合格”）。

² 合规性声明：包含 “符合 ISO 17025 实验室认证要求”“数据可追溯至原始传感器信号” 等质控条款，确保 AI 输出符合研发规范。

(2) 研发流程结构化拆解：

五段式框架：

² 标准定位：明确适用法规（如“中国道路车辆功能安全标准 GB/T 34590-2022”）。

² 对象定义：细化研发对象（如“某车型底盘悬挂系统，承载能力≥500kg”）。

² 方法选择：指定工具或方法（如“使用 ANSYS 进行有限元分析”“采用正交试验法设计测试方案”）。

² 数据要求：规定数据精度（如“传感器采样频率≥100Hz”“测试数据有效位数保留3位小数”）。

² 输出规范：限定报告格式（如 “按 ISO/TR 16989 生成 FMEA 分析表”“以 PPT 形式呈现设计方案，包含 3D 模型和数据图表”）。

4. 汽车产研专属进阶技巧（10分钟）

(1) 多物理场耦合模拟：

² 仿真工具链调用：在提示词中串联 CAE 软件（如 “先用 AMESim 建立底盘液压系统模型→导入 ANSYS 进行热耦合分析→在 Carsim 中验证行驶稳定性”）。

² 极限场景参数化：定义正交试验矩阵（如 “车速 [60/80/100km/h]× 路面粗糙度 [低 / 中 / 高]× 底盘刚度 [软 / 中 / 硬]”），全面覆盖研发测试场景。

(2) 失效数据深度挖掘：

² 机器学习模型嵌入：提示词包含 “用随机森林算法识别底盘异响关键因子（特征：振动频率、温度、载荷）”“用神经网络预测智能网联功能故障率”。

² 数据清洗规则：强制剔除无效数据（如 “传感器标定异常数据（偏差> 5%）”“异常中断的测试信号”），确保数据分析的准确性。

(3) 标准动态适配技术：

² 版本控制机制：提示词自动匹配最新标准（如 “采用 2025 年即将实施的 GB/T XXXX-XXXX 自动驾驶功能分级标准”）。

² 地域化适配：根据目标市场自动加载特殊要求（如 “针对欧洲市场增加涉水深度 500mm 测试”“满足北美 FMVSS 安全标准”）。

(4) 失效模式导向设计：

² FMEA 思维嵌入：在提示词中预设潜在失效点（如 “重点分析底盘疲劳断裂风险”“智能网联功能通信中断隐患”）。

² 极限工况覆盖：强制包含极端环境测试（如“-40℃冷启动”“海拔4000m动力衰减测试”）。

² 统计显著性要求：明确置信水平（如 “95% CI”）、样本分布（如 “正态性检验 p>0.05”）等统计假设，确保研发结果的可靠性。

5. 产研级提示词设计的三大黄金法则（10分钟）

(1) 角色设定法：

² 要求AI模拟“汽车产研工程师” 撰写自动驾驶功能安全设计方法，提升专业性；

(2) 细节约束法：

² 通过“输出格式 = Markdown 表格 + 技术流程图” 规范AI报告结构；

(3) 结果验证法

² 加入“请标注引用的国家标准编号（如GB/T 34590）”避免幻觉。

1.1.4. 【分组演练】汽车研发中的 Prompt 设计（11:30 - 12:00）

² 任务设定：

 任务 1：生成某车型底盘轻量化设计方案初稿（需包含材料选择、结构设计、强度校核）。

 任务 2：优化智能驾驶功能测试方案（要求覆盖 10 种以上极端场景，降低测试成本 20%）。

 任务 3：撰写底盘模块跨部门协作沟通话术（需包含设计目标、进度计划、资源需求）。

² 演练要求：

 各组根据任务设计 Prompt，使用 DeepSeek 生成方案或话术。

 对比各组 AI 输出，从专业性、完整性、效率提升等维度评选最优方案，讲师进行点评和优化指导。

（注：具体演练的任务需在培训前与培训负责人、主管、学员代表讨论确定）

1.2. 【下午】轻量级 Agent 开发与工作流搭建（14:00 - 17:30）

1.2.1. 【知识精讲】汽车研发工作流自动化（14:00 - 14:15）

1. 工作流技术原理及其与汽车研发场景匹配（15分钟）

(1) 工作流：汽车研发流程的“数字助手”：

² 介绍工作流如何实现研发流程的自动化串联，如需求分析→设计→测试→评审→优化。

(2) 灵活、精准、会‘学习’：

² 全场景适配：自动匹配汽车行业标准（GB、ISO 等），一键生成符合不同市场法规的研发方案（如出口车型底盘设计同时满足国内与欧盟标准）。

² 人机协作友好：通过可视化拖拽界面搭建流程，无需编程，适合汽车研发人员（如底盘工程师、智能网联工程师）快速上手，自动生成数据处理代码和跨部门沟通文档，减少重复性劳动。

(3) 提效、控险、沉淀经验：

² 效率飙升：标准检索耗时从 2 天缩至 2 小时，设计方案生成效率提升 50%，让研发人员聚焦核心设计。

² 合规有保障：内置标准条款校验机制（如自动检查底盘设计是否符合 GB/T 3811-2022 强度要求），降低设计缺陷风险。

² 知识资产化：将底盘设计、智能网联测试等流程转化为可复用模板，积累赛力斯特有研发经验库，新人可快速参考历史方案。

2. 可视化工作流工具入门：从 “手动操作” 到 “流程串联”（15分钟）

(1) 汽车研发场景适配性解析：

² 零代码门槛：通过 “扣子” 图形化界面搭建流程，如底盘测试数据处理流程（数据上传→清洗→分析→报告生成），无需编写代码，匹配研发人员 “重逻辑、轻编程” 特点。

² 跨系统集成：支持对接赛力斯企业数据库（如底盘设计参数库、智能网联测试结果库）、API 接口（如 CAE 软件数据接口）、第三方工具（Excel、AutoCAD）。

² 动态分支设计：根据 AI 输出结果（如底盘强度校核是否通过）自动触发不同流程分支（如通过则进入下一设计环节，不通过则返回优化），模拟真实研发决策逻辑。

(2) 扣子（Coze）核心功能演示：

² 如何连接 DeepSeek 大模型，实现设计方案生成、数据趋势分析等功能。

² 企业知识库（如赛力斯底盘设计标准库、智能网联测试案例库）的搭建与调用。

² 文件处理工具（如 Excel 数据批量处理、CAD 图纸自动标注）的集成与使用。

(3) 工作流核心组件拆解：

² 节点类型：输入输出节点（如 “底盘测试数据上传”“智能网联测试报告下载”）、处理节点（如 “数据清洗”“强度校核”）、工具调用节点（如 “调用 ANSYS 进行有限元分析”“生成 PPT 汇报文档”）。

² 数据流逻辑：从线性执行（如顺序完成设计、分析、测试）到智能分支（如根据测试结果自动调整设计方案），提升流程灵活性。

² 异常处理：设置数据异常预警节点（如底盘应力超过阈值时自动发送警报），确保流程健壮性。

1.2.2. 【知识精讲】轻量级产研Agent开发与落地（16:50 - 17:00）

1. 什么是智能体（Agent）？与传统工具的本质区别

² 单一工具：仅能生成设计文档（如用 AI 写底盘设计说明）

² 智能 Agent：可自动完成 “数据异常检测（如底盘振动超标）→调用历史故障库→生成维修建议→触发采购流程” 全链条任务

2. 汽车研发 Agent 典型案例：

(1) 案例 1：底盘异响预警 Agent

² 实时监控台架测试数据，当振动频率＞500Hz 且持续超 3 秒时，自动调取过往 100 例异响报告，匹配相似度＞85% 的解决方案，推送给工程师

(2) 案例 2：供应链需求预测 Agent

² 基于历史研发数据（如某车型底盘零件设计变更频率），结合当前项目进度，预测未来 3 个月的材料采购需求，误差率＜5%

3. 快速开发三步骤：

² 步骤 1：场景定义：明确解决的问题（如 “自动识别智能网联功能测试中的协议冲突”）

² 步骤 2：工具链串联：组合 DeepSeek（协议解析）+ 扣子（流程调度）+ 企业数据库（存储历史协议模板）

² 步骤 3：轻量化部署：通过 API 接口集成至研发管理系统，支持手机端实时预警

1.2.3. 【案例分析】汽车研发全流程自动化：以底盘模块开发为例（14:15 - 14:25）

1. 场景设定：

² 某车型底盘模块开发，需完成需求分析、初步设计、测试验证、跨部门评审等环节。

2. 需求分析：

² 用 DeepSeek 爬取用户反馈数据，提取高频需求（如 “底盘舒适性不足”“通过性差”），生成《底盘模块需求分析报告》。

3. 初步设计：

² 用提示词生成底盘结构初步设计方案（如 “生成基于铝合金材料的底盘轻量化设计方案，承载能力≥500kg，需符合 GB/T 3811-2022 强度要求”），导出为 CAD 图纸。

4. 测试验证：

² 用 “扣子” 搭建测试流程，自动将设计参数导入 ANSYS 进行有限元分析，生成应力分布云图，识别强度薄弱点。

5. 跨部门评审：

² 自动汇总设计方案、测试结果，生成《底盘模块跨部门评审报告》，并触发评审流程，收集生产、质量等部门意见，自动整合修改建议。

1.2.4. 【小组讨论】即时练习：个性化工作流的逻辑拆解与设计（14:25 - 15:00）

1. 任务：每人选择1个当前正在进行的汽车研发项目（如 “底盘异响分析”“ADAS 功能测试流程优化”），设计工作流：

² 技术预研流（如：自动追踪 “汽车轻量化材料” 最新研究成果并生成技术简报）

² 跨部门协作流（如：DeepSeek 生成设计方案→生产部门在线评审→自动汇总工艺可行性意见）

2. 分享交流

² 小组内同步设计思路，推选1个典型作品（如“智能座舱人机交互测试流程”）进行全员展示

² 重点讨论：如何通过工作流串联 “需求分析→原型设计→测试用例生成→问题闭环” 环节

1.2.5. 【操作演示】5 分钟搭建第一个工作流（15:15 - 15:25）

1. 创建空白流程：

² 命名为 “汽车零部件测试数据自动化处理流程”；

2. 工作流搭建步骤演示：

² 节点 1：Excel 数据上传：配置为仅接收 “.xlsx” 格式的传感器测试数据

² 节点 2：数据清洗：设定规则 “删除‘温度’列＞120℃的异常数据，保留 3 位有效数字”

² 节点 3：大模型分析：调用 DeepSeek 提示词 “根据悬架系统振动数据，识别前 3 大异常频率，用红色字体标注超标值”

² 节点 4：图表生成：自动生成 “振动频率 - 时间” 折线图，标记国标阈值线

3. 测试效果

² 上传样例数据后，20 秒内输出清洗表、分析报告及可视化图表

1.2.6. 【分组实践】分组搭建工作流，专家辅导（15:25 - 16:30）

各组自由选择方案练习，专家实时提供操作指导

1. 方案 1：智能网联功能测试工作流

场景：开发《车载语音交互功能测试标准》，需整合用户投诉与技术标准

工具链：DeepSeek 爬取 1000 条用户语音指令识别失败案例→扣子清洗数据→生成 “高频失效场景 - 解决方案” 对照表

提效点：需求分析效率从 5 天压缩至 1 天

2. 方案 2：新能源汽车电池热管理设计工作流

场景：处理 300 组电池充放电循环数据，生成热失控风险评估报告

工具链：扣子连接 LIMS 系统拉取原始数据→豆包生成 Python 代码自动计算温度梯度→DeepSeek 输出《热管理设计改进建议》

创新点：自动识别 “温度＞45℃且充电电流＞150A” 的高危工况

3. 方案 3：传统底盘研发跨部门协作工作流

场景：底盘轻量化设计方案评审（涉及设计、工艺、采购部门）

工具链：DeepSeek 生成铝合金底盘设计草案→扣子创建评审任务（自动 @相关部门负责人）→汇总意见后生成《设计变更追踪表》

价值：评审周期从 7 天缩短至 3 天，意见遗漏率下降 80%

4. 方案 4：前沿技术预研工作流

场景：跟踪全球汽车 AI 视觉检测技术动态，生成月度报告

工具链：扣子定时爬取 IEEE 汽车电子会议论文→豆包翻译摘要→DeepSeek 提炼 “多传感器融合检测”“实时缺陷识别算法” 等 3 大趋势

应用：为研发立项提供决策依据

1.2.7. 【分享讨论】工作流分享与优化（16:30 - 16:50）

1. 分组展示实战成果，需重点说明

² 替代：替代了哪些人工环节

² 提效：提升了哪些环节的效率

² 创新：AI 的独特价值

² 补缺：完成了哪些人工难以完成的操作

2. 小组间交叉提问、建议与点评。

² 流程逻辑是否覆盖研发全周期（如需求→设计→测试→优化）

² 工具节点调用是否精准（如是否正确关联 DeepSeek 的行业知识库）

² 是否预留扩展性（如是否支持未来新增的新能源汽车测试标准）

3. 专家点评：从流程拆解、工具使用、场景价值等维度点评，提出优化建议。

1.3. 【总结】内容总结、展望与互动问答（17:20 - 17:30）

1. 总结课程内容（强调生成式AI对千行百业的重要性和挑战）

² 总结前述课程内容，厘清受训学员的take away。

² 核心知识图谱：

2. 鼓励学员持续学习和探索，积极应用生成式AI推动企业发展

² 未来的应用前景与可行性研究

² 组织、流程、管理与人才培养方面的应对策略

3. 展望生成式AI的未来发展前景，激发学员的创新思维和创造力

4. 互动问答与讨论

² 回应学员关于生成式AI的关键问题，讨论具体的具体应用场景

² 结合华为、字节跳动的实际应用经验，分享如何在企业中实现AI技术的有效落地

2. 注意事项

Ø 在讲解技术细节时，考虑到学员的专业背景，适当调整难度，避免过于深奥的技术术语，并根据学员所在行业、岗位属性做适当的技术术语转化。

Ø 避免泛泛而谈技术原理，所有概念均锚定贴合学员行业的实际业务场景。

Ø 提供实际操作的机会或案例分析，帮助学员更好地将理论知识转化为实践能力。