课程背景：中国汽车产业已从增量扩张进入存量深耕：新能源渗透率持续攀升、价格战常态化、产品生命周期极短化，“极 致成本管控、持续产品创新、快速市场响应”成为生存线。头部车企已用真金白银给出答案——比亚迪2024年研发投入542亿元、超过当年净利润，研发人员约12万；长城汽车研发投入连续三年超百亿，并建成打通研产供销服全链路的RAG知识架构平台，使知识流失率下降超30%；中国一汽上线行业首个企业级智能体平台，研发效率提升50%、审批节点删减50%；理想汽车与合作伙伴共建供应商深度集成平台，已覆盖超80%采购支出，提前168小时预警缺料危机。与此同时，AMS/ABB行业调查显示45%的车企把供应链中断列为首要挑战、37%面临技能短缺，2026年更有超350万辆新能源车集中脱保、售后服务迎来千亿级压力。但AI在车企落地的最 大障碍不是模型，而是数据：一家典型车企数据库可超过1000套，订单在ERP、生产在MES、质量在QMS、考勤在OA，同一零件在不同系统有全称、简称、英文缩写多种叫法；叠加整车与零部件数据、客户个人信息、供应商报价与成本数据的高度敏感性，车企大模型应用必须以私有化/本地部署为前提，确保生产与经营数据不出域。在这一约束下，“为每一个岗位配备AI副驾”才是最务实的降本增效路径：把专家经验沉淀进知识库，把重复动作交给智能体，把合规边界交给治理框架。本课程基于黄谊江96亿元项目交付经验与企业AI落地实战案例，融合华 为系方法论，面向营销、研发、售后、人事、财务、采购六大岗位，讲清岗位智能副驾怎么装、怎么用、怎么管。

课程收益：1. 看清汽车行业AI落地的真实水位与投入产出，建立对大模型能力边界的清醒认知，避开数据泄露、幻觉、合规三大坑；2. 掌握车企AI落地的前置条件——数据治理与主数据（PBI）体系，明白为什么“数据不通、AI必废”；3. 掌握提示词工程与知识库（RAG）搭建方法，让AI真正读懂整车工艺、维修手册、供应商档案与业务口径；4. 会用Dify等本地部署平台搭建岗位智能体，把零散AI工具用成“副驾”，生产与经营数据不出域；5. 收获六大岗位（营销/研发/售后/人事/财务/采购）智能副驾落地原型与真实案例拆解；6. 形成本岗位“30天AI副驾落地”行动清单，课后即可启动最小闭环。

第 一讲 认知破局——汽车行业为什么必须做岗位AI副驾（1小时）

一、存量竞争下的降本增效压力

1. 从增量扩张到存量深耕：价格战常态化、产品生命周期极短化、单车利润承压

2. 供应链从“效率优先”转向“韧性优先”：45%车企把供应链中断列为首要挑战，37%面临技能短缺

3. 售后市场的临界点：2026年超350万辆新能源车集中脱保，三电维修、智驾校准、电池检修需求激增

4. 六大岗位的共性痛点：重复事务多、跨系统取数繁琐、专家经验难沉淀、知识随人流失

▸ 实战演练：各岗位现场盘点“最耗时的三件事”，按重复性、规则明确度、文字产出量三个维度归类，识别可交给AI的候选场景（15分钟）

二、头部车企已经走到哪一步——年报里的AI答案

1. 研发投入的量级对比：比亚迪2024年研发投入542亿元超过净利润、研发人员约12万；长城汽车研发投入连续三年超百亿、研发人员2.3万；广汽集团研发投入79亿元

2. 知识资产化的样板：长城汽车RAG知识架构平台打通研产供销服全链路，知识流失率下降超30%

3. 企业级智能体的样板：中国一汽OpenMind平台与数字员工，研发效率提升50%、营销线索到店率提升15%、成交率提升20%、审批节点删减50%、标准工时下降22.9%

4. 算力与模型自建：整车企业超算中心与端到端大模型团队的组织形态

5. 国家视角佐证：工信部2025年285个AI典型案例中，汽车/装备行业生产制造20个、供应链10个、研发设计7个——AI正从试点炫技走向规模提质

▸ 案例分析：对比拆解三家上市车企近三年年报中的研发投入结构与AI披露口径，讨论“哪些是可复制的动作、哪些是资本开支门槛”（10分钟）

三、大模型能做什么、不能做什么

1. 适合岗位副驾的四类能力：理解与分类、检索与问答、生成与起草、多步推理与调用工具

2. 技术盲点与风险预警：幻觉、数据泄露、合规法律、偏见与提示词注入

3. 不能交给AI的事：供应商现场考察、职业判断类会计估计、重大假设与终审决策

4. 一条铁律：模型起草、规则校验、人做终审

▸ 案例分析：警示案例拆解——三星半导体员工使用公开大模型导致设计资料外泄、美国律所引用AI虚构判例被罚，映射到车企图纸、标定参数、客户信息、供应商报价四类高危数据（15分钟）

第二讲 地基先行——数据治理与合规底座（1小时）

一、数据孤岛：车企AI落地的第 一道坎

1. 一家典型车企的现实：订单在ERP、生产在MES、质量在QMS、考勤在OA，数据库可超过1000套且正在国产化替代

2. 口径不一的代价：同一零件在不同系统有全称、简称、英文缩写、拼音缩写，AI连“看懂”业务都做不到

3. 数据与流程的割裂：AI不可能作为孤立工具活在流程体系之外

4. 一个务实建议：培养能熟练使用AI的IT员工，比外购一堆工具更事半功倍

5. 数据治理基线（工信部285案例分析）：约38%案例名称涉数据治理，平台与集成35次最 高、资产流通仅12次——先治理后变现

▸ 小组研讨：现场梳理本企业“取一份跨部门数据要经过几个系统、几个人、几天”，画出取数路径图并标出断点（10分钟）

二、主数据与PBI体系：让数据成为AI可用的燃料

1. 数据治理四件事：主数据管理、数据标准治理、数据质量管控、资产目录梳理

2. PBI产品基本信息体系：源自华 为IPD深化推行，解决统计口径不一、数据不一致、IT集成困难

3. PBI的核心规则：只有一个系统可以产生编码，其他系统只能调用，不能自行创建或修改

4. 汽车行业的落地映射：整车与零部件目录、销售目录、车型平台与版本、重量级团队与研发项目

▸ 案例分析：讲师为某企业设计的PBI体系示例讲解，现场推演本企业“车型—配置—零件—供应商”主数据唯 一可信源该建在哪个系统（15分钟）

三、合规底座：车企AI应用的三条落地路径

1. 路径一，业务软件内置AI：使用ERP/DMS/SRM厂商提供的专属或私有云实例，数据在系统内部流转

2. 路径二，本地部署开源模型：在企业服务器原生部署或用Ollama、vLLM承载，完全离线、数据不出机房

3. 路径三，企业私有云API：采购厂商企业版或私有化交付，模型实例独占并部署在自有VPC，不使用公网多租户端点

4. 平台选型原则：智能体与工作流平台统一采用Dify本地部署，在线SaaS工作流仅用于个人学习验证，严禁直连生产数据与客户业务；选型须结合企业IT水平与现有系统入口

5. 主流开源模型现状参考：DeepSeek-V4系列、智谱GLM-5.2、通义千问Qwen3.8-Max、Kimi K3等已支持百万级上下文，多为开放权重，具备本地化部署条件；落地前须以厂商当月官方发布为准

▸ 实战演练：现场划红线——把本岗位日常接触的数据分为“可上公网/仅限私有化/绝 对不可外传”三类，形成本部门AI使用负面清单（15分钟）

第三讲 核心技能——提示词工程与岗位知识库（1小时）

一、提示词工程：让AI听懂汽车人的话

1. T-SPEC提示词框架：任务、情境、步骤、示例、风格、约束

2. 汽车场景专用技巧：把行业术语与内部口径写进提示词，避免模型用通用常识替换企业标准

3. 少样本示例与思维链：用两三个真实工单、真实报价单示例，把输出格式一次性锁死

4. 反幻觉三招：要求标注信息来源、要求区分“文档已有”与“模型推测”、对数字类结论强制回读校验

▸ 实战演练：按岗位分组改写一条真实工作提示词，用同一模型对比改写前后输出质量，评选最 佳提示词（15分钟）

二、知识库与RAG：把专家经验变成企业资产

1. RAG基本原理：检索增强生成如何让模型基于企业自有文档回答，而不是凭空编造

2. 车企知识库的典型语料：维修手册、故障案例库、技术通报、工艺文件、标书与合同、供应商档案、培训教材

3. 文档质量决定知识库质量：扫描件、图纸、表格型PDF的解析差异，选错解析工具等于污染整个知识库

4. 搭建四步法：先定分类维度、再定存储与索引方法、然后批量入库、最后做检索效果评测

5. 行业标杆参考：长城汽车RAG知识架构平台使知识流失率下降超30%；厦门金龙以本地化部署模型结合企业知识门户构建售后知识服务平台

6. 讲师实战案例：邮件知识库（Foxmail/Outlook/Notes，华 为中兴同款、注意32位版本匹配；先定分类维度再建库），以及PDF解析工具选型（扫描件/图纸/表格型PDF三方案中只有专业工具才靠谱）

▸ 案例分析：讲师案例复盘——让AI自动把上万封项目邮件结构化为12个业务维度的知识库，从“只能按发件人、收件人、主题搜索”到全文检索与经验萃取（10分钟）

▸ 实战演练：各组为本岗位设计知识库分类维度表，明确一级分类、二级分类与必填元数据字段（15分钟）

第四讲 六大岗位智能副驾实战（2小时）

一、营销副驾：让线索活起来、成交快起来

1. 典型痛点：获客成本上升、客户决策周期拉长、存量与战败线索沉睡、销售顾问能力参差

2. 副驾能力一，线索清洗与战败激活：意向识别、自动邀约、门店匹配与结果回传

3. 副驾能力二，内容工厂：一车一策的卖点话术、竞品对比、社媒图文与直播脚本批量生成

4. 副驾能力三，销售陪练与质检：围绕新车介绍、试驾邀约、异议处理开展模拟训练与全量质检

5. 行业实测参考：某方案商在车企与经销商集团落地，线索转化效率提升40%、门店匹配准确率97%、质检准确率超92%、培训周期缩短50%、销售SOP执行度提升70%

6. 延伸应用：资质证书秒查系统（经销商准入/供应商资质资料一次收集、投标申报秒查）与投标方案自动生成（从方案维度建库、逐条溯源到源文档），适用于零部件供应商投标主机厂场景

▸ 实战演练：营销组现场搭建“战败线索再激活”话术副驾，输入真实线索标签生成分层邀约话术并互评（15分钟）

二、研发副驾：把历史经验变成可复用的计划与文档

1. 典型痛点：项目文档散落在个人电脑，员工离职即进回收站；制定计划缺少历史经验基线

2. 副驾能力一，经验萃取与WBS标准化：定位源文件、内容抽取、结构对齐、归一化合成模板并保留来源溯源

3. 副驾能力二，技术文档助手：需求规格、试验报告、技术通报的起草与一致性检查

4. 副驾能力三，标准与法规检索：法规条款、企业标准、竞品参数的快速定位与差异比对

5. 行业标杆参考：车企以企业级智能体平台支撑研发效率提升50%；零部件集团在AI中台上线12个深度业务场景

▸ 案例分析：讲师案例复盘——从6637份历史项目文件中筛出307个计划类文件，抽取、对齐、归一化生成含8个一级阶段、20个工作包、58个样例活动的标准WBS，且每个工作包标注来源证据（15分钟）

三、售后副驾：从事后维修转向主动服务

1. 典型痛点：故障排查依赖老师傅经验、维修资料分散难检索、新人培养周期长、客户不信任维修建议

2. 副驾能力一，智能故障诊断：以维修手册与历史工单构建诊断知识图谱与RAG底座，自动生成引导式诊断流程与分析报告

3. 副驾能力二，全渠道智能客服：热线、官网、社媒统一接入，覆盖购车咨询、试驾预约、保养维修、政策查询

4. 副驾能力三，VOC洞察：客户反馈自动分类与情感分析，反哺产品设计与服务改进

5. 行业实测参考：某合资车企智能客服拦截率从37%提升至84%，月均3.5万通呼入转为7×24小时承接；行业垂直维修大模型故障诊断准确率超92%、幻觉率低于8%

▸ 实战演练：售后组用三份真实维修手册片段与两条故障描述，搭建最小可用的诊断问答副驾并测试命中率（10分钟）

四、人事副驾：把HR从人肉扫描里解放出来

1. 典型痛点：简历初筛耗时巨大、岗位JD与候选人匹配靠肉眼、用人部门个性化需求难以量化

2. 副驾能力一，简历初筛：多格式简历信息提取、与JD逐项匹配、输出可解释的评分报告

3. 副驾能力二，用人偏好建模：从历史录用决策反推业务主管的用人风格并纳入评分维度

4. 副驾能力三，培训与知识传承：岗位技能图谱、课程内容生成、新人入职问答

5. 落地效果参考：某项目113份简历初筛从约5小时压缩到2分钟，并同步输出专业评估报告

▸ 实战演练：人事组用一份真实JD与五份脱敏简历，配置评分维度与权重，运行初筛并人工复核偏差（10分钟）

五、财务副驾：让月结准点下班

1. 月结八大模块的AI适合度分级：银行对账与往来核对、固定资产折旧摊销、汇兑损益、政府补助分摊、内部交易抵销偏适合；存货跌价、收入确认、研发资本化判定为半自动；减值重大假设与审计调整仍须人工

2. 副驾能力一，自动勾对与差异诊断：自动匹配流水、归因差异、生成可贴底稿的对账说明

3. 副驾能力二，多源报表合并：跨主体、跨系统数据归集与内部往来抵销分录生成

4. 副驾能力三，经营分析：成本动因拆解、单车成本与费用归因、经营看板日更

5. 红线与原则：银行流水、客户与供应商信息、金额均属核心机密，绝不能进公网大模型；精确计算由规则引擎把关，模型只负责理解、分类与生成文字

▸ 案例分析：讲师案例复盘——银行对账场景的三条合规路径与小样例演示，对比手工与AI两种作业方式的耗时、差错与留痕能力（10分钟）

六、采购副驾：告别表哥表姐

1. 典型痛点：采购需求分散在OA与邮件、跨项目按物料分类汇总全靠手工、编写询价文件耗时且易错

2. 副驾能力一，需求归集与RFQ自动生成：从OA提取采购申请数据、按物料编码分类汇总、输出标准询价表

3. 副驾能力二，报价分析：自动解析格式各异的报价单，关联历史成交价与市场指数，对异常报价预警

4. 副驾能力三，供应商知识导航与质量问题协同：供应商资质、历史合作数据、8D报告的智能检索与方案推荐

5. 能力边界提醒：供应商现场考察、商务谈判决策、战略合作判断不能交给AI

6. 行业实测参考：某豪华品牌中国采购多智能体系统使采购决策效率提升40%以上，中国供应链AI渗透率达63%；某新势力供应商深度集成平台覆盖超80%采购支出，提前168小时预警缺料、问题协同闭环效率提升10倍

▸ 案例分析：讲师案例复盘——跨多个项目按物料品类合并采购需求并自动生成RFQ，原本12小时的整理工作压缩到3分钟；随后采购组用两份脱敏报价单配置比价副驾的解析规则与异常预警阈值（15分钟）

第五讲 落地路径——从单点试点到组织能力（1小时）

一、场景筛选：什么样的场景值得先做

1. 四把尺子：业务价值、技术可行性、数据可得性、合规风险

2. 优先落地基础性、高价值、高可行性的明星场景，先打标杆再打通全流程

3. 三个典型误判：追求全流程一步到位、用在线工具承载生产数据、把AI当成规则引擎的替代品

4. 30-60天速赢组合：1个知识库＋1个智能体＋1条业务流，门禁不达标不进下一阶段

▸ 小组研讨：用四把尺子给本组候选场景打分排序，选出首个试点场景并说明理由（15分钟）

二、组织与机制：让副驾长期跑下去

1. 三种角色缺一不可：业务场景主、懂AI的IT工程师、数据治理负责人

2. 内部能力建设：培养能熟练使用AI的业务骨干与IT员工，比持续外购工具更划算

3. 知识资产的持续运营：知识库更新责任人、语料准入标准、检索效果定期评测

4. 效果度量：用工时节省、差错率、响应时长、一次通过率四类指标做前后对比

5. 试点体检工具：讲师"流程效率AI评估法"——先埋点再评估（保存每人审批时间），47次流程审批评估显示堵点在基层与高管两头，可迁移到订单、结算、售后工单流程

▸ 实战演练：填写本岗位“30天AI副驾落地”行动清单，明确场景、数据来源、平台、责任人、验收指标（15分钟）

三、课程总结与互动答疑

1. 一条主线回顾：数据打底、知识铸魂、智能体干活、治理兜底

2. 一句话原则：模型起草、规则校验、人做终审

3. 现场答疑与下一步行动约定

▸ 互动答疑：就本岗位副驾落地难点现场提问与答疑（10分钟）

后续落地建议

1）课后30天内，以行动学习小组为单位，完成“一个岗位＋一个场景＋一个知识库＋一个智能体”的最小闭环，并提交落地复盘；2）配套发放四份工具包：《岗位AI副驾搭建Checklist》《车企知识库分类与命名模板》《提示词工程速查卡》《AI应用合规红线清单》；3）可进阶开展“岗位智能体开发工作坊（2天）”“车企数据治理与主数据体系专题”与“AI赋能项目管理”专题，把副驾能力从单点扩展到项目级与组织级。