课程背景：医药工业正处在“强监管＋集采常态化＋AI技术拐点”三重叠加期。国家《医药工业数智化转型实施方案（2025-2030年）》提出到2027年数智化转型取得重要进展、2030年基本实现全覆盖；国家药监局大力推进“智慧监管”，电子批记录、全过程追溯成为刚需，NMPA与FDA对电子签名、审计追踪与数据完整性（ALCOA+）的要求日趋严格。与此同时，药企的信息化系统早已林立——ERP、MES、LIMS、QMS、WMS、CRM、流向管理、BI，以及研发侧的电子实验记录与临床管理系统——但普遍存在数据孤岛、手工记录、GMP合规验证难、复合型人才稀缺四大痛点，行业呈现“研发热、生产冷、质量难”的应用断层。先行者的量化战果已经出现：广药将小分子早期发现周期从1-2年压缩至3-6个月、成本降低70%；翰宇药业依托大模型与历史工艺数据实现生产参数决策效率提升90%、批次合格率提升22%；柳药集团物流排线建模效率提升30倍、仓间调拨成本下降约20%。但医药行业AI落地有一条不可逾越的底线：涉及生产工艺、质量检测的数据与系统必须满足GxP合规、数据完整性（ALCOA+）与审计追踪要求，生产与经营数据严禁出境、严禁直连公网SaaS——这正是本课程坚持“Dify本地部署＋数据不出域＋人做终审”的根本原因。本课程以“数据打底、知识铸魂、智能体干活、治理兜底”为主线，面向研发、生产、质量、营销、供应链、职能六大岗位，在合规框架内打造“岗位智能副驾”，让AI从“会聊天”变成“会干活”，实现“模型起草、规则校验、人做终审”的落地闭环。

课程收益：1. 看清医药行业AI落地的真实水位与政策走向，建立对AI能力边界的清醒认知，避开数据完整性、合规、幻觉三大坑；2. 掌握医药AI落地的前置条件——ALCOA+数据完整性与主数据治理，明白为什么“数据不完整、AI不可用”；3. 掌握提示词工程与岗位知识库（RAG）搭建方法，让AI真正读懂SOP、药典法规、批记录、检验数据与文献资料；4. 会用Dify等本地部署平台搭建岗位智能体，生产与经营数据不出域，满足GxP与信创要求；5. 收获六大岗位（研发/生产/质量/营销/供应链/职能）智能副驾落地原型与真实案例拆解；6. 形成本岗位“30-60天AI副驾落地”行动清单，含验证与治理要点，课后即可启动最小闭环。

第 一讲 认知破局——医药行业为什么必须做岗位AI副驾（1小时）

一、医药行业的三重压力：强监管、集采常态化、AI技术拐点

1. 政策牵引：数智化转型实施方案（2025-2030）、智慧监管、电子批记录与全过程追溯

2. 成本现实：新药研发平均耗时超10年、成本超26亿美元、成功率仅约10%

3. 应用断层：研发端活跃、生产端受GMP约束滞后——“冰火两重天”

二、AI副驾要解决什么：系统林立背后的四大典型痛点

1. 手工记录与重复录入：批记录、检验记录、偏差与变更文档

2. 知识散落：SOP、药典法规、文献、历史经验查不到、带不走

3. 文档与流程低效：偏差、变更、申报材料撰写耗时且易错

4. 复合型人才稀缺：会业务的不懂AI，懂AI的不懂GMP

三、行业先行者的量化战果

1. 广药数科：小分子早期发现1-2年→3-6个月，成本降70%

2. 翰宇药业：多肽工艺决策效率+90%，批次合格率+22%

3. 柳药集团：物流排线建模效率+30倍，仓间调拨成本降20%

4. 行业全景：工信部2025年285个典型案例中，医疗健康“研发设计”场景案例数居全行业首位（11个），行业赋能类案例占47.7%

四、什么是“岗位智能副驾”：边界与定位

1. 副驾不是自动驾驶：模型起草、规则校验、人做终审

2. 六类智能体与医药岗位的映射（研发/生产/质量/营销/供应链/职能）

3. 合规红线先行：GxP相关系统、数据完整性、审计追踪

▸ 课程导入：医药行业信息化系统全景图（ERP/MES/LIMS/QMS/WMS/CRM/流向/BI）快速对号入座，标出本岗位天天在用的系统（15分钟）

▸ 案例分析：三家药企AI量化战果解读：哪些可以复制、哪些依赖特定条件（10分钟）

▸ 小组研讨：列出本岗位最耗时的三个重复性场景，按“AI可替代性×合规风险”初判优先级（15分钟）

第二讲 地基先行——医药数据治理与合规底座（1小时）

一、数据完整性是医药AI的生命线：ALCOA+原则

1. ALCOA五要素：可归属、清晰、同步、原始、准确

2. “+”扩展要求：完整、一致、持久、可得

3. AI产生的记录如何满足数据完整性：谁生成的、何时生成、依据什么

二、合规框架：GxP、21 CFR Part 11与NMPA要求

1. 电子记录与电子签名、审计追踪的基本要求

2. 计算机化系统验证（CSV）的定位与基本路径

3. 药监“智慧监管”趋势：从人防到技防，AI要能对接监管数据

三、主数据与知识底座：让AI吃到“干净粮”

1. 主数据治理：物料、供应商、客户、产品主数据的唯 一化与统一编码

2. 知识资产化：SOP、法规、文献、历史偏差与检验数据的整理清洗

3. 数据链路优先级：ERP-MES-LIMS-QMS-WMS关键接口打通顺序

4. 行业基线：工信部285案例中约38%涉及数据治理，“数据平台与集成”提及35次最 高、“数据资产与流通”仅12次——先治理、后变现

四、平台选型原则：为什么默认Dify本地部署

1. 生产与经营数据不出域：GxP相关数据严禁直连公网SaaS

2. 在线SaaS（各类在线版大模型/工作流）仅用于个人学习验证

3. 信创与国产化趋势下的AI配套：LIMS/WMS等系统国产替代中的AI衔接

▸ 案例分析：用ALCOA+检查表逐条审视“AI起草批记录”场景：每一字段能否满足同步、原始、可归属要求（10分钟）

▸ 小组研讨：盘点本企业数据完整性差距：哪些记录还是纸质/事后补录，距离“同步、原始”差多远（15分钟）

▸ 实战演练：把一份部门文件整理成可入库的知识资产清单：命名、分类、清洗、更新规则（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：让大模型听懂医药业务

1. T-SPEC提示词框架：任务、情境、步骤、示例、风格、约束

2. 医药场景提示词示例：SOP问答、检验数据解读、偏差报告初稿

3. 对抗“AI幻觉”：限定知识来源、强制引用标注、置信度提示

二、岗位知识库（RAG）：把企业知识变成AI的“参考文献”

1. 知识库构成：SOP、药典法规、文献、批记录模板、历史偏差与经验案例

2. 建库四步：定分类维度→定库结构→定索引规则→定更新与版本机制

3. 讲师实战案例：Foxmail/Notes/Outlook邮件知识库、WBS经验萃取（6637份文件→307条标准）

三、智能体与工作流：让AI“干活”而非“聊天”

1. 从对话到任务：输入→处理→规则校验→输出的自动化链条

2. Dify本地部署下的智能体搭建入门：知识库＋工作流＋规则校验

3. “模型起草、规则校验、人做终审”的实现机制

四、医药特有约束：合规内容生成的“三道闸”

1. 对外内容（学术材料、患者教育）：强校验＋人工终审，合规红线不可越

2. 对内记录（批记录、检验报告）：同步记录＋审计追踪

3. 数据出境与权限：数据不出域、按角色授权、全程留痕

▸ 实战演练：用T-SPEC框架写一个“SOP即时问答”提示词，现场测试并调优（15分钟）

▸ 案例分析：拆解讲师知识库案例：从0到1建一个岗位知识库的全过程（10分钟）

▸ 实战演练：在Dify（本地部署）中串联“知识库检索→起草→规则校验”三步流程（15分钟）

第四讲 六大岗位智能副驾实战（2小时）

一、研发岗副驾：文献情报与申报文档

1. 典型场景：靶点与竞品文献调研、专利分析、CTD/eCTD章节辅助起草、实验方案初稿

2. 关联系统与案例：研发数据管理/电子实验记录/文献库；广药AI分子设计、翰宇工艺知识库

3. 合规要点：数据来源可溯、引用标注、保密数据不出域

4. 讲师案例：WBS经验萃取——把历史项目文档沉淀为标准WBS（6637份→8阶段20工作包），新项目计划有据可依

二、生产岗副驾：批记录与现场执行

1. 典型场景：批生产记录（BPR/EBR）辅助起草与复核、SOP即时问答、工艺参数异常初析

2. 关联系统：MES/SCADA/DCS、电子批记录、设备管理

3. 合规要点：同步记录、审计追踪、关键工艺参数人做终审

三、质量岗副驾：偏差、变更与检验数据

1. 典型场景：偏差/OOS/CAPA初稿、质量回顾报告、LIMS检验数据解读、药典法规问答

2. 关联系统：QMS、LIMS、文件管理系统

3. 合规要点：ALCOA+逐项自检、偏差关闭时限、数据完整性检查

四、营销岗副驾：学术推广与市场准入

1. 典型场景：拜访前医生学术画像、医学文献摘要、学术会议纪要、流向数据分析、集采信息监测

2. 关联系统：CRM/SFE、医学信息平台、流向管理（DDI）、BI

3. 合规红线：合规促销、反商业贿赂、对外材料强制校验与人工终审

五、供应链岗副驾：采购、仓储与物流

1. 典型场景：询价函/RFQ生成、供应商准入资料整理、集采与原料价格监测、库存预测辅助、冷链温控核查

2. 关联系统与案例：ERP采购、WMS、TMS；湖北人福AI采购智能体、柳药智能物流

3. 能力边界：供应商现场考察、商务谈判AI做不了，副驾只做文书与情报

六、职能岗副驾：财务、人事与合规

1. 典型场景：发票查验与月结对账、费用合规初筛、报销审核辅助、简历初筛、培训材料生成

2. 讲师实战案例：AI筛简历（113份5小时→2分钟）、财务月结“八大模块适合度分级”

3. 红线：核心财务数据绝不进公网大模型，全部走本地部署

4. 案例扩展：流程效率AI评估（47次审批定位堵点）、资质证书秒查系统（投标/申报秒查）

▸ 实战演练：研发岗：给定一个研发课题，用岗位知识库＋提示词生成文献调研摘要，并逐条标注来源（15分钟）

▸ 实战演练：生产岗：把一份手写批记录草稿交给副驾整理，生成结构化记录与复核清单（15分钟）

▸ 实战演练：质量岗：模拟一次偏差事件，用副驾生成偏差报告初稿，并按ALCOA+做完整性自检（15分钟）

▸ 实战演练：营销岗：生成一份合规的拜访前准备清单与医学文献摘要，检查合规红线（10分钟）

▸ 实战演练：供应链岗：输入一份采购需求，生成询价函＋供应商比对表初稿（10分钟）

▸ 实战演练：职能岗：用副驾把10份简历压缩为一份初筛对比表，说明筛选规则（10分钟）

第五讲 落地路径——试点选择、验证与治理（1小时）

一、试点选择：从高ROI、低合规风险场景起步

1. 速赢场景判断矩阵：ROI×合规风险×数据就绪度

2. 建议路径：先职能/营销/研发的知识岗场景，再进生产、质量深水区

3. 30-60天速赢组合：1个知识库＋1个智能体＋1条业务流

4. 试点体检工具：讲师“流程效率AI评估法”——先埋数据点、再评估审批堵点，找出最值得AI介入的环节

二、验证与合规：AI系统也要过“验证关”

1. 计算机化系统验证（CSV）与AI系统的差异点：模型变更、提示词版本管理

2. 验证文档链：需求、设计、测试、缺陷、变更

3. 数据完整性检查：谁改的、何时改的、为什么改——全程可答

三、治理机制：“人＋智能体”的双主体权限与审计

1. 权限模型：人的权限＋智能体的权限，双主体授权

2. 全链路审计追踪与操作留痕

3. 熔断与人工兜底：高危操作强制人工二次确认

四、组织保障与三段式路线

1. 复合人才培养：数字化专员/智能制药工程师的角色定位

2. 三段式路线：速赢期（0-90天）→兑现期（3-6个月）→纵深期（6-12个月）

3. 门禁指标：人均每周节省时间、批记录/偏差文档周期、主数据一致率

五、收尾：模型起草、规则校验、人做终审

1. 一句话总结：AI负责起草与初筛，规则负责校验，人负责终审与签字

2. 每位学员带走：本岗位“30-60天AI副驾落地”一页纸

3. 答疑与共识：合规红线问答

▸ 小组研讨：按“ROI×合规风险×数据就绪度”矩阵，为自家企业选出1个速赢场景（15分钟）

▸ 实战演练：为选定场景填写“30-60天落地一页纸”：目标、数据源、校验规则、门禁指标、责任人（15分钟）

▸ 互动答疑：合规红线问答：现场澄清GxP/数据完整性/审计追踪相关疑问（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》《医药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（ALCOA+检查表）》；3）可进阶开展“医药岗位智能体开发工作坊（2天）”“医药数据完整性与主数据体系专题”“GMP计算机化系统验证（CSV）实务”等专题。