第一天

驱动的软件工程范式升级（战略认知）

1. 软件研发范式演进：

传统开发→自动化工具→AI Coding→Agent化开发。
2. 传统研发核心痛点：

需求模糊、沟通成本高、重复开发、测试依赖人工、迭代周期长。
3. AI Coding核心定义：

用结构化方式让AI参与软件开发全过程。

Vibe Coding与Spec Coding范式解析（核心认知对比）

1. Vibe Coding核心理念：

基于自然语言快速生成代码，适合原型开发与探索式任务。

2. Vibe Coding适用场景：

Demo验证、小工具开发、界面原型、个人实验。

3. Vibe Coding局限性：

结果不可控、复用性弱、难维护、难以支撑企业级交付。

4. Spec Coding核心理念：

通过结构化Spec驱动开发，实现 Spec → Code → Test 闭环。
5. Spec作为人机协作中间层的价值：

统一需求表达、约束模型输出、提升生成稳定性。
6. Vibe Coding与Spec Coding差异：
（1）输入方式：自然语言 vs 结构化Spec。
（2）输出质量：随机性较强 vs 稳定可控。
（3）适用范围：探索开发 vs 企业级开发。
7. 结论：

Vibe Coding解决“能不能快速生成”，Spec Coding解决“能不能稳定落地”。

AI开发环境搭建与核心功能解析

AI工具（Cursor/Trae）

1. 安装流程与账号购买方案

2. 开发环境配置（Windows / Mac）

3. 中文环境配置与IDE优化

4. 界面结构与开发面板介绍

5. 聊天窗口使用方式

6. Tab自动补全机制解析

7. Index项目索引机制解析

8. 代码上下文识别原理

9. Rules规则机制介绍

10. 开发效率提升技巧

案例一：AI自动生成企业业务系统原型

1. 描述企业业务需求

2. AI自动生成系统功能说明

3. AI自动生成系统架构设计

4. AI自动生成数据库设计

5. Trae自动生成代码框架

6. 自动生成前端页面

7. 自动生成后端接口

8. 系统运行与功能验证

第二天

Figma,MasterGo设计体系与企业UI设计流程

Figma，MasterGo

1. 在企业研发流程中的角色

2. 企业产品设计流程（PRD → UI → 开发）

3. 基础操作与界面结构

4. 组件化设计思想

5. 设计系统与组件规范

6. 页面布局设计原则

7. 自动布局与响应式设计

8. 设计稿开发交付规范

9. 设计稿转代码的常见方式

10. AI辅助设计能力

MasterGo + AI工具设计驱动开发模式

1. 设计驱动开发（DDD）的理念与价值

2. MasterGo 设计稿结构解析方法

3. AI工具（Cursor/Trae）

(1) 解析设计稿生成代码流程

(2) 自动生成前端组件结构

(3) 自动生成页面布局代码

(4) 自动生成接口调用代码

(5) 自动生成样式与CSS代码

(6) 代码优化与结构重构

(7) 开发效率提升技巧

4. 设计驱动开发在企业中的落地方案

Agent架构设计与企业数字员工核心能力

1. Agent核心组成：

LLM、Memory、Planning、Tools、Execution
2. ReAct架构解析
3. Plan & Execute架构解析
4.Reflection反思机制
5. Multi-Agent协作模式
6.企业数字员工生命周期：

理解→规划→执行→反馈→优化
7.基于Trae构建企业Agent实践

Function Calling与工具工程化实践

1. 为什么Function Calling是数字员工的执行基础
2. OpenAI Tool Calling机制解析
3. Claude Tool Use机制
4. DeepSeek Tool Calling机制
5. Tool Schema设计规范
6. Tool设计最佳实践
7. 单工具调用模式
8. 多工具协同模式
9. 循环调用与任务分解模式
10. 实战：查询员工信息、工单创建、库存查询

案例二：设计稿自动生成后台系统页面

1.使用MasterGo 设计后台系统页面

2.定义页面组件结构

3.AI工具解析设计稿结构

4.自动生成Vue/React页面代码、组件结构、样式代码

5.调整页面布局与样式

6.对接function Calling业务逻辑

7.页面运行与调试

案例三：AI自动生成企业数据看板系统

1.描述数据分析需求

2.AI自动生成系统结构

3.自动生成Echarts图表代码、数据接口调用、数据展示页面

4.实现数据图表展示

第三天

MCP架构与企业AI集成标准

1. MCP产生背景与价值
2. MCP与Function Calling关系
3. MCP解决什么问题
4. MCP协议架构解析
5. MCP Client与MCP Server机制
6. MCP Resource模型
7. MCP Tool模型
8. MCP Prompt模型
9. MCP生态与主流实现

Skill工程化：让AI把事情做对

1 为什么Tool不等于Skill
2 Skill与Function Calling区别
3 Skill工程化思想
4 Skill = Prompt + Workflow + Tool + Guardrail
5 Skill生命周期管理
6 Skill版本治理体系
7 企业Skill Center设计思路
8 Skill复用与共享机制
9 基于Trae构建业务Skill实践

案例四：存量系统AI改造工程实践

1. OA、ERP、CRM、MES等存量系统现状分析。
2. 老旧系统接入AI面临的问题：接口标准不统一、权限体系复杂、数据孤岛严重。
3. MCP不是万能转换器：接口治理、权限治理、业务适配的重要性。
4. API、数据库、ESB、RPA等集成模式对比。
5. MCP+Agent+Legacy System融合架构。
6. 企业统一MCP Hub建设方案。

Claude Code

搭建与配置Kimi

(实现本地化部署)

1. 安装Claude Code

2. 准备Git环境

3. 进入项目目录

4. 执行Claude

5. 完成登录

6. 用 /config做全局或项目配置

7. 需要企业代理时补充环境变量

8. 需要工具接入时配置MCP

9. 常用场景优先配VS Code

10. 定期检查版本更新方式是否正确

企业权限认证与接口治理实践

1. 企业权限体系改造案例。
2. 用户身份映射与权限继承机制。
3. OAuth2/OIDC统一认证实践。
4. Tool标准化与接口标准化治理。
5. 企业Tool Center建设。
6. 企业级安全审计体系建设。

案例五：企业级可落地多业务 AI 对话编排：从自然语言到可信业务执行

1.企业助手架构与技术边界

2.通用对话领域模型

3.flow结构化命令

4.多业务路由与流程召回

5.YAML流程DSL

6.通用状态机与业务插件

7.多任务打断与恢复

8.Redis与MySQL可靠状态

9.Flowable企业长流程

10.权限、确认、幂等与审计

11.异常降级与可观测性

12.评测和新业务接入挑战