初卓 ERP · AI Native 实践分享¶

从「会用」到「用好」——我们的 AI 工程化之路¶

面向全体研发（产品 / 技术经理 / 后端 / 前端 / 测试 / 运维）

🗣️ 讲稿：今天不是教你背命令，而是一起建立一套心智模型——AI 到底是什么、怎么把它从"聊天玩具"变成"团队战斗力"。哪怕你从没用过 ChatGPT，今天也能听懂、能上手。我们已经搭好了基础设施，今天讲清楚它、用起来它。

开场：一个悬念 + 一个问题¶

悬念：业界对"怎么和 AI 干活"的认知，正沿着一条线进化——

提示词工程 → 上下文工程 → ？

问题：在座有多少人，这周至少干过一次"重复体力活"，恨不得有人替你干？

🗣️ 讲稿：先卖个关子，第三个空格是什么，我们 Part 3 揭晓——它正好是这场分享的主线。再举手互动一下那个问题：写第 100 个 CRUD、整理会议纪要、排第 N 个 sprint、写重复用例、查同一类报错……这些正是 AI 最该替我们干的。今天就讲怎么让它干、且干得可控。

今天你能带走什么¶

看懂：AI / 大模型 / Agent / MCP / Skill 这些词到底什么意思（从零）。
看清：AI 在我们整条产研流程里替每个角色做什么、什么必须人来。
上手：三步把团队的 AI 能力装到你电脑上，跑通第一个真实任务。

🗣️ 讲稿：三个目标——看懂、看清、上手。前半场建认知，后半场能落地。最重要的一句话先抛出来：AI 是高产但需要你复核的队友，你负责"要什么、对不对、要不要"，它负责"按规范快速产出草稿"。

Part 1 · AI 到底是什么（从零）¶

🗣️ 讲稿：这一部分假设你完全没接触过。我们用类比，不用术语。听完你会有一套坐标系。

大模型（LLM）是什么¶

一个读了几乎整个互联网、学会"猜下一个词"的超级文字预测器。
类比：史上最强的输入法联想——你打"猫坐在"，它接"垫子上"；为把这件事做到极致，它被迫学会了海量世界知识。
⚠️ 正因为它在"续写最可能的文字"，所以会一本正经地编造（幻觉）——它不是数据库、不保证正确。

🗣️ 讲稿：Karpathy 有个比喻——大模型本质就是"把整个互联网有损压缩进去的一个大文件 + 一段运行代码"。它抓的是文本的"精髓"，不是原文拷贝。记住这条两面性：它很博学，但也会自信地胡说。所以我们的用法永远是"它起草、你把关"。（来源：Karpathy《Intro to LLMs》）

主流大模型与厂商¶

"大模型"不是一个产品，是一类产品；国内外各有几家，能力相近、各有所长。
类比：像汽车品牌——都是车，但各有调性和强项，按场景和合规选。

阵营	厂商	代表	一句话
国外	OpenAI	GPT（ChatGPT）	最早出圈、生态最广
国外	Anthropic	Claude	擅长写代码/长文本、重安全（我们主力）
国外	Google	Gemini	多模态强
国内	深度求索	DeepSeek	第一梯队、性价比高
国内	阿里	通义千问	中文强、超长上下文、开源生态
国内	百度	文心一言	商业化深、行业整合

🗣️ 讲稿：不用记全。要点两个：① 选型不是"谁最聪明"，而是"哪个适合这个活 + 数据是否合规"；② 国内模型在数据不出境/内网合规上常常更现实——这和我们多租户 ERP 的数据敏感性直接相关。

从「聊天」到「Agent / 智能体」¶

聊天机器人：你问一句、它答一句（被动）。
Agent（智能体）：你给个目标，它自己拆步骤、调工具、动手干，干完才回来找你。
类比：聊天 = 问路（路得你自己走）；Agent = 代驾（你说"送我回家"，它规划、踩油门、到了通知你）。
内核：一个 计划 → 行动 → 看结果 → 调整 → 再来 的循环。

🗣️ 讲稿：这是质变——从"AI 帮我写一段"到"AI 帮我把这件事做完"，能跨多步、自己改代码、跑命令、查资料。但 Anthropic 也提醒：不是所有事都该上 Agent，简单一句话能搞定的别杀鸡用牛刀。（来源：Anthropic《Building Effective Agents》）

编程 Agent：我们要用的形态¶

专门会写代码、能直接读你项目、改你文件、跑你命令的 AI 助理。
类比：一个能上手你代码库的实习工程师——你说需求，它翻代码、改文件、跑测试，把改动给你审。

工具	形态	一句话
Claude Code	终端 Agent	深读整库，擅长多文件改造/排障（我们主力）
OpenAI Codex	终端/云 Agent	强在自主跑后台长任务（我们备选）
Cursor	AI 代码编辑器	在带界面的编辑器里写，补全快

🗣️ 讲稿：关键区分——Cursor 是"编辑器"（你在里面写），Claude Code/Codex 是"终端 Agent"（在旁边帮你干）。我们团队统一用 Claude Code + Codex，而且做到了"一份能力两边通用"。

CLI / 命令行是什么（给非技术同学）¶

不用鼠标点按钮，而是打字敲命令让电脑干活的"黑窗口"。Claude Code、Codex 主要活在这里。
类比：图形界面 = 自动挡豪华车（人人会开）；命令行 = 手动挡跑车（老手快、稳、能自动化）。
✅ 别怕黑窗口：你不需要会写命令——你是用中文跟 Agent 说话，命令是它替你敲的。

🗣️ 讲稿：这页专门安抚产品、测试的同学。很多人一看黑窗口就怵，其实你只管用中文提需求，敲命令是 AI 的活。CLI 之所以是 AI 的主场，是因为它能脚本化、能自动化、能让 AI 批量规模化干活。

👀 现场 Demo（先看魔法，再讲原理）¶

演示：对 AI 说 "用 PingCode 拉 CZPRJ-xxxx 故事，按它生成 Flyway 脚本，并改一处对应代码"。
你会看到：它自己拉需求 → 理解 → 产出草稿 → 等你审。

🗣️ 讲稿：（务必准备录屏兜底，网络/限流可能让现场挂掉。）先给语境再开 Demo：这就是"实习工程师"在干活。先让大家看见魔法，下面我们拆解：为什么它能懂我们的需求、碰到我们的系统——这就引出 Part 2。

Part 2 · 光有大模型不够：读懂几个关键词¶

🗣️ 讲稿：刚才的魔法不是大模型单独能做到的。一个"开箱"的大模型，不懂初卓、碰不到我们的系统、记不住我们的规矩、还会失忆。下面五件套就是补这些短板的——它们正是我们基础设施在用的东西。

为什么"开箱大模型"不够用¶

短板	后果	谁来补
不懂初卓的规矩	乱写、不符框架/铁律	Skill
碰不到我们的系统	拉不到 PingCode、提不了 Gitee PR	MCP
记不住、会失忆	长对话前后矛盾	Context 工程
不好分发给全队	每人手动配，乱	Plugin / Marketplace
护栏靠自觉	危险操作没人拦	Hooks

🗣️ 讲稿：把这张表当 Part 2 的地图。每一行对应一个概念，下面逐个用大白话 + 类比讲清，并落到"我们怎么用"。

提示词 Prompt ＆上下文 Context¶

Prompt（提示词）：你对 AI 说的话 / 下的指令。类比派活的工单——"弄个报表"得到一坨没用的；"导出 3 月华东订单、按币种汇总、Excel、今天下班前"才能用。
Context（上下文）：AI 在这一次对话里能同时记住的信息量。类比 AI 的"短期工作记忆 / 桌面"——桌面就那么大，铺满了，旧的就被挤掉、忘了。

🗣️ 讲稿：提示词是人人能立刻上手、ROI 最高的技能，不分岗位——说清楚背景和验收标准，AI 就干得准。上下文解释了"为什么长对话聊到后面 AI 会失忆"。把这俩管好，是后面一切的基础。（来源：MIT Sloan / IBM）

MCP：让 AI「长出手」连系统¶

一个统一标准，让 AI 能"插上"各种外部工具和数据源（PingCode、Gitee、内部 API），不必为每个单独对接。
类比：AI 世界的 USB-C 接口（Anthropic 官方比喻）——一个标准口，任何 AI 插上任何工具即用。
我们的用法：团队 MCP 网关 czerp-team-mcp → AI 直接拉 PingCode 故事、查 Axure 原型（内部 MCP）；提 Gitee PR 等走外部 MCP（Gitee/Notion/Figma/钉钉，按角色用个人令牌自配，不经网关）。

🗣️ 讲稿：这是让 AI 从"只会聊天"变成"能操作我们真实系统"的桥梁。刚才 Demo 里它能拉 PingCode 故事，靠的就是 MCP。生态已是事实标准，OpenAI/谷歌/微软都接入了。（来源：Anthropic MCP）

Skill：把「我们的规矩」教给 AI¶

一个装着某项专长的说明书 + 范式 + 易错点的文件夹，AI 一遇相关任务就自动翻开用。
类比：给 AI 的"岗位 SOP / 入职培训资料"——平时不用全记住，用到哪本翻哪本（渐进式加载，省记忆）。
我们的用法：plugins/czerp-backend/skills/* 把"Flyway 怎么写、Feign 怎么调、IFinmate 怎么用"固化下来。

🗣️ 讲稿：这是让 AI 稳定按我们标准产出的关键——不用每次重新教。你是后端，一说"加个导出接口"，对应 skill 自动加载，把"初卓里这事怎么做对"喂给它。我们仓库里有 60+ 个这样的 skill。（来源：Anthropic Agent Skills）

Plugin / Marketplace：一键分发全队¶

把一组命令、技能、子代理、护栏打包成插件；一堆插件放进"市场"供安装。
类比：手机的 App + 应用商店——插件 = App（一装获得整套能力），Marketplace = 应用商店（统一发现/安装/更新）。
我们的用法：一条 /plugin marketplace add …czerp-ai-enablement.git + install，把整套团队约定装给每个人，无需 clone 仓库。

🗣️ 讲稿：这是团队规模化复用的方式。不用每人手动拷配置，装插件就像装 App。更新了也是一条命令同步。

Command / Subagent / Hooks¶

Slash Command（斜杠命令）：敲 / 触发预设流程。类比输入法快捷短语（/review 一键跑评审）。
Subagent（子代理）：主 AI 把杂活外包给一个独立小 AI，它在自己"房间"折腾，只带结论回来。类比派出去的调研专员。
Hooks（钩子）：在特定时刻自动触发脚本——"每当发生 X 就自动做 Y"。类比家里的自动化开关（"开门就亮灯"）。

🗣️ 讲稿：命令 = 你主动敲的固定入口；子代理 = 另开一个干净脑子做独立评审/调研，不污染主对话；Hooks = 把护栏自动化（改完代码自动跑检查、危险操作自动拦）。我们用子代理做对抗式代码评审，用命令做 openspec/PR 流程。

一张图看懂这些"零件"怎么配合¶

            ┌──────────── 大模型 (LLM) ────────────┐
   Prompt ─►│  会推理、会编造的"超级大脑"            │◄─ Context（喂给它的工作记忆）
            └───────┬─────────────────┬────────────┘
        Skill 教规矩 │                 │ MCP 连系统
     (czerp-* skills)│                 │ (PingCode / Gitee)
            ┌────────▼─────────────────▼────────┐
            │   Command 入口 · Subagent 专员      │
            │   Hooks 自动护栏                    │
            └────────────────┬───────────────────┘
                     Plugin/Marketplace 一键分发全队

🗣️ 讲稿：中间是大模型；Prompt/Context 是"怎么喂"，Skill 是"教它规矩"，MCP 是"让它连系统"，Command/Subagent/Hooks 是"怎么调度和兜底"，Plugin 是"怎么发给全队"。这套组合，就是我们的基础设施。

Part 3 · 工程演进：从「会用」到「用好」¶

🗣️ 讲稿：回到开场的悬念。"提示词工程 → 上下文工程 → ？"——这条线不是我编的，是业界（Karpathy、Anthropic、LangChain）已经收敛的共识。它正好说明：我们搭这套基础设施，不是赶时髦，而是踩在"当前最佳实践"上。

三阶段时间轴¶

	阶段一	阶段二	阶段三
名称	提示词工程	上下文工程	驾驭工程（业界称 Agentic Engineering）
隐喻	写好一句"咒语"	写好整部"剧本"	当"导演 + 监理"
抬高的是	单句质量	单轮质量	整个 agent 系统的可靠性上限
盛行	2022–2024	2025	2025末–2026

🗣️ 讲稿：揭晓——第三个空格是驾驭工程。每一阶段不是取代上一阶段，而是把它包进更大的格局。下面三页各讲一句。

阶段一 · 提示词工程¶

解决：让模型在单次交互里给出想要的结果（措辞、示例、格式约束、思维链）。
局限：Karpathy 点破——真正的工业级应用，工作量在"填满上下文窗口"，单条"神句"撑不起多步、多工具的可靠性。
一句话：写好一句咒语，天花板是单次交互。

🗣️ 讲稿：提示词仍然重要，是基本功，人人要会。但它只是起点——你不能靠一句完美 prompt 保证一个跨服务改造全程不出错。

阶段二 · 上下文工程¶

解决：从"写好一句话"升级到管理整个上下文状态——把对的信息在对的时刻装进窗口（Anthropic：提示词工程的自然演进）。
心智模型：把 LLM 当 CPU、上下文窗口当 RAM，像操作系统一样只装"此刻需要的"。
手段：压缩历史、结构化笔记/记忆、子代理、按需检索、渐进式披露（我们的 SKILL.md 正是这条）。
一句话：写好整部剧本。

🗣️ 讲稿：核心痛点是"上下文腐烂"——塞得越满，模型越笨。所以不是"把所有资料一股脑塞进去"，而是精挑细选、用时再取。我们的 skill 用"渐进式披露"——先读名字，触发了再读正文，用到附件再加载，正好是这条最佳实践。（来源：Anthropic 上下文工程 / Agent Skills）

阶段三 · 驾驭工程（Agentic Engineering）¶

解决：上下文喂对 ≠ agent 可靠。要把非确定性 agent做成可上线、可信、可演进的系统。
业界公式：Agent = Model + Harness（模型 + 外壳）。外壳 = 工具调度 + 上下文管理 + 记忆 + 校验与护栏 + 编排。
硬证据：ICML 2025——同一模型、同一提示词，只换外壳，胜率一致提升；性能增益来自外壳架构，不是换更强的模型。
角色转变：人从"写代码"→"编排 agent、定义规格、做对抗式验收"的导演 + 监理。
一句话：当导演与监理。

🗣️ 讲稿：这是最反直觉、也最重要的一页。很多人以为"等更强的模型就行"——ICML 2025 的实验打脸了：同样的模型，给它好外壳就赢、差外壳就输。Karpathy 说新默认是"99% 时间你不再亲手写代码，而是编排 agent、自己做监督与审查"。（来源：Karpathy agentic engineering / Hashimoto Agent=Model+Harness / LangChain）

收口：我们正处在"驾驭工程"¶

提示词工程抬高"单句" → 上下文工程抬高"单轮" → 驾驭工程抬高"整个系统"的可靠性上限。

我们的 czerp-ai-enablement 就是这套外壳的落地：
AGENTS.md = 把"团队铁律 + 踩过的坑"工程化为约束（让 AI 物理上难犯错）
SKILL.md = 渐进式披露的上下文工程
铁律「先起 OpenSpec proposal」= 规格驱动（规格即提示词）
code-reviewer 子代理 + 护栏分级 = 校验与人在环

🗣️ 讲稿：所以这场分享，本质是"给我们正在做的事一个名字和坐标系"。我们不是在追热点，是在按业界最佳实践搭团队的"外壳"。这也解释了后面所有规则——为什么要写 spec、为什么 AI 不能自己合并、为什么要对抗式评审。

Part 4 · 全景：AI 贯穿整条产研¶

🗣️ 讲稿：前面讲"是什么"，这页讲"在我们这儿怎么串起来"——覆盖产品到运维每个角色。

端到端全景：每个环节，AI 做什么 / 人做什么¶

  产品        技术/项目经理     后端 / 前端         测试           运维
──────────────────────────────────────────────────────────────────────────
收敛需求    │ 排期·就绪门禁  │ 拉故事→OpenSpec │ 验收标准→用例 │ GitOps 发版
写故事/原型  │ 风险·依赖扫描  │ TDD·脚手架实现   │ Playwright回归 │ 监控·事故RCA
(PingCode)  │ (PingCode看板) │ (Gitee PR)      │ (CZTST)       │ (ArgoCD)
   │            │                 │                 │               │
AI产草稿,人定 AI产草案,人拍板  AI产代码,人评审   AI产用例,人审闸  AI诊断,人执行变更
──────────────────────────────────────────────────────────────────────────
        贯穿全程：PingCode(真相) + Gitee(代码) + 团队 MCP 网关

🗣️ 讲稿：横着看是六个角色的活，竖着看每一栏都是"AI 产草稿、人来定夺"。注意最底下一行——所有角色共享同一套真相源（PingCode）和代码源（Gitee）。这就是为什么我们强调"先拉真相、再开干"。

核心闭环：一条线，人人通用¶

① 拉真相 → ② 定方案 → ③ AI 产出 → ④ 双重验证 → ⑤ 留痕

拉真相：PingCode 拉故事/验收标准，不脑补
定方案：新功能/跨服务起 OpenSpec
AI 产出：按角色 skill 取范式、TDD
双重验证：本地自检 + 对抗式评审 + Gitee 评审 + 关键路径人评
留痕：提交带故事号 → 归档 → 复盘

🗣️ 讲稿：把这五步背下来，它对所有角色成立——产品的产物是故事，后端是代码，测试是用例，运维是变更，闭环不变。最常被跳过的是第 1 步（不拉真相就开干）和第 4 步（"绿了就合"）——这俩是最常见的坑。

Part 5 · 各角色：AI 边界 + 新工作法¶

🗣️ 讲稿：这部分最关键——讲清每个角色和 AI 的边界（AI 做什么、你掌控什么）、推荐的新工作法/流程、以及你要新建的能力。本场聚焦产品 / 后端 / 前端 / 测试四类动手角色；技术经理、运维的 AI 范式见仓库 docs/02_roles/manager/、docs/02_roles/ops/，这里不展开。先讲三条底层原则。

三条底层原则（先记住）¶

AI 是放大器，不是修理工——它放大组织既有的优劣（DORA 2025）；提速的同时也会拉低稳定性，所以护栏和流程比工具更重要。
AI 提建议，人做决定——Anthropic 内部把评审 agent 上线后，实质评审意见从 16% 升到 54%，但"agent 不批准 PR，由人决定"。
最贵的是做错东西——写代码变便宜后，"定义真问题、决定不做什么"成为最高价值；"最好的工程师是知道何时该不信任 AI 的人"。

🗣️ 讲稿：这三条贯穿所有角色。尤其第二条——AI 给你一堆有价值的发现，但"按不按、怎么改"永远是人。（来源：DORA 2025 / Anthropic / Addy Osmani）

角色 · 产品经理（PM）¶

🤖 AI 做：起草 PRD/规格、整理反馈、竞品扫描、生成故事与验收草案、原型文案。
🧑 你掌控：定义真问题、决定不做什么、为"什么是好输出"定标准。
🔧 推荐新工作法：「上下文倾倒 → 多轮迭代」出 PRD 首稿 → 用团队用户故事模板成稿（验收标准写「前置条件→触发→预期结果」）→ 大需求与架构师共起 OpenSpec。
📈 要新建的能力：写规格、写验收/评测标准、品味、提问与问题定义。

🗣️ 讲稿：PM 的杀手锏是"会议纪要/反馈一次性喂给 AI，几分钟出故事首稿"，再来回打磨。新工作法的关键是先有结构化故事 + 可测的验收标准，再交给开发，别让模糊需求流到下游。"做不做、做什么"永远是你的判断。

角色 · 后端¶

🤖 AI 做：写样板/CRUD、实现清晰功能、生成测试、迁移脚本草案、调试辅助。
🧑 你掌控：架构/数据模型/接口契约、安全与漏洞判断、事务/性能权衡、验证产出符合需求。
🔧 推荐新工作法：spec 先行（/openspec-new）→ TDD（先写失败用例）→ 复用框架 skill 脚手架（R<T>/Feign+sdk/Flyway-PG）→ 提交前 /pre-pr-review + 对抗式 code-reviewer 双评审。
📈 要新建的能力：对抗式审查/验证、系统级思维、失败模式直觉、用 TDD 引导 AI。

🗣️ 讲稿：后端最大提速点是"别再背框架细节"——让 skill 告诉 AI "初卓里这事怎么做对"。新流程核心是先定 spec、先写测试、最后双重评审；你的核心价值升级为"审计 AI 的代码"，逻辑/安全/边界要你把关。市场已在为"会验证 AI 产出"的工程师付溢价。

角色 · 前端¶

🤖 AI 做：生成组件/页面骨架、样式与响应式、补测试、重构、PR 评论。
🧑 你掌控：交互与信息架构、设计系统一致性、可访问性与性能、视觉/体验品味。
🔧 推荐新工作法：Figma 设计稿 → Code Connect 映射公司封装组件生成 → Avue 样板落地（字典走 metadata）→ 提 PR 前用无头浏览器做视觉自查。
📈 要新建的能力：品味、验证 AI 生成 UI、复用设计系统、做"组合者"。

🗣️ 讲稿：前端别让 AI 堆一次性组件——先查公司封装库，用 Code Connect 映射真实组件。我们界面是纯中文，不做国际化。AI 画得快，但"好不好看、顺不顺手"是你的品味，数据替代不了。

角色 · 测试（QA）¶

🤖 AI 做：自动生成与自愈用例、回归执行、动态造测试数据/对抗输入、覆盖率分析。
🧑 你掌控：定义"足够好"、风险与发布门禁、可解释/可审计（尤其敏感场景）。
🔧 推荐新工作法：验收标准 → 用例（主流程+边界+异常+权限）→ Playwright planner→generator→healer 三段；两道人审闸：计划是否覆盖、脚本 selector 是否对。
📈 要新建的能力：Eval 设计（验"可接受答案的分布"）、对抗式评审/红队、质量门禁设计。

🗣️ 讲稿：QA 的强武器是 Playwright 三个 Agent：planner 探索产计划、generator 转脚本、healer 自愈失败。新流程里两道关口必须人审，还要小心 healer 把"真 bug"治没了。QA 从"执行用例"升级为"设计评测与门禁"。

五项「共同新能力」（所有角色都在向这收敛）¶

写规格 Spec——规格成为单一事实源（"spec is the prompt"；我们铁律 3.2 = OpenSpec）。
验证与复核——从"写"转向"审计 AI 产出"。
品味 Taste——数据给不出的质量判断。
编排 Orchestration——做"导演/组合者"。
对抗式评审 + 提问/问题定义——"知道何时不信任 AI"。

🗣️ 讲稿：不管你是哪个角色，AI 时代要刻意练这五样。它们也是我们团队能力建设的统一抓手。一句话收口：你越往"导演 + 监理"走，越不可替代。

Part 6 · 三步上手¶

🗣️ 讲稿：认知建好了，落地很简单，十分钟搞定。三步：装插件、接网关、填档案。

三步总览¶

装插件（Claude 或 Codex，免 clone）
接 MCP 网关（向团队负责人申请你的个人令牌）
填个人档案（让 AI 知道"你是谁"）→ 验证 → 跑第一个真实任务

🗣️ 讲稿：令牌这步注意——是你个人的，找负责人要，不外传、不进群、不进仓库。下面三页给可直接复制的命令。

第 1 步：装插件¶

Claude Code：

/plugin marketplace add https://gitee.com/finmate/czerp-ai-enablement.git
/plugin install czerp-context@czerp-ai-enablement     # 全员
/plugin install czerp-workflow@czerp-ai-enablement    # 全员
# 再按角色装 czerp-backend / -frontend / -pm / -qa / -ops / -manager

Codex：

codex plugin marketplace add https://gitee.com/finmate/czerp-ai-enablement.git
codex plugin add czerp-context@czerp-ai-enablement   # 然后同上按角色装

🗣️ 讲稿：全员先装 context + workflow，再装你角色那个。需要内网/VPN 能访问 Gitee。装错也能卸。

第 2 步：接 MCP 网关¶

# Claude Code（令牌写进本机 ~/.claude.json）
claude mcp add --transport http --scope user czerp-team-mcp \
  https://serion.cc/jungle/mcp --header "Authorization: Bearer <你的令牌>"

# Codex
export MCPJUNGLE_TOKEN="<你的令牌>"
codex mcp add czerp-team-mcp --url https://serion.cc/jungle/mcp \
  --bearer-token-env-var MCPJUNGLE_TOKEN

🗣️ 讲稿：这步让 AI "长出手"去 PingCode 拿真实需求。<你的令牌> 换成负责人给你的那串，只配在自己电脑。

第 3 步：填个人档案 + 验证¶

复制 config/personal-profile.template.md 的「我是谁」段，存独立文件并引入：
Claude：存 ~/.claude/czerp-profile.md，在 ~/.claude/CLAUDE.md 加一行 @~/.claude/czerp-profile.md
Codex：放进 ~/.codex/AGENTS.md
验证：对 AI 说 "用 PingCode 拉一下 CZKB 02_5 开发环境说明" → 有内容 = 通。
再按角色问一句，看 skill 是否自动触发。

🗣️ 讲稿：填好档案，AI 就知道你是谁、什么角色，还能"我的任务"一键拉出你手上的活。个人信息只放本机，不进仓库。两句话自测通过，你就装好了。

你的第一个真实任务¶

本周：挑一个真实故事，从"拉故事 → 起 spec → AI 实现 → 自检 → 提 PR"全程用 AI 走一遍。
入口：docs/02_roles/<你的角色>/README.md（角色指南，含高价值工作流卡）。
不顺就反馈：缺 skill / 文档不清 → 提 PR 或在知识库提。

🗣️ 讲稿：别只听不练。这两周每人跑通一个真实任务，把不顺的地方记下来反馈，我们持续补。先把闭环跑顺，再谈熟练。

Part 7 · 注意事项与红线¶

🗣️ 讲稿：这一节请所有人重点听、拍照。前面讲了多少酷炫能力，这里就收多紧——可控地用才是企业落地的定盘星。

五条护栏¶

AI 产草稿，人担责任
关键路径必人评（鉴权 / 资金 / 事务 / DDL / 上线 / 删除）
AI 评审是补充不是替代（覆盖 40–60%，不全自动合并）
敏感数据不入上下文（prod 凭证 / 客户 PII / 密钥）
度量看质量稳定性，不看产量

🗣️ 讲稿：这五条写进了仓库和每个 skill。尤其第 2、4 条：涉及钱、权限、生产、客户数据的，AI 不许自作主张；密码密钥绝对不许贴给 AI。

写操作授权分级¶

级别	动作	谁来
🟢 常规写	建 PR、提缺陷、写故事草稿、加评论	AI 可直接做
🟡 先告知	改工单状态、改 sprint 归属、批量更新	AI 先说再做
🔴 高风险	合并 PR、改 prod、`drop`/`delete`、中间件变更	必须人确认

🗣️ 讲稿：记住红色那行——合并、改生产、删除，永远人点。绿色的放心让 AI 做，错了也能改回来。

安全红线¶

🔑 MCP 令牌是你个人的：找负责人申请，不外传、不进群、不进仓库。
🚫 不要把 prod 密码 / 客户数据 / 密钥贴给 AI、写进代码或日志。
🧠 AI 会编造（幻觉）：它的输出当"草稿"，关键事实自己核。
📦 仓库里只放占位符；真实凭证只在你本机。

🗣️ 讲稿：诚实讲边界反而让大家敢用、用得稳。一句话——令牌和密钥只在你自己电脑；AI 说的关键数字，自己核一遍。

Part 8 · 度量与落地¶

怎么知道 AI 真的有用？¶

北极星：DORA（交付前置时间、部署频率、变更失败率、缺陷逃逸）。
别用代码行数 / PR 数当 KPI（会激励灌水）。
反直觉：个人产出涨 ≠ 团队交付快；评审会成新瓶颈。
给 3–6 个月，每月复盘。

🗣️ 讲稿：我们不会用"你写了多少行"考核。看交付是否更快更稳。也提醒管理者：AI 让写得快，但评审跟不上会堵车——所以我们专门做了对抗式评审子代理。别急着一个月下结论。

落地节奏 · 行动号召¶

本周：装好插件 + 接 MCP + 填档案，跑通验证两句话。
两周内：用一个真实任务走完整条闭环。
每月：AI 协作复盘 + skill 库治理（缺什么补什么）。
把 AI 协作变成默认工作方式，不是额外负担。

🗣️ 讲稿：散会第一件事——装好、跑通那两句话。我们的目标是几个月内让"和 AI 一起干活"变成默认。这套东西是大家一起养的，觉得哪里能更好，直接提 PR。

Part 9 · 常见问题¶

FAQ（1/2）¶

要 clone 仓库吗？ 不用，装插件即可。
没编程基础 / 没用过 AI 能用吗？ 能。你用中文提需求，命令 AI 替你敲。
令牌能共享吗？ 不能，每人一份，找负责人申请。
Claude 还是 Codex？ 都行，能力一份共用，按习惯选。
AI 写的能直接合并吗？ 不能。AI 产草稿，关键路径人评，合并必人确认。

🗣️ 讲稿：最高频的几个。重点重复：不用 clone、没基础也能用、令牌不共享、合并必人确认。

FAQ（2/2）¶

能把生产密码贴给 AI 调试吗？ 绝对不行（见安全红线）。
AI 会取代我吗？ 不会。它接管无脑环节，判断 / 架构 / 品味 / 验收是你升级后的核心价值。
skill 没触发？ 直接说 skill 名 / 用触发词 / 重启 Agent。
没装 MCP 能用吗？ skill 能用；但"拉故事/提缺陷"等需 MCP 的能力不可用。
仓库更新了怎么同步？ /plugin marketplace update + /plugin update（Codex 同理）。

🗣️ 讲稿：关于"会不会取代我"——恰恰相反。把机械活交出去，你更有时间做有判断力的事，那才是不可替代的。今天讲的五项新能力，就是你的护城河。

Part 10 · 收尾¶

14 个概念 × 一词类比（速查）¶

概念	类比	概念	类比
大模型 LLM	压缩互联网的超级补全	Prompt	派活的工单
主流模型	汽车品牌	Context	短期工作记忆/桌面
AI Agent	代驾/助理	MCP	AI 的 USB-C
编程 Agent	上手你代码库的实习工程师	Skill	岗位 SOP
CLI	手动挡跑车（你说中文即可）	Plugin/市场	App + 应用商店
Slash 命令	输入法快捷短语	子代理	派出去的调研专员
Hooks	自动化开关	护栏	聪明会吹牛的新人，关键产出要签字

🗣️ 讲稿：这页留给大家拍照带走。下次有人问你"MCP 是啥"，一句"AI 的 USB-C"就讲明白了。

去哪看 / 找谁¶

范式总纲：docs/00_overview/03 · 护栏：04 · 度量：05
上手：docs/01_onboarding/ · 角色指南：docs/02_roles/<角色>/
SOP：docs/03_workflows/（新功能 / Bug / 发版 / AI 测试）
令牌 / 权限：团队负责人；流程改进：PingCode 知识库提议、提 PR

🗣️ 讲稿：所有内容都在仓库 docs/ 里。今天讲的是地图，细节去对应文档查。令牌找负责人。

Q & A¶

现在就打开 Claude Code / Codex 装起来，挑个真实任务跑一遍¶

谢谢！

🗣️ 讲稿：留时间答疑，鼓励现场就装、当场解决问题。散会前确认每个人都知道找谁要令牌、自己角色的指南在哪。

附录 · 关键来源（权威，供深入）¶

Karpathy《Intro to LLMs》；Sequoia AI Ascent 2026「Agentic Engineering」
Anthropic：Building Effective Agents / Effective Context Engineering / Agent Skills / MCP（USB-C）/ How Anthropic teams use Claude Code
Agent = Model + Harness（Hashimoto 2026）；LangChain《Agent Engineering: A New Discipline》；ICML 2025（同模型不同 harness）
DORA 2025《State of AI-assisted Software Development》；Addy Osmani《The Next Two Years》
IBM（Context Window / AI Agents）；MIT Sloan（Effective Prompts）；教学法：Toastmasters / Crawl-Walk-Run enablement

🗣️ 讲稿：这页给想深挖的同学。核心就两家一手来源——Anthropic 工程博客和 Karpathy，加 DORA 的组织级数据。

初卓 ERP · AI Native 实践分享¶

从「会用」到「用好」——我们的 AI 工程化之路¶

开场：一个悬念 + 一个问题¶

今天你能带走什么¶

Part 1 · AI 到底是什么（从零）¶

大模型（LLM）是什么¶

主流大模型与厂商¶

从「聊天」到「Agent / 智能体」¶

编程 Agent：我们要用的形态¶

CLI / 命令行 是什么（给非技术同学）¶

👀 现场 Demo（先看魔法，再讲原理）¶

Part 2 · 光有大模型不够：读懂几个关键词¶

为什么"开箱大模型"不够用¶

提示词 Prompt ＆ 上下文 Context¶

MCP：让 AI「长出手」连系统¶

Skill：把「我们的规矩」教给 AI¶

Plugin / Marketplace：一键分发全队¶

Command / Subagent / Hooks¶

一张图看懂这些"零件"怎么配合¶

Part 3 · 工程演进：从「会用」到「用好」¶

三阶段时间轴¶

阶段一 · 提示词工程¶

阶段二 · 上下文工程¶

阶段三 · 驾驭工程（Agentic Engineering）¶

收口：我们正处在"驾驭工程"¶

Part 4 · 全景：AI 贯穿整条产研¶

端到端全景：每个环节，AI 做什么 / 人做什么¶

核心闭环：一条线，人人通用¶

Part 5 · 各角色：AI 边界 + 新工作法¶

三条底层原则（先记住）¶

角色 · 产品经理（PM）¶

角色 · 后端¶

角色 · 前端¶

角色 · 测试（QA）¶

五项「共同新能力」（所有角色都在向这收敛）¶

Part 6 · 三步上手¶

三步总览¶

第 1 步：装插件¶

第 2 步：接 MCP 网关¶

第 3 步：填个人档案 + 验证¶

你的第一个真实任务¶

Part 7 · 注意事项与红线¶

五条护栏¶

写操作授权分级¶

安全红线¶

Part 8 · 度量与落地¶

怎么知道 AI 真的有用？¶

落地节奏 · 行动号召¶

Part 9 · 常见问题¶

FAQ（1/2）¶

FAQ（2/2）¶

Part 10 · 收尾¶

14 个概念 × 一词类比（速查）¶

去哪看 / 找谁¶

Q & A¶

现在就打开 Claude Code / Codex 装起来，挑个真实任务跑一遍¶

附录 · 关键来源（权威，供深入）¶

CLI / 命令行是什么（给非技术同学）¶

提示词 Prompt ＆上下文 Context¶