❯ cat curriculum.md

FDE 工业智能课程体系

以知识架构为内核，培养能把 AI 落到工业现场的人

工具会变，模型会变，框架会变；但定义问题、理解系统、建模领域、交付价值的能力不会。课程围绕「认知—建模—工程—应用—交付」展开，用两条专精路径承载同一套知识内核。

2 专精路径 4 成长阶段 6 知识支柱 8 工业场景
内核知识架构 · 六根支柱，贯穿始终
路径工程底座 × 场景应用，共用一套底座
阶梯认知 → 实践 → 生产 → 规模化，以证据结业

❯ principles

设计原则

课程怎么排、工具怎么选、作业怎么判，都服从这六条原则。

认知先于工具

先建立不变的知识结构，再学习会过期的工具。课程不追新框架，只追可迁移的判断力。

问题先于方案

从现场问题、约束与价值定义出发，而不是从模型、提示词或框架出发。

双轨同源

工程底座与场景应用共用一套 Know-how，不培养「只会调参」或「只会讲方案」的人。

现场先于演示

以真实工业场景的数据、节拍、安全与 ROI 作为验收标准，而不是以 Demo 好看为标准。

证据先于证书

用可运行的产物、评估报告、上线结果与用户反馈证明能力，证书只是副产品。

沉淀先于扩张

每个项目都要沉淀为可复用的知识文件、方法与案例，让下一次交付更快。

❯ cat know-how/*.md

知识架构 · Know-how

课程的重心不是「教会多少个工具」，而是建立一套可以迁移到任何工具上的知识结构。六根支柱贯穿四个阶段，反复加深。

KA-01 First Principles

第一性原理

「这个系统里，哪些是物理规律、约束与守恒，哪些只是当前工具的限制？」

把问题拆到不可再分的变量、约束与因果关系；区分事实、假设与叙事，避免从「别人都这么做」出发。

约束清单因果链拆解反事实检验
KA-02 Systems Thinking

系统思维

「改变一个变量，系统会在哪里产生反噬、延迟或涌现？」

用存量、流量、反馈回路、延迟与瓶颈理解工业系统；关注局部最优如何损害全局最优。

系统回路图瓶颈分析二阶效应
KA-03 Domain Modeling

领域建模

「这个行业里，哪些概念是稳定的？它们之间如何连接、如何行动？」

把设备、工艺、订单、人员、异常等现实对象，抽象为实体—关系—动作—事件；这是 AI 进入生产系统的语义接口。

本体草图事件风暴领域词典
KA-04 Data & Uncertainty

数据与不确定性

「这个结论依赖哪些数据生成机制？在什么条件下会失效？」

理解数据的产生过程、偏差、噪声与缺失；区分相关与因果，用概率而非确定论做判断。

数据血缘偏差审计置信区间
KA-05 Knowledge Engineering

知识工程

「知识在谁脑子里？如何让它不随人流失，并能被检索、复用、验证？」

把 SOP、规则、案例与专家经验转化为结构化知识；建立捕获、表示、检索、更新的闭环。

知识地图案例库可追溯引用
KA-06 Value & Decision

价值与决策

「这件事值得做吗？做完如何证明它真的产生了价值？」

用结果、置信度、时间与成本衡量方案；理解 ROI、风险、可逆性与组织采纳。

价值假设基线测量复盘账本

六根支柱不是六门课，而是六条贯穿所有课程的主线。每门课都要标注：它依赖哪根支柱，又强化哪根支柱。

❯ capability map

五维能力 · π 型结构

π 的一横是五维通识，两竖是工程底座与场景应用的专精深度。先有横向判断力，再选一条纵向路径扎下去。

认知力

Cognition

把问题拆到第一性原理，看见系统结构与不确定性。

建模力

Modeling

把领域知识抽象为实体、关系、动作与可计算的结构。

工程力

Engineering

让数据、模型、工具与平台在云、边、端稳定运行。

应用力

Application

定义价值、设计工作流、组织评估，让 AI 真正解决问题。

交付力

Delivery

推动组织采纳，衡量结果，把一次成功变成可复制的方法。

❯ shared core

共同底座

两条路径共享同一套底座。先学共同的，再选一条专精。

K0

认知底座

KA-01 ~ KA-06 六根知识支柱

K1

AI / LLM 基础

Token、Embedding、Context、推理与评估

K2

工业现场基础

OT / IT、PLC / SCADA、协议、节拍与安全

K3

软件与数据基础

Python / SQL / Git / API / 测试

K4

安全、伦理与合规

隐私、权限、护栏、审计与责任边界

K5

项目与沟通

发现、干系人、变更管理与价值汇报

❯ choose a track

两条专精路径

我认可「工程 / 应用」这个二分，但它不是两个职业，而是同一能力栈上的两条专精路径：共同底座相同，出口不同，最终在综合实战中汇合。

BUILD & RUN

FDE 工程底座

让模型、数据、工具与平台，在云、边、端稳定运行。

适合研发工程师、平台 / 运维工程师、架构师

目标能把一个工业 AI 方案从代码跑到生产，并守住可靠性、安全与成本。

出口独立完成部署、监控、降级、扩容与成本优化。

E1 KA-01 · KA-02 L2

工程基础与代码素养

Python / TypeScript、Git、测试、API 设计；建立可维护、可协作的服务骨架。

产出 · 可维护的服务骨架

E2 KA-03 · KA-04 L2

工业数据工程

SQL、时序数据、OPC UA / MQTT、数据质量与血缘；把现场数据变成可用资产。

产出 · 可追溯的数据管道

E3 KA-01 · KA-04 L3

模型与推理工程

LLM 基础、推理引擎、量化、vLLM / SGLang、边缘推理与资源规划。

产出 · 可复现的推理服务

E4 KA-02 · KA-06 L3

部署与运行

Docker / K8s、CI/CD、可观测性、灰度与降级、成本与容量。

产出 · 上线与运行手册

E5 KA-03 · KA-05 L3-L4

平台与系统集成

MES / ERP / SCADA、Ontology、MCP、API 集成；让 AI 进入真实业务流。

产出 · 跨系统集成方案

E6 KA-02 · KA-06 L4

安全与治理

Guardrails、RBAC、审计、隐私与事件响应；建立可追责的运行边界。

产出 · 安全评估与治理清单

DISCOVER & DELIVER

FDE 场景应用

把模糊的现场问题，翻译成可交付、可验证的 AI 方案。

适合产品经理、售前 / 解决方案顾问、交付顾问、业务分析、技术管理者

目标能定义问题、设计工作流、组织评估，并推动方案被现场真正采纳。

出口独立完成发现、方案、PoC、评估与推广。

A1 KA-01 · KA-06 L2

问题发现与价值定义

访谈、流程映射、基线、ROI 与优先级；把「痛点」变成可验证的问题陈述。

产出 · 问题陈述与价值假设

A2 KA-03 · KA-05 L2

上下文与提示工程

Context Engineering、结构化输出、提示评估；让模型在约束内稳定工作。

产出 · 可复用的上下文包

A3 KA-03 · KA-05 L3

RAG 与知识助手

分块、混合检索、重排、引用与评估；让答案可追溯、可维护。

产出 · 可追溯的知识助手

A4 KA-02 · KA-03 L3

Agentic 工作流

Harness、工具设计、MCP、多智能体与 HITL；把能力组织成可审计的流程。

产出 · 可审计的 Agent 工作流

A5 KA-04 · KA-06 L3-L4

评估与可观测性

离线 / 在线评估、Tracing、A/B 与成本追踪；用数据判断「能不能上线」。

产出 · 评估报告与监控面板

A6 KA-05 · KA-06 L4

交付与变更管理

试点、培训、推广、治理与复盘；让系统被使用，而不是被验收后闲置。

产出 · 交付计划与采纳报告

一个人不必同时精通两条，但任何一条都不能绕过知识架构。做工程底座的人要能判断价值与采纳；做场景应用的人要能判断可行性与运行代价。

❯ industrial scenarios

工业场景纵深

每个场景都同时训练两条路径：一条负责「跑起来」，一条负责「用起来」。

设备预测性维护

数据

振动、温度、电流、工单

方法

异常检测、剩余寿命、诊断 Agent

难点

数据质量与误报成本

机器视觉质检

数据

图像、缺陷标注、工艺参数

方法

检测 / 分割、边缘推理、人机复核

难点

小样本与产线节拍

工艺参数优化

数据

工艺参数、质量结果、实验记录

方法

贝叶斯优化、因果分析、数字孪生

难点

试错成本与安全边界

生产排程与调度

数据

订单、产能、物料、交期

方法

约束优化、仿真、调度 Agent

难点

多目标冲突与实时性

能耗与碳管理

数据

电、气、水、产量

方法

时序预测、归因分析、优化

难点

计量粒度与基线口径

工业知识助手

数据

SOP、手册、工单、专家访谈

方法

RAG、知识图谱、引用溯源

难点

隐性知识与权限边界

安环与风险预警

数据

传感器、视频、巡检、事故记录

方法

多模态、规则 + 模型、告警分级

难点

漏报误报与合规责任

供应链与库存优化

数据

采购、库存、物流、需求

方法

需求预测、优化、仿真

难点

外部不确定性与数据共享

❯ progression

四阶成长路径

从看见问题，到做出一个，再到跑在生产，最后复制规模化。每一阶都以证据结业。

L1

认知级 · 看见问题

2-4 周

管理者、业务骨干、入门者

  • AI 与工业 AI 的基本认知
  • 第一性原理与系统思维
  • 工业现场见习与场景地图
  • 工具上手与安全边界

结业证据场景地图 + 问题陈述 + 概念测试

L2

实践级 · 做出一个

6-8 周

初级工程师、业务分析、产品 / 售前

  • 共同底座 + 一条路径基础
  • 单场景 PoC
  • 评估入门与复盘

结业证据可运行 PoC + 评估报告 + 复盘

L3

进阶级 · 跑在生产

10-12 周

FDE、交付工程师、产品经理

  • 完整路径与端到端场景
  • 可靠性、安全与成本
  • 变更管理与用户采纳

结业证据上线系统 + 运行报告 + 用户反馈

L4

专家级 · 复制与规模化

12-16 周

架构师、交付负责人、技术管理者

  • 平台化与多场景组合
  • 组织能力与治理标准
  • 方法论沉淀与团队培养

结业证据平台 / 多场景方案 + 组织级落地 + 方法论

❯ build something real

综合实战

两条路径在第 3 层汇合：共同对一个真实工业结果负责。

C1 工程 + 应用

设备健康助手

接入 OT 数据，做异常检测与剩余寿命，再用 RAG + 诊断 Agent 生成可执行的维护建议。

验收 · 上线系统、误报率、MTTR 改善

C2 工程 + 应用

质检视觉工作台

边缘推理 + 视觉模型 + 人机复核 + 评估闭环，满足产线节拍与准确率要求。

验收 · 节拍、准确率、人工复核率

C3 应用 + 知识工程

工艺知识引擎

把 SOP、工单与专家经验做成可检索、可引用的知识图谱与问答系统。

验收 · 引用准确率、专家评审、复用次数

C4 工程 + 应用 + L4

多场景 FDE 平台

抽象共性能力，支撑多个场景复用，并建立权限、评估、成本与治理体系。

验收 · 场景复用数、单位成本、治理审计

❯ evidence over certificates

评估与认证

不靠一张卷子。用四类证据判断能力是否真的形成。

30%

知识架构

概念图、第一性原理分析、领域本体设计

30%

工程产物

代码仓库、部署、运行手册与可复现性

30%

场景交付

PoC / 上线、评估报告、干系人评审

10%

复盘沉淀

知识文件、方法论、内部分享与复用

❯ references

参考框架与差异

吸收了七类来源的长处，也刻意补上它们的缺口。不是拼盘，而是各取所需后重新长出结构。

CloudStudio 课程库

110 门课、11 个方向、L1-L4 难度、5 类角色
强项
分类法清晰，角色与难度维度完整，产品工具课丰富
缺口
偏工具与产品，工业纵深和知识主线较弱
吸收
采用其方向 / 角色 / 难度 / 学习形式的分类维度

FDE Learning Center

Agentic AI 七层路线图：基础、单 Agent、多 Agent、生产、面试、平台、RAG 与协议
强项
Agent 工程、生产部署、评估与实战闭环扎实
缺口
以工具与面试为导向，工业场景和领域建模不足
吸收
采用其 Agentic 工程深度与「基础先行、实战闭环」

宁波工业互联网研究院

四层人才体系 + 五层技术平台 + 产教融合闭环
强项
产业人才阶梯、平台架构与真实场景闭环
缺口
课程颗粒度较粗，缺少知识架构与双轨路径
吸收
采用其启蒙—入门—进阶—专家的人才阶梯与产业闭环

Palantir FDE / Ontology

FDE 嵌入客户，把模糊问题变成可运行系统；Ontology 连接对象、关系、动作与安全
强项
场景交付、语义层与生产可靠性
缺口
强依赖平台生态，不适合直接照搬
吸收
采用其「一人一客户、多能力」的 FDE 视角与 Ontology 建模方法

AI Engineer / Agentic AI Roadmap 2026

基础 → LLM → RAG → Agent → 评估 → 生产 / LLMOps
强项
生产化、评估、可观测性与成本意识
缺口
通用软件视角，缺少工业 OT 与组织落地
吸收
采用其评估优先与生产化主线

国家级工业智能控制人才能力图谱

8 大方向、53 个能力大类、122 个技术模块、315 个能力单元
强项
岗位—能力—课程的标准映射方法
缺口
面向职业院校，缺少 AI 原生与 FDE 交付视角
吸收
采用其「能力单元 → 课程模块 → 场景」的映射方法

π 型人才 / 智能制造人才研究

专业深度 + 跨域广度 + 数字赋能技术
强项
兼顾深度与广度，适合复合型人才培养
缺口
缺少可执行的课程与评估设计
吸收
采用其 π 型能力结构，落到双轨与五维能力

❯ tools change

工具只是练习载体

下面这些工具会变。课程真正要留下的是选择、组合、验证与替换它们的能力。

语言与数据

PythonTypeScriptSQLDuckDBPostgreSQL

模型与推理

vLLMSGLangllama.cppOllama

Agent 与检索

LangGraphMCPA2A向量库混合检索Rerank

工程与部署

FastAPIDockerKubernetesCI/CDOpenTelemetry

评估与观测

LangfuseDeepEvalRagas成本追踪

工业现场

OPC UAModbusMQTTMES / ERP / SCADA时序数据库

❯ who is this for

适合谁，不适合谁

把边界说清楚，比把课程说得万能更有用。

适合

  • 工业企业的数字化、智能化团队
  • 想转型 FDE 的工程师、产品经理、售前与交付顾问
  • 做产教融合的院校与培训机构
  • 需要搭建团队能力体系的技术管理者

不适合

  • 只想学某个工具或提示词模板的人
  • 不愿意下现场、只想做 Demo 的人
  • 期待三天速成、不愿意长期练习的人

课程体系正在内测与共建

如果你是工业企业、院校或团队，想共建课程、场景或认证体系，欢迎交流。

写信交流 →