两天，让文档团队自己把 AI 用起来
为技术文档团队做两天定制内训：先讲透大模型的原理与能力边界，再带着全员动手，把 AI 从「帮我改一段话」推进到能自己搭工作流与 Agent。
§01
客户挑战
这家企业的技术文档团队已经在用 AI，但用法零散——让模型润色一个句子、改写一段话，没有形成方法，也谈不上进入流程。
更麻烦的问题在认知层面：
- 不了解模型的原理与能力边界，判断不了一个任务该用提示词、RAG、工作流还是 Agent，结果要么低估、要么过度设计
- 与公司 AI 部门协作时技术语汇不对齐，沟通成本高
- 团队跨岗位，不是人人都会写代码，纯技术型的培训会把大部分人挡在门外
- 市面上的通用 AI 课程讲的是通用套路，接不上技术文档的实际工作
§02
解决方案
课程完全按这个团队的情况定制，全部案例与练习取自技术文档工作。两天 12 学时，两个模块递进：
- 第一天，走完一个模型的一生：从数据与训练，到量化、本地部署、评价指标与使用边界。学员亲手从零训练并本地部署一个小模型，并为自己的任务建立小评测集——理解「跑分不等于好用」
- 第二天，沿能力阶梯逐级动手：提示词 → RAG → 工作流 → Agent → Skill，每一级都回答同一个决策问题：这个任务，用够用的最低一级是哪一级
- 让不写代码的人也能参与：六人一组跨岗位混编，每组配一名有编程基础的「技术委员」负责运行代码，课前问卷识别，实操不把任何人挡在门外
- 算力由我方提供：每组配 GPU 算力配额，训练与部署实操不受本地设备限制
- 课后不断线：两周线上答疑，并提交结项报告——参训数据、团队资产清单与后续改进建议
§03
项目成果
团队带走的不是笔记，而是一批能继续用下去的资产：
- 一个自己从零训练并完成本地部署的小模型
- 一套面向自身任务的评测集
- 一套基于产品说明书的文档问答系统
- 一条「提取术语 → 翻译 → 审校」的翻译工作流
- 一个技术写作 Agent
- 一个 DITA 写作 Skill
比这些成果更重要的是共同认知：全员建立起对模型能力边界的判断力，选型时知道该用哪一级技术；与公司 AI 部门协作也有了共同语汇，沟通摩擦明显下降。全部实操成果的所有权归企业，可在内部继续演进。
12
学时
37
参训人数
6
可带走的实操成果
180
小时 GPU 算力