Git4GenThinking/GT-Workflow-Course-2025

生成式思维与知识工作流 (Generative Thinking & Knowledge Workflows)

从“向 AI 提问”，到“设计一个能持续为你工作的智能系统”。

1. 课程简介（Brief Introduction )

本课程是《生成式思维与智能工作系统》体系的理论部分。这不是一份简单的Prompt大全，而是一套面向未来的知识工程体系。在生成式 AI 时代，真正的竞争力不再是“会写提示词”，而是具备生成式思维，并能构建可运行、可复用、可演进的知识工作流。本课程将带你完成从“单点工具使用者”到“智能系统编排者”的认知跃迁。

核心主张：

• Prompt即协议 (Protocol)： 不仅仅是聊天，而是人机交互的结构化通信协议（如 S.C.O.R.E 模型）。
• 知识即代码 (Knowledge as Code)： 像管理软件代码一样，通过Git版本控制管理你的知识资产。
• Agent 即系统 (System)： 超越单次问答，构建具备感知、决策、行动、反思（PEAR）能力的智能体。

---

2. 学习路线图 (Course Curriculum)

本课程共8个模块，分为三个进阶阶段：

图：课程学习路线图

第一阶段：思维重构与协议构建 (Mindset & Protocol)

建立生成式思维，掌握将模糊意图转化为机器可执行协议的能力。

• Module 01：课程导论
  • 跨越“锯齿状技术前沿”，理解从搜索思维到生成式思维的范式转移。
• Module 02：重构知识工作流
  • MVW(最小可行工作流)： 从“单次生成”走向“流程化作业”。
  • 核心模型：I-S-G-I-E (输入-结构-生成-迭代-表达)。
• Module 03：结构化提示工程
  • 将Prompt视为机器协议。
  • 核心框架：S.C.O.R.E (Setting, Context, Objective, Requirements, Evaluation) 与 CO-STAR。

第二阶段：智能知识工程 (Intelligent Knowledge Engineering)

为 AI 准备高质量的“食物”，构建机器可读的知识底座。

• Module 04：智能知识工程体系
  • 知识即代码：Git 工作流在知识管理中的应用。
  • RAG基座：语义分块、元数据管理与知识图谱构建 (GraphRAG)。
  • Knowledge Ops：构建持续集成/持续部署的知识流水线。

第三阶段：智能体系统构建 (Agentic Systems)

从被动问答走向主动行动，构建多智能体协作网络。

• Module 05：构建本地化知识助手智能体
  • 智能体核心架构：PEAR模型 (Perceive-Evaluate-Act-Reflect)。
  • 设计模式：反思、工具使用与规划。
• Module 06：智能体运行环境 (Agent Runtime)
  • MVA(最小可行Agent)： 构建具备状态、记忆与行动出口的本地闭环系统。
  • 核心原则：本地优先、人机回路 (HITL)。
• Module 07：多智能体协作体系 (MCP)
  • MCP(Model Context Protocol)： 理解Agent时代的“USB协议”。
  • 构建Planner、Executor、Critic分工协作的智能体网络。

最后，课程总结

• Module 08: 课程总结
  • 价值链重构：从 DIKW 到 DIKWA (Data-Information-Knowledge-Wisdom-Action)。

---

3. 核心方法论 (Key Frameworks)

本课程不仅仅提供工具，更提供一套从思维到系统的完整工程化方法论。以下模型按课程进阶路径排列：

核心理论模型	全称	定义与核心价值	来源
MVW	Minimum Viable Workflow	最小可行工作流。拒绝过度设计，先构建一个包含“输入-处理-反馈-输出”的最简闭环，验证 AI 协作的可行性。	Module 02
I-S-G-I-E	Workflow Stages	知识处理五环。将复杂的知识任务拆解为标准步骤：输入(Input)、结构(Structure)、生成(Generate)、迭代(Iterate)、表达(Express)。	Module 02
S.C.O.R.E	Structure for Prompts	提示词结构标准。通过角色(S)、背景(C)、目标(O)、要求(R)、评估(E)五要素，将模糊意图转化为机器可执行的“软协议”。	Module 03
MVR	Minimum Viable Repository	最小可行知识库。基于 Git 版本控制和元数据规范构建的工程化知识底座，确保知识资产“机器可读”且“历史可溯”。	Module 04
PEAR	Agent Loop	智能体运行闭环。将智能体行为解构为四个系统阶段：感知(Perceive) → 评估(Evaluate) → 行动(Act) → 反思(Reflect)。	Module 05
MVG	Minimum Viable Graph	最小可行图谱。在本地构建包含核心实体与关系的最小知识图谱 (GraphRAG)，赋予智能体跨文档推理与全局结构理解能力。	Module 05
Agentic Workflow	Agentic Workflow	智能体式工作流。从被动的“问答模式”升级为“主动行动模式”。系统基于目标(Goals)、状态(State)与事件(Events)持续运行，而非单次触发。	Module 05
Agent Runtime	Agent Runtime	智能体运行环境。承载智能体的系统基础设施，提供状态管理、记忆存储、行动接口与反馈通道，决定了智能体能力的上限。	Module 06
MVA	Minimum Viable Agent	最小可行智能体。在本地运行环境中构建的具备完整 PEAR 闭环、且“推理外包、状态内生”的最小工程实体。	Module 06
DIKWA	Data-Info-Know-Wisdom-Action	价值链重构。在传统的DIKW知识金字塔顶端增加Action (行动)，标志着从“给建议”到“做任务”的范式跃迁。	Module 08

1. MVW / I-S-G-I-E(Module 2): 起步，先学会把任务变成流程。
2. S.C.O.R.E(Module 3): 细化，学会写好流程中的每一个 Prompt 协议。
3. MVR (Module 4): 沉淀，把流程产物变成工程化的知识资产（Git/元数据）。
4. PEAR / MVG / Agentic Workflow (Module 5): 升维，从线性流程升级为具备图谱记忆和循环能力的智能体逻辑。
5. Agent Runtime / MVA(Module 6): 落地，把智能体逻辑变成可运行、可独立存在的系统实体。
6. DIKWA(Module 8): 总结，升华整个课程的价值链条。

---

4. 课堂实验与作业 (Labs & Assignments)

本课程采用💻 TBL(Task-Based Learning) 模式，实验与作业分为 核心 Labs (Labs) 与 进阶任务(Tasks) 两部分，所有的练习都基于真实的Gi 协作流程。

🧪 核心实验 (Core Labs)

这两个实验是课程的基础，旨在帮助学习者快速建立认知与流程感。

• Lab 01: 体验生成式思维与幻觉边界
• Lab 02: 设计你的第一个 MVW

📝 进阶实践任务 (Advanced Tasks)

这些任务贯穿于后续章节，构成了完整的生成式知识工作流螺旋上升路径。

• Lab 03: 把“提示词”变成可执行的工作流语言
• Lab 04: 构建智能知识系统的工程化基座
• Lab 05: 构建本地智能知识助手
• Lab 06: 本地优先智能体运行环境实验
• Lab 07: 基于MCP的最小化Agent实现

💡 实验对应说明：每个实验对应相应的章节，例如Lab 01对应第一章讲义的知识点。

📚 推荐工具栈(Tools)

为了实现“本地优先”与“智能体构建”，本课程推荐以下工具：

• LLM 推理：DeepSeek/Qwen (通过 API 或本地部署)
• 知识库：Obsidian (支持本地Markdown与插件扩展)
• AI客户端: Cherry Studio
• 版本控制：GitLink
• 协议标准：Model Context Protocol (MCP)
• 模型源: ModelScope (魔搭社区)

---

5. 课程学习方法 （Learning Methodology）

MVX四步法：从“会用AI”到“能跑起来的工作系统”

MVX学习框架在设计上借鉴了敏捷开发（Agile）与精益方法（Lean）的核心思想，将其抽象为适用于知识工作与生成式 AI 学习的通用方法论。首先，MVW（最小可行工作流）对应敏捷中的 MVP 理念，强调尽早跑通一条“能工作的最小系统”，避免在工具、技巧或完美方案上过度设计；其次，MVG（最小可行治理）与精益中的“减少浪费、建立反馈回路”一致，通过评估标准与反思机制，让系统在运行中不断纠偏；MVR（最小可行运行）体现了敏捷的迭代节奏，要求工作流可重复、可审计，而非一次性成果；最终，MVA（最小可行智能体）则对应持续改进与自动化升级，将稳定流程逐步交由智能体执行。

图：MVX学习方法框架图

整体而言，MVX将“快速验证—持续反馈—渐进升级”的工程思想，迁移为一套面向生成式思维的学习与能力跃迁框架。

---

6. 学习路径与作业提交 （Task Assignments）

本课程模拟真实的开源软件协作流程，所有学习与作业提交均遵循 “小组协作 + 个人贡献可追溯” 的基本原则。请在开始课程前，认真阅读并遵守以下流程规范。

6.1 环境准备（Pre-flight Check）

在正式开始课程实验前，请完成以下准备工作：

• 阅读 📁 01-guidebook/tool-setup-guide.md
• 全员安装 Obsidian（用于知识整理与过程记录）
• 全员安装 Cherry Studio（将在后续章节使用）
• 申请并配置 ModelScope API Key

6.2 获取仓库（Fork & Clone）

• 由队长Fork本仓库到个人GitLink账号
• 队员clone队长Fork的仓库到本地进行协作
• 小组内部协作均基于队长Fork的仓库进行

6.3 完成任务（Mission Execution）

• 理论学习材料位于 📁 03-Modules
• 实验操作指南位于 📁 04-Labs
• 可复用模板与脚手架位于 📁 05-Templates

6.4 作业提交规范（Submission Rules）

所有实验作业统一提交至：

📁 GT-Workflow-Course-2025/08-Workspace/

并遵循 “先建小组目录，再提交个人文件” 的提交规则。

6.4.1 小组目录优先原则（必须遵守）

从所有实验作业必须遵循以下结构：

GT-Workflow-Course-2025/08-Workspace/
└── Assignment-M01/
    └── GroupName/                              ## 每个小组自己的名字
        ├── README.md
        ├── zhangshan-lab-log-01.md
        ├── lisi-lab-log-01.md
        └── wangwu-lab-log-01.md

规则说明：

• GroupName 由组长创建，作为本组统一提交入口

• README.md 由组长维护，用于说明：

  • 本组选择的任务背景
  • 小组共识流程
  • 成员分工说明

• 每位成员 必须提交独立文件，体现个人实践与思考

6.4.2 个人文件提交要求

• 文件必须放置在对应小组目录下
• 文件命名建议包含个人标识，例如：

zhangsan-mvw.md
lisi-mvw.md

• 内容可以基于小组共识任务
• 但必须体现个人对流程 / Prompt / 迭代的独立理解

6.4.3 提交顺序建议（教学友好）

1. 组长先创建 GroupName 目录并提交 README.md
2. 组员依次提交个人实践文件
3. 组内完成互评与必要修订
4. 由组长统一发起 Pull Request

6.5 Pull Request 提交说明

• PR 由队长统一发起，面向课程主仓库
• PR标题规范：

[小组名]lab01-任务提交

示例：

[银河护卫队]lab01-任务提交

• PR 描述中需简要说明：

  • 本次提交覆盖的实验章节
  • 是否完成小组内互评
  • 是否所有成员均已提交个人文件

---

7. 仓库导航 (Directory Map)

GT-Workflow-Course-2025/
├── 📁 01-Guidebook/      # [必读] 包含工具安装、评分标准、Git操作指南
├── 📁 02-Syllabus/       # [大纲] 详细的学习目标与能力地图
├── 📁 03-Modules/        # [课件] 所有的理论学习材料 (Markdown/PPT)
├── 📁 04-Labs/           # [实验] Step-by-Step的技术实操手册
├── 📁 05-Templates/      # [模板] 拿来即用的Prompt和Config文件
├── 📁 06-Tools/          # [工具] 辅助脚本与软件下载清单
├── 📁 07-Assets/         # [素材] 课程演示用的图片与数据
└── 📁 08-Workspace/      # [作业] 你们的主战场，请在此提交代码

---

8. 互助与支持 （Peer Support）

• Issues: 遇到技术难题或发现课件错误，请在仓库的Issues 区提问（请使用提供的 Issue Template）。

• Discussions: 分享灵感、寻找队友或讨论非技术话题，请前往Wiki区。

---

许可声明

本文档采用 知识共享署名--相同方式共享 4.0 国际许可协议 (CC BY--SA 4.0) 进行许可， © 2025 Gitconomy Research社区。