《生成式思维与智能工作系统》课程体系说明

🔁 从“会用 AI”到“能设计、运行与演进智能工作系统”

---

1. 课程简介（Brief Introduction）

当生成式 AI 将知识生产推向“智能编排”的新时代，大多数实践者却仍受困于“工具使用”的孤岛：会写提示词，却无法构建系统。为了跨越这道从单次生成到持续产出的工程鸿沟，《生成式思维与智能工作系统》课程致力于引导学习者完成关键的能力跃迁——从被动“使用”AI，升级为主动“设计与组织”智能工作系统。

课程超越了对单一工具或模型的讲解，聚焦于一个更本质的命题：如何利用AI的推理与行动能力，将离散的知识工作重构为可运行、可演进的自动化系统。 整体课程体系分为理论篇、工具篇与开发篇三大系列：理论篇奠定生成式思维与知识工作系统的认知与方法论基础；工具篇结合Agent Skill，将能力拆解为可训练、可组合的通用技能；开发篇则聚焦智能体工作流、运行环境与协议化协作，完成从思维到系统的工程化落地。通过这一递进式结构，学习者将获得设计、运行与演进智能工作系统的完整能力框架，完成从AI使用者到智能系统设计者与组织者的角色转变

课程的设计、开发、教学和实践生命周期，强调可复用、可审计、可协作的设计原则，目标不是培养“会用工具的人”，而是塑造能够构建与演化智能工作系统的设计者与组织者。在这里，我们将像开发软件一样“开发”我们的知识体系，并像管理代码一样管理我们的AI提示词与智能体配置。

👥 课程适合人群

• 希望系统性理解生成式 AI 的知识工作者
• 正在探索 Agent / Workflow 的开发者与研究者
• 对“AI + 知识生产 / 教育 / 组织”感兴趣的实践者
• 不满足于“提示词技巧”的学习者

---

2. 课程目标 （Course Objectives）

我们的教学目标并非简单的工具堆砌，而是深入探讨在 AI 具备生成、推理与行动能力的前提下，如何将传统的知识工作流重构为具备系统鲁棒性与演进能力的智能体网络。

维度	课程目标描述
认知目标 （Thinking）	建立生成式思维（Generative Thinking）的系统认知，理解生成式 AI 从“工具”到“系统要素”的范式转变，能够区分“会生成”与“能运行”的本质差异。
方法目标 （Method）	掌握将模糊知识任务结构化、流程化、协议化的方法，能够使用 SCORE、I-S-I-G-E、MVX 等框架设计可复用的知识工作流。
能力目标 （Skill）	理解并应用 Agent Skills（规划、反思、工具使用、协作等），将其映射到实际工作流中，而非停留在单点 Prompt 或工具操作层面。
系统目标 （System）	能够将生成式能力嵌入到一个可运行的智能工作系统中，理解状态、记忆、约束、接口在系统中的作用。
工程目标 （Engineering）	掌握Agentic Workflow的基本设计方法，能够构建最小可行智能体（MVA），并理解 MCP 等协议在多智能体协作中的意义。
实践目标 （Practice）	在课程周期内完成一次真实的能力跃迁：将一个知识工作任务从“临时对话 + 零散 Prompt”升级可复用、可审计、可协作的工作流资产。
迁移目标 （Transfer）	能够将课程方法迁移到学习、科研、内容生产、产品设计或组织协作等不同场景，而不仅局限于单一工具或平台。
角色目标 （Role）	完成从“生成式 AI 使用者”到“生成式系统的设计者与组织者”的角色转变，具备与 AI 协同工作的系统视角。

---

3. 课程体系设计（Curriculum Architecture）

本课程并非以“工具教学”或“模型能力展示”为中心，而是围绕人如何在生成式 AI 时代组织思考、设计工作流、构建可运行系这一根本问题，构建了一个三层递进（认知范式 → 能力组件 → 系统实现）、彼此衔接的课程体系：

• 理论篇解决“为什么要改变认知结构、工作方式与系统观”
• 工具篇解决“生成式能力如何被拆解为可学习、可组合的能力单元”
• 开发篇解决“如何将这些能力工程化，构建真实可运行的智能工作系统”

第一部曲：理论篇（Theory Track）（已完成）

时间：2025 年 7 月 — 2025 年 12 月

本阶段聚焦于生成式思维与知识工作流的理论建模，系统完成课程的认知底座与方法论框架。通过八个章节，课程从生成式 AI 带来的认知范式转移出发，逐步建立结构化提示、最小可行工作流、智能知识工程、Agentic Workflow 以及多智能体协作的完整理论体系。 该阶段的核心目标是让学习者理解“生成不是一次输出，而是一种可运行的系统行为”，并为后续工具与开发内容提供统一的思想坐标系。

第二部曲：工具篇（Tooling Track）（进行中）

计划完成时间：2026 年 3 月

工具篇将以 Agent Skill 为核心线索，围绕“如何把生成式思维落到可操作能力”展开。课程将系统拆解智能体所需的关键技能模块（如规划、反思、工具使用、记忆与协作），并结合主流工具链与平台实践，帮助学习者将理论篇中的工作流思想，转化为可复用、可组合的工具能力。 本阶段的目标是让学习者从“理解工作流”进阶到“熟练配置与组合智能体能力”**。

第三部曲：开发篇（Development Track）（规划中）

计划完成时间：2026 年 6 月

开发篇面向具备一定技术基础的学习者，重点聚焦 Agentic Workflow、智能体运行环境（Runtime）以及 MCP 协议 等工程化主题。课程将引导学习者从零搭建可运行的智能工作系统，理解多智能体如何通过协议进行协同，以及如何在真实环境中实现可审计、可扩展、可治理的 Agent 系统。 该阶段的核心目标是让学习者具备设计与实现“智能工作系统”的完整能力，而不仅是使用现成Agent。

该体系构成了从认知、方法到工程全面覆盖的生成式智能工作系统的课程骨架。这样的课程体系设计既避免“直接堆工具”的碎片化学习，也确保每一个阶段都能形成可验证、可运行的学习成果，共同支撑学习者完成从AI使用者 → 系统设计者 → 智能工作系统构建者的能力跃迁。

---

4. 课程学习方法论（Learning Methodology）

课程采用统一的方法框架 MVX 四步法，一种面向生成式系统的学习框架，避免“做完一次就结束”的学习陷阱。MVX借鉴了敏捷开发（Agile）与精益思想（Lean）中“以最小可行成果驱动迭代、以真实反馈持续改进”的核心原则，将复杂的智能系统学习过程拆解为可验证、可积累的学习阶段。

在 MVX 框架中，学习不以“是否学会某个功能”为终点，而以“是否形成可运行、可复用的系统能力”为判断标准。通过 MVW（最小可行工作流）→ MVG（最小可行生成系统）→ MVR（最小可运行资产）→ MVA（最小可行智能体） 的递进路径，学习者像推进一个敏捷项目一样，不断交付“可运行的中间成果”，避免一次性设计与空洞理解。这一过程强调快速验证、持续反思与价值沉淀，使学习本身成为一条可持续演进的工程化路径，而非一次性的知识消费。

• MVW（Minimum Viable Workflow） 聚焦“理解任务”：学习者首先学会把模糊目标拆解为可运行的最小工作流，建立对生成过程的整体认知。
• MVG（Minimum Viable Grammar） 聚焦“表达能力”：通过结构化提示与协议化输入，训练将思考转译为机器可执行语言的能力。
• MVR（Minimum Viable Runtime） 聚焦“系统意识”：引导学习者理解状态、记忆与反思如何支撑持续运行，而非单次生成。
• MVA（Minimum Viable Agent） 聚焦“能力整合”：在前述学习成果之上，完成一个可协作、可审计的最小智能体系统。

因此，MVX的本质不是教你“多快搭一个 Agent”，而是训练你如何循序完成从认知、方法到系统的学习跃迁。它把“学习”本身视为一条可运行、可迭代的工作流，使能力真正沉淀为可迁移的长期资产。

---

5. 课程Git分支策略设计（Git-based Learning Workflow）

课程将生成式思维中强调的系统化、可运行、可演进原则，直接落地到真实的工程协作环境中。Git 作为课程运行与学习协作的核心基础设施 ，而非单纯的代码托管工具。课程通过一套四分支协作模型，将课程建设、教学演进、功能探索与学员学习成果进行清晰分层，使学习过程本身具备工程化、可追溯与可评估的特征。

课程采用 main /dev / feature / learning 四类分支，分别对应不同层级的角色与目标：

• 课程本身如何稳定运行
• 教学内容如何持续演进
• 教学工具如何被探索与验证
• 学员学习成果如何被积累与评阅

这种分层并非增加复杂度，而是将真实工程中的协作逻辑有意识地映射到教学场景中。

分支名称	分支定位	主要使用者	承载内容	教学与工程意义
main	课程稳定基线分支 （Stable Baseline）	课程维护者	已验证、可运行、可复用的课程标准成果（稳定讲义、示例工程、参考实现）	提供统一、可靠的学习参考基准，确保课程始终处于“可学习状态”
dev	课程开发与教学演进分支 （Teaching Development）	课程维护者	讲义修订、实验流程调整、教学结构优化等演进中的内容	显式呈现课程如何在真实教学反馈中持续演进
feature/*	教学工具与功能探索分支 (Feature Development)	课程维护者 / 协作开发者	教学辅助工具、实验脚本、示例模块或局部功能探索	将探索性开发与稳定主线隔离，体现真实工程中的“验证—合并”流程
learning	学员学习成果主线分支 (Learning Track)	学员	已完成、阶段稳定的作业与实验成果	沉淀个人学习轨迹，作为过程性评价与成果评估的主要依据

---

在本课程中，Pull Request 不仅用于合并代码，更是一种教学评审与学习反馈机制：

• 学员以 learning 分支为基础提交阶段性成果
• 教师或助教通过 PR 对结构、思路与系统设计进行反馈
• 合并行为代表一次阶段性学习目标的确认

Git 因此成为连接学习、反馈与课程演进的统一载体。学习不再是一次性提交作业，而是一个持续构建、反思与积累的过程。Git 也不只是工具，而是课程方法论本身的重要组成部分。

---

6. 如何开始学习 (How to Start)

本课程采用 Git 驱动的学习与作业提交模式。所有学习成果、实验记录与作业提交，均通过 Git 仓库进行版本化管理。

Fork课程仓库

点击仓库页面右上角的 Fork 按钮，将课程仓库复制到你的GitLink账号下。 Fork后，你将拥有一个独立可写的个人仓库，用于完成课程中的所有实验与作业。

Clone到本地

将你的 Fork 版本克隆到本地电脑：

`git clone [https://gitlink.org.cn/你的用户名/Git4GenThinking.git]`

进入项目目录：

cd Git4GenThinking

此时你已经拥有一份完整的本地学习环境。

创建你的学习分支（推荐做法）

请不要直接在 main 、dev或'feature‘ 分支上进行作业修改。 为每次实验或作业创建独立的分支，例如leraning/{yourname}

git checkout -b learning/zhangshan

后续所有修改、提交均在该分支中完成。

配置与准备学习环境

根据课程章节要求，逐步准备以下环境（不要求一次完成）：

• 基础命令行环境（Git / Shell）
• 本地编辑器（如Jupiter Lab\VS Code）
• 课程推荐的知识管理或实验工具（将在各章说明）

课程强调 **“可运行优先”**，所有环境配置均以“能完成当前任务”为标准，而非一次性搭建完整系统。

---

7. 许可证

本项目源代码采用 MIT License 进行许可，允许在满足许可证条款的前提下，自由地使用、复制、修改、合并、发布、分发、再许可和/或销售软件的副本。

所有研究成果（包括但不限于论文、数据、图表、模型、方法论描述等）默认使用 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。