不以陌生业务经验缺口冒充能力缺口。
后续聊天、题目、案例和训练任务必须服从本文件。新能力缺口只能登记到能力地图或阶段待补项；除非存在结构性错误，不随意改动主路线。
路线治理规则：新增训练建议必须回答：属于哪个 Stage？训练什么能力？前置 Gate 是否通过？如何验收？
三层能力互相叠加，但不能互相冒充。底层问题解决能力是地基，AI Native 是工作方式，AI 产品 + FDE 是最终业务闭环。
面对复杂、模糊、信息不完整的问题，能分清事实 / 假设 / 现象 / 根因，建立优先级并收敛。
把 AI 当核心执行能力而非一次性辅助；会拆人机分工、定位失败原因、调工作流并稳定复用。
从业务问题发现、技术 / 机会 / 方案判断，到原型、评测、部署、采用、ROI 和复用完成闭环。
后续训练不按“热门名词”组织，而按真正能观察和验收的能力行为组织。
能力边界判断、人机任务拆解、AI 失败诊断、工作流优化、会学也会忘、边做边学、稳定性意识、复用沉淀。
技术判断、机会判断、方案判断、评测 / 结果判断。核心不是背观点，而是在信息不完整时完成取舍。
模型、API、数据、Agent、Workflow、RAG、工具、成本、部署、安全；能判断 AI 方案和 AI 生成代码是否靠谱。
Discovery、Solution Framing、Technical Framing、Prototype & Build、Eval & Safety、Deployment、Adoption、Business Outcome、Playbook。
不能用什么冒充能力：会用产品术语 ≠ 会定义问题；列很多点 ≠ 逻辑拆解；自信表达 ≠ 信息分层；做得越全 ≠ 有优先级；立即给答案 ≠ 会处理不确定性。
底层能力的验收不是“答对一道题”。至少 3 类非业务场景 + 1 次陌生迁移，稳定完成问题定义、收敛和验证路径。
判断谁做什么、失败在哪里、怎样稳定复用，比“Prompt 写得漂亮”更重要。
知道什么适合模型、规则、检索、工具、人工；不把“AI 能做”当成“应该让 AI 做”。
接到任务先设计谁做什么、在哪些节点人工 Check，而不是人先做完整流程再叫 AI 辅助。
输出差时定位 Context、任务粒度、流程、工具、模型、数据、权限或评测问题。
从一次 Prompt 进化为可重复流程；逐步减少人工重复劳动。
不把旧最佳实践当永恒规则；模型能力变化后重新验证工作流。
缺知识时围绕任务即时补齐最小必要知识，并立即验证。
不以一次成功证明可用；关注重复运行、边界条件和失败分布。
把成功做法沉淀成 Skill / Agent / Playbook / Eval / 文档，而不是只完成当前任务。
技术变化会改变什么能力边界、产品形态、业务流程和机会？
训练结果：形成自己的判断，不人云亦云。
谁在什么场景有何真实问题？AI 能否产生增量？值不值得做？
训练结果：区分 AI 能力与用户需求，并做价值 / 成本 / 风险判断。
信息不完整下，先共识、收敛、拆卡点、比较方案并说明取舍。
训练结果：能解释为什么选 A 不选 B。
什么叫好？怎么量化？Bad Case 如何回流？
训练结果：从用户价值到过程 / 结果指标建立 Eval。
快速进入陌生业务、访谈、流程还原、约束识别、目标共识。
把业务问题转成可解决的问题，确定范围、边界、人工 / AI 分工。
模型 / API / Agent / Workflow / RAG / 数据 / 权限 / 成本 / 延迟 / 可靠性判断。
用 AI coding、现成工具和最小实现快速产出可验证 Demo。
定义指标、测试集、Bad Case、风险边界、人工接管、回滚。
模拟 → 小流量 → 真实环境；考虑监控、日志、权限、依赖。
让真实用户使用，观察工作流是否真的改变，而不只看 Demo。
建立 baseline、ROI、成本模型和扩大 / 停止决策。
把一次交付转成可复制方案、工具、Skill、文档与评测体系。
闭环判定：上线不是终点。必须继续看真实采用、行为变化、结果指标，并根据结果决定扩大、调整或停止。
前一阶段未达 Gate，后面的能力即使接触也不作为正式训练主线。训练允许加速，但不能跳过依赖。
测量规则 → 逻辑推理 → AI Native 工作方式。
AI 产品判断 → 技术工程 → FDE 闭环方法。
半真实项目 → 真实业务 → 作品集与岗位映射。
训练速度由 Gate 决定：如果底层能力本来就强，可以少量样本后快速通过；某项弱，就集中训练该项，而不是拖慢所有内容。
能力记录规则稳定；任何诊断都能说明“证据来自哪里、是否训练过、样本数多少”。
现象 / 根因 / 约束 / 方案分离。
如果 X 不存在，结果还会发生吗？
事实 / 假设 / 推断 / 未知 / 证据强度。
在 10 个正确事项里选最先做的 1~2 个。
限制时间、预算、信息，练“最小必要动作”。
同一底层结构换生活、游戏、产品、工程等不同表面场景。
故意加入新证据，观察是否能更新判断。
不是“更会分析”，而是更快抓关键、建立验证路径并停止无效发散。
至少 3 类非业务场景 + 1 次陌生迁移中，能稳定完成问题定义、收敛和验证路径。
把任务拆成人判断、AI 生成、工具执行、人工审批、Eval。
同一个差输出分别由 Context、任务粒度、工具、数据、模型和流程造成。
决定何时需要规则、知识库、工具、Agent 或人工。
同一任务重复跑，观察方差和失败类型。
从手工一次性流程逐步改造成复用 Skill / Agent。
拿旧工作流与新模型对比，重新验证而不是路径依赖。
独立把一个重复任务从“AI 辅助一次”改造成可重复流程，并能用 Eval 说明稳定性。
| 技术判断 | 每次新技术都回答：能力变化 → 产品变化 → 业务变化 → 机会 / 风险。 |
| 机会判断 | 用户 / 场景 → 现有链路 → 卡点 → AI 增量 → 价值 / 频率 / 成本 / 风险。 |
| 方案判断 | 先共识目标 → 收敛主问题 → 拆卡点 → 多方案 → 取舍。 |
| Eval | 定义“什么叫好”，建立过程指标、结果指标、Bad Case 回流。 |
| 开放题表达 | 前提、假设、判断、证据、取舍、结论；避免背模板。 |
未知但可理解的 Case 中，不依赖老师提示完成四类判断，并能解释取舍。
Token、上下文、推理、结构化输出、多模态、工具调用的基本边界。
请求 / 响应、认证、超时、错误、并发、限流、日志。
结构化 / 非结构化、清洗、标签、向量化、检索、数据质量。
何时需要、如何控制、怎样避免过度流程化。
什么时候检索，什么时候直接调用业务系统。
调用量、模型、存储、第三方、开发、运维、错误成本与风险缓冲。
本地 / 云端、环境变量、权限、监控、回滚、数据安全。
能读懂关键结构、测试、报错和修改方向。
给定业务量和方案，能做粗成本 / 架构取舍；能读懂并审查 AI 生成的小型系统。
| Discovery | 知道第一次会议问什么、为什么问。 |
| 业务流程还原 | As-Is、卡点、责任、数据、风险。 |
| Scope | 定义第一阶段做什么 / 不做什么。 |
| Solution Architecture | 规则、AI、工具、人如何协作。 |
| Prototype | 优先验证最大不确定性，而不是先做完整产品。 |
| Eval | 离线历史数据 → 模拟 → Shadow → 小流量试点。 |
| Deployment & Adoption | 真实使用、监控、人工接管、回滚。 |
| ROI / Playbook | baseline、时间、人力、转化、错误、AI 成本、扩大价值；沉淀 Skill / Agent / 模板 / 文档。 |
在引导式 Case 中完成一套完整闭环，关键步骤能说明“为什么这样做”。
Gate：新行业资料包下能快速学习并完成大部分任务；提示次数明显下降。
Gate：至少完成 1 个真实闭环：真实问题、真实使用、真实结果、可复现复盘。
Gate：能用证据解释做过什么、为什么做、结果如何，而不是只讲概念。
统一采用 7 步训练循环；只有第 6 步才进入正式评分，第 7 步把错误变成下一轮训练资产。
| 1 最小讲解 | 只讲解决当前能力所需核心概念，避免知识负担。 |
| 2 示范 | 导师完整演示一次思考过程和判断，让正确动作可见。 |
| 3 带练 | 一问一答；卡住立即纠偏，形成动作。 |
| 4 半独立 | 减少提示，只在关键点介入，检查是否脱离扶手。 |
| 5 迁移 | 换表面场景、保留底层结构，区分理解与记忆。 |
| 6 正式测评 | 陌生题、有限提示、记录过程和结果。 |
| 7 Bad Case 回流 | 把错误分类，安排专项复练，防止同类错误复发。 |
核心原则：不会 ≠ 弱。只有在“教过、练过、迁移过、复测过”之后，能力结论才有意义。
不同题表现差异很大时，记录“稳定性不足”，而不是取平均掩盖问题。
项目不依赖聊天记录生存。主文档、能力矩阵、训练日志、Bad Case、作品集证据共同组成长期训练记忆。
固定路线、能力定义、Gate、测评规则。只有结构性调整才升版本。
每项能力等级、证据样本、是否训练、稳定性、缺口。阶段测评后更新。
每次训练题、答案、关键纠偏、下一次任务。每次训练更新。
错误类型、触发条件、修正方法、是否复发。发现新错误即更新。
Demo、Eval、数据、截图、文档、复盘。从半真实项目开始持续积累。
训练系统重构阶段。Sales Agent Case 只保留为一次“早期观察样本”，不得作为正式能力评分依据。
先建立《能力矩阵 V1》和《底层认知基线题库》。题库以非行业、非专业知识场景为主，测逻辑、因果、信息、收敛、抽象、迁移、纠错与学习速度。
建立从零基础潜质到真实 FDE 闭环的主训练路线。
措辞、题型、例子等小修订，不改变阶段顺序。
只有发现前置依赖或能力模型存在结构性错误时升级。
任何新训练建议必须说明 Stage、能力、前置 Gate 与验收方式。