高校AI实训｜AIGC基础应用——某本科高校
近日，TsingtaoAI教研团队为某本科高校交付AIGC基础应用实训。TsingtaoAI 此次交付的高校 AIGC 实训，首创“通识底座 + 垂直实战”双轨体系，直击高校教学与产业应用脱节痛点。通识模块 18课时，摒弃晦涩原理，聚焦 0 代码智能体开发与提示词工程，利用 Dify、Coze 等前沿工具实现“所学即所用”，让学生快速构建 Web 应用与个人助手，紧跟 Agent 技术浪潮。设计专业模块另设 16 课时，深度融合 MidJourney、Stable Diffusion 与设计思维，落地文旅 IP 等商业化案例，强化创意变现能力。
实训制作严格执行验收标准，单课 20-25 分钟 4K 录播，版权合规，确保“知识输入 - 实践操作 - 能力输出”教学闭环。从环境零配置到项目交付，全流程标准化。这不仅是一次工具培训，更是面向产业需求的技能重构，旨在培养能直接驾驭 AI 工作流的复合型人才，为高校 AIGC 教育树立新标杆，真正实现教育与行业的无缝衔接。
实训样例
实训方案
| 实训领域 | 实训模块 | 课时 | 实训主题 |
| 通用底座 | AI发展概述 （5课时） |
1 | AI的概念与发展历史 |
| 2 | AI的主要技术基石(可调整) | ||
| 3 | AI典型应用与经典模型(可调整) | ||
| 4 | 人工智能法律与伦理(可调整) | ||
| 5 | AI的发展现状与未来展望 | ||
| AIGC技术原理 (4课时） |
6 | 智能语音与自然语言处理 | |
| 7 | 神经网络系统(可调整) | ||
| 8 | 机器学习概述 (可调整) | ||
| 9 | 深度学习概述(可调整) | ||
| AIGC提示词学习与进阶（2课时） | 10 | 提示词基本概念和常用框架 | |
| 11 | 提示词的进阶技巧 | ||
| AIGC工具认知拓展/简单应用实操 （4课时） |
12 | 【通义千问+GPT5/Deepseek】驱动的智能文案实战：从用户洞察到爆款内容一键生成 | |
| 13 | 【LibLib + 堆友】AI视觉设计实战：从提示词到高精度图像的完整创作流程 NanoBanana |
||
| 14 | 【即梦+ Pic+ 剪映AI】短视频自动化生产项目：从图文到电影感视频的一键合成 SoRa2 |
||
| 15 | 扣子（Coze）实战：AI智能助手与自动化Agent开发项目实操 | ||
| 智能体原理与技术 | 16 | 智能体基础理论 | |
| 17 | 智能体设计与开发 | ||
| 18 | 智能体应用与实践 |
| 课时 | 课题 | 核心内容（仅讲 “怎么用”，隐藏原理） | 学习目标（可落地、能验证） | 实践环节（轻量化、2 步内完成） |
| 1 | 第一课：AI 帮你 “秒变” 开发者 | 1. 0 代码痛点：不会写、看不懂、怕报错；2. AI 3 大核心用法：写代码、解疑惑、做应用（无需理解技术）；3. 5 分钟体验：用通义千问生成 “我的第一个程序”（直接复制运行） | 1. 知道 AI 能帮自己做 2 件事（生成程序、解决问题）；2. 成功运行第一段 “自己的程序” | 1. 打开课程专属通义千问链接，复制提示 “生成一个能打印‘我是开发者’的 Python 代码，可直接运行”；2. 粘贴到课程专属在线 Python 编辑器，点击 “运行” 看到结果 |
| 2 | 第二课：让 AI 精准听懂你的需求 | 1. 小白避坑：模糊提示（“写个计算器”）→ 清晰提示（“用 Python 写加法计算器，输入 2 个数，输出和，可直接运行”）；2. 万能提示公式：做什么（功能）+ 怎么用（输入输出）+ 要求（可运行） | 1. 记住 “功能 + 输入输出 + 可运行”3 要素；2. 能写出让 AI 一次生成可用结果的提示 | 1. 套用公式改写提示：“写个 todo 清单”→“用 Python 写一个能添加 3 条 todo 的程序，直接打印结果”；2. 复制代码到在线编辑器运行，看到 todo 列表 |
| 3 | 第三课：AI 避坑指南：不做 “伸手党” | 1. AI 常见问题：生成的代码跑不了（语法错）、说假话（幻觉）；2. 2 个验证技巧：点击 “运行” 看结果、用 AI 自查（提示 “检查这段代码是否能运行，有错误就修复”） | 1. 能识别 “代码报错” 的简单信号（如红色提示）；2. 会用 AI 自查代码错误 | 1. 让 AI 生成 “读取 Excel 的代码”，复制到编辑器运行（会报错）；2. 复制报错信息 + 代码，让 AI “修复后再给可运行的代码”，再次运行验证 |
| 4 | 第四课：常用 AI 工具一键上手 | 1. 2 个核心工具：课程专属在线 Python 编辑器（无需安装）、通义灵码（VS Code 插件，一键补全）；2. 工具使用流程：打开→粘贴提示→复制结果→运行 | 1. 熟练使用在线编辑器（打开、粘贴、运行 3 步）；2. 会安装通义灵码插件 | 1. 用在线编辑器运行 “打印 1-10 数字” 的代码；2. 按课程截图指南，在 VS Code 中安装通义灵码，输入 “for i in range (10):” 让 AI 补全代码 |
| 5 | 第五课：用 AI 写简单函数（如计算器） | 1. 目标：生成 “能直接运行的简单函数”；2. 实操步骤：复制课程提示模板→修改关键信息→AI 生成→运行 | 1. 会用模板生成 “加法、减法” 等简单函数；2. 能修改函数中的数字 / 逻辑 | 1. 复制模板：“用 Python 写一个计算长方形面积的函数，输入长和宽，输出面积，可直接运行”；2. 运行代码，输入 2 和 3，验证输出 6 |
| 6 | 第六课：用 AI 理解代码（不用懂原理） | 1. 目标：看不懂的代码让 AI “翻译成大白话”；2. 万能提示：“用小学水平的话解释这段代码，告诉我运行后会输出什么” | 1. 会用提示让 AI 解释代码；2. 能预判代码运行结果 | 1. 复制课程提供的代码：“a=5; b=3; print (a*b)”；2. 用提示让 AI 解释，再运行代码验证预判是否正确 |
| 7 | 第七课：用 AI 修报错（小白 debug 神器） | 1. 报错处理 3 步：复制报错信息→粘贴代码→提示 “修复这段 Python 代码，给出可运行版本”；2. 常见报错示例：少冒号、拼写错误（课程提供案例） | 1. 掌握 “复制报错 + 贴代码” 的 debug 流程；2. 能让 AI 修复简单报错 | 1. 复制错误代码：“print ('Hello') # 少冒号”；2. 粘贴到 AI，获取修复后代码，运行验证 |
| 8 | 第八课：小实战：AI 帮你做 “数据统计” 小程序 | 1. 目标：生成 “统计数字列表的平均值” 程序；2. 流程：AI 生成→复制运行→修改数据（如把 [1,2,3] 改成 [4,5,6]） | 1. 能生成简单数据处理程序；2. 会修改程序中的数据 | 1. 提示 AI：“用 Python 写一个统计列表平均值的程序，输入 [10,20,30]，输出平均值，可直接运行”；2. 修改列表为 [50,60,70]，重新运行看结果 |
| 9 | 第九课：API 入门：从网上 “拿” 数据（不用懂 HTTP） | 1. 通俗讲 API：“别人做好的免费数据接口，用代码就能直接拿”；2. 实操：复制课程提供的 “拿数据代码”→点击运行→看到结果 | 1. 知道 API 能 “拿免费数据”；2. 会复制粘贴代码获取数据 | 1. 复制课程提供的代码（调用公开天气数据 API）；2. 粘贴到在线编辑器运行，看到返回的天气信息（不用理解代码意思） |
| 10 | 第十课：JSON 数据：怎么 “提取” 有用信息 | 1. 通俗讲 JSON：“数据的‘打包盒’，按关键词就能拿东西”；2. 实操：复制 “提取代码”→修改关键词（如把 “temp” 改成 “city”） | 1. 会用现成代码提取 JSON 中的 1 个数据；2. 能修改关键词获取不同信息 | 1. 复制课程提供的 “JSON 提取代码”（含天气数据）；2. 按提示把 “temp” 改成 “wind”，运行看到风力信息 |
| 11 | 第十一课：5 分钟搭 Web 页面：不用写 HTML/CSS | 1. 工具：课程专属 “Web 模板生成器”（浏览器打开）；2. 实操：选择模板（如 “数据展示页”）→输入标题（如 “我的天气小程序”）→点击 “生成”→下载文件 | 1. 会用模板生成 Web 页面；2. 能修改页面标题和文字 | 1. 打开课程专属 Web 模板生成器；2. 选择 “聊天页面” 模板，输入标题 “我的 AI 聊天”，点击生成并下载 |
| 12 | 第十二课：Web 小程序实战：AI 聊天网页 | 1. 目标：把 AI 聊天功能放到自己的 Web 页面；2. 流程：下载课程提供的 “前后端模板包”→替换 API 密钥（课程提供测试密钥）→双击 “启动程序”→打开网页聊天 | 1. 能运行自己的 AI 聊天网页；2. 会在网页中输入问题并得到回复 | 1. 下载模板包，按文档提示替换 API 密钥（复制粘贴即可）；2. 双击 “启动.bat”，打开浏览器访问 “localhost:5000”，输入 “你好” 看到 AI 回复 |
| 13 | 第十三课：RAG 入门：让 AI 读懂你的文档（零部署） | 1. 通俗讲 RAG：“给 AI 喂资料，它只按资料回答，不瞎编”；2. 工具：课程专属 Dify 链接（无需注册）；3. 实操：上传文档（如课程大纲）→提问→看答案 | 1. 知道 RAG 能 “让 AI 学自己的资料”；2. 会上传文档并提问 | 1. 打开课程专属 Dify 链接，上传 “我的笔记.txt”（随便写 3 句话）；2. 提问 “笔记里第一句话是什么”，验证 AI 能正确回答 |
| 14 | 第十四课：智能体：让 AI 自己 “用工具” | 1. 通俗讲智能体：“AI 遇到不会的问题，会自己调用工具（如计算器、查资料）”；2. 实操：打开课程专属 “计算器智能体”→输入数学题→看 AI 自动计算 | 1. 知道智能体能 “调用工具解决问题”；2. 会用现成智能体做计算 / 查资料 | 1. 打开课程专属计算器智能体链接；2. 输入 “123×456”，看到 AI 自动算出结果；3. 输入 “笔记里的第二句话”，看到 AI 自动查文档回答 |
| 15 | 第十五课：零代码搭建自己的智能体 | 1. 工具：课程专属 Dify 可视化平台；2. 实操步骤：选择 “智能体模板”→添加工具（计算器）→上传文档（如个人简历）→保存→测试 | 1. 会用模板搭建 “文档问答 + 工具调用” 智能体；2. 能测试智能体是否正常工作 | 1. 打开 Dify 平台，选择 “课程助手” 模板；2. 上传自己的课程笔记→添加计算器工具；3. 提问 “笔记里的第三句话是什么”“36×78=？”，验证智能体回答正确 |
| 16 | 综合实战：交付属于你的 2 个应用 | 1. 任务 1：完善自己的 AI 聊天 Web 小程序（修改页面标题、添加欢迎语）；2. 任务 2：搭建 “个人助手” 智能体（上传简历 + 添加计算器工具）；3. 验收：能正常使用 2 个应用并分享给同学 |
实训技术专家
代老师 AI技术专家 | 能源领域AI Agent专家
30岁博士，拥有3年AI技术经验，专注于大语言模型在能源领域的应用。主导AI大模型落地项目，精通提示词工程、RAG、Multi Agent调度等技术，成功将大语言模型与业务流程结合，实现生产级应用。具备扎实的数学优化基础和系统工程能力，擅长复杂系统建模与算法开发。
西安交通大学 | 博士 | 控制科学与工程（系统工程）
-
国家重点实验室，管晓宏院士团队，导师高峰教授
-
26岁获得工学博士学位
-
博士期间聚焦企业能源管理，发表ESI高被引论文1篇
西安交通大学 | 本科 | 钱学森实验班（自动化）
-
高考全省507名，专业前10%，本科直博
-
学习所有工科专业基础课程，适应高强度淘汰机制
图迹信息科技有限公司 | AI技术专家
-
担任数据分析部副部长，主导公司AI大模型落地应用，负责技术框架设计
-
设计能源领域AI Agent智能体，完成技术调研、框架设计、效果测试、优化、本地部署及上线演示全流程
-
应用AI 2.0技术栈：
-
✅ Prompt Engineering
-
✅ RAG）
-
✅ Multi Agent调度系统
-
✅ 工作流设计与优化
-
-
核心技术突破：解决大语言模型与细分业务流程精准匹配难题，项目满足生产落地要求
-
基于Agent成果，制定公司多Agent架构产品规划，推动复杂业务场景的AI化转型
宁波工程学院机器人学院 | 高校讲师
-
教授《工业互联网》《微机原理》等课程，具备技术培训能力
-
科研项目：人工智能—大语言模型研究、电动交通工具储能化V2G研究
-
指导学生获浙江省智能机器大赛、全国大学生节能减排比赛奖项
核心项目经历
图迹AI智能体项目 | 主要负责人
-
设计能源领域AI Agent智能体，实现细分业务自动化
-
关键技术细节：
-
构建RAG+Multi Agent调度框架，提升业务流程处理效率
-
通过提示词工程优化大语言模型输出准确性
-
设计多阶段工作流，解决能源业务场景的动态决策问题
-
-
成果：项目成功上线，支持公司能源大数据分析与调度业务落地
绿色制造企业能源与生产协调随机优化调度
-
国家自然基金项目，依托大型钢铁集团
-
创新性将员工电动汽车V2G接入企业电网，建立两阶段整数鲁棒优化模型
-
设计算法提升求解效率10倍，降低企业能源成本70万元/天
-
发表4篇论文
发表论文
-
Dai S, Gao F, Guan X, et al. Robust Energy Management for a Corporate Energy System With Shift-Working V2G[J]. IEEE Transactions on Automation Science and Engineering, 2020. （ESI高被引）
-
Dai S, Gao F, Liu K, et al. A Time-domain Decoupling Policy for Multi-stage Robust Scheduling in a Corporate Energy System with V2G [C]. IEEE CASE, 2019.
-
Dai S, Gao F, Guan X, et al. A Two-stage Robust Scheduling Model for Energy Intensive Corporation with Shift-work System and V2G Integrated Microgrid [C]. IEEE PES General Meeting, 2018.
-
Dai S, Gao F, Cheng X, et al. Basis Invariancy Sensitivity Analysis for Robust Linear Optimization [C]. CCC, 2018.
-
代世豪, 高峰, 董皎皎, 等. 一种采购运输统一优化模型及多变量灵敏度分析 [C]. 中国控制会议, 2015.
李老师 TsingtaoAI AI大模型研发经理
TsingtaoAI大模型研发经理，是一位深耕后端架构并成功转型 AI 尖端领域的复合型专家。他拥有深厚的工程架构底座，擅长将复杂的 LLM 技术转化为具备高商业价值的 AI 应用。
在加入 TsingtaoAI 之前，李老师曾先后任职于亚信科技、美的集团及金蝶等知名领军企业 。这种从大型系统开发到大模型应用的跨界履历，赋予了他独特的“技术+产品”双向思维 。在后端开发阶段，他曾主导过复杂供应链系统的重构与大规模并发处理，通过 Redis+Lua 脚本解决分布式锁难题，利用 EasyExcel+线程池 优化百万级物料数据入库 。这些极具挑战性的工程实践，为他后续在处理大模型预训练数据清洗、向量数据库检索性能优化方面奠定了坚实的底层基础。
作为 TsingtaoAI 的核心技术带头人，李老师专注于 Generative AI技术的工程化落地：
模型精调与优化： 负责基于 Transformer 架构的大模型微调工作，精通 LoRA、P-Tuning 等轻量化参数微调策略，成功将垂域知识注入通用大模型，显著提升了模型在工业、供应链场景下的任务达成率。
RAG 架构专家： 结合其在美的及金蝶期间处理海量业务数据的经验 ，他主导设计了 TsingtaoAI 的企业级知识库 RAG系统，解决了大模型在实际应用中的“幻觉”问题，实现了业务数据与生成式 AI 的深度耦合。
工程化协同： 凭借敏锐的敏捷开发经验（DevOps/YApi/Git） ，他搭建了一套高效的 LLMOps（大模型运维）体系，缩短了从模型实验到 API 部署的周期，极大提升了 AI 产品的迭代效率。
关于TsingtaoAI
TsingtaoAI致力于构建国际领先的工业具身智能技能任务开发平台。公司核心团队汇聚了来自顶尖院校与科技巨头的技术专家，拥有深厚的AI Infra与机器人算法积淀。公司通过自研的通用PoC实验底座与多模态Agent编排引擎，为工业制造、高校实训等场景提供从数据生成、算法训练到即时部署的全栈解决方案。TsingtaoAI具备专业的AI实训教研团队，可以为各类高校提供专业前沿的实训建设服务
