第一组的项目方向，聚焦一级股权投资建议书与尽调文档自动化流水线。

作为组长，长期从事一级股权投资工作的张利英，最初希望解决的是尽调流程中的大量重复性工作。“企业给你的材料，经常是一整个文件夹直接丢过来。”但在实际业务中，从项目筛选、企业尽调，到立项报告、投决材料生成，需要处理大量非标准化资料。财务、法务、行业材料格式各异，很多内容至今仍依赖人工整理。

因此，训练营刚开始时，第一组便希望尝试利用AI完成尽调流程中的资料整理、风险提取与报告生成。最初，团队甚至想把整个尽调流程全部自动化。

但真正开始做之后，大家很快发现，现实远比想象复杂。

数据格式不统一、PDF难以读取、外部数据库无法直接调用、不同机构之间的信息口径不一致……很多过去依赖经验完成的工作，当真正尝试交给AI时，才发现背后其实隐藏着大量需要被重新拆解的流程。

“后来我们没有推翻重来，而是在不断调整边界。”张利英提到，这门课对他们最大的帮助，并不是某一个技术工具，而是第一次开始系统性梳理自己的业务逻辑。

课堂上，老师反复强调“工作流拆解”和“任务结构化”，助教团队也会帮助大家一起梳理：哪些步骤可以标准化、哪些环节需要人工判断、哪些地方必须增加验证机制。“以前很多工作其实是经验驱动的，你知道怎么做，但未必能讲清楚。真正开始做AI以后，我们才意识到：只有把流程拆得足够清楚，AI才有可能帮你完成。”

同组组员张娜也提到，在项目推进过程中，大家逐渐意识到：AI真正困难的部分，并不是模型，而是业务本身。

组里有人做一级市场、有人做合规、有人做投顾、也有人做研究。虽然背景不同，但最后发现，大家其实都在解决同一个问题：如何利用AI完成资料收集、快速整理、风险控制与辅助决策。

目前，小组已经逐步跑通客户尽调、市场热点提取、历史回测等多个环节，但大家也第一次真实意识到，数据本身才是AI落地中最难的一环。为了测试系统是否真的能跑通，小组甚至还自己购买了部分数据源。

而对很多组员来说，这门课最大的变化，是开始重新理解自己的工作方式。“以前是人适应流程，现在我们会开始思考：哪些流程，其实应该被重新设计。”

第四组聚焦复杂金融衍生品合同解析与量化分析系统。

作为组长，娄腾飞最初关注的，并不是“模型有多强”，而是AI能否真正理解金融衍生品场景中的复杂规则。在他看来，金融衍生品业务本身涉及大量非标准化合同、复杂条款与动态数据，而AI真正能否落地，很大程度上取决于业务规则是否被拆解清楚。因此，第四组从一开始，就不仅仅是在“做一个工具”，而是在尝试重新梳理整个业务流程。

组员李晓坤本身拥有互联网研发与架构背景，在团队中更像一个“翻译官”。他发现，很多同学最开始对于AI都有一种理想化想象：觉得一句Prompt，就能让AI把很多事情自动完成。但真正进入项目后，大家很快发现，现实中的业务远没有那么简单。

“实际工作里，根本不存在一句话就能描述清楚的需求。”比如有人希望AI自动完成数据汇总与PPT生成，但真正推进后才发现，背后其实需要先完成SOP梳理、数据来源定义、规则建立和流程拆解。

而这些，也恰恰是课程里反复强调的部分。训练营并没有停留在“教大家怎么用工具”，而是不断逼着大家重新回到真实业务：

• 问题到底是什么？
• 流程能不能被拆解？
• 哪些步骤需要验证？
• 哪些地方必须保留人工判断？

后来，李晓坤甚至专门给组内做了两次次分享。从Demo到真正上线，中间还需要面对稳定性、安全性、成本、模型选择等大量现实问题。“我其实是想给大家泼一点冷水。”但也正是在这个过程中，第四组很多同学第一次真正意识到：AI并不是替代业务，而是倒逼大家重新理解业务本身。

第六组的项目，来自上市公司董秘工作中的真实场景。

作为组长，赵慧希望解决的是上市公司信披与投资者问答中的大量重复性工作。“很多上市公司，其实董秘、投关、信披这几个岗位会有很多交叉。”在她看来，这些工作本身具有较强结构化特点，因此非常适合AI介入。

目前，小组重点围绕两个方向展开：一个是基于上市公司公开信息的投资者问答系统；另一个则是基于历史公告与规则要求生成信披报告草稿。

但真正开始做之后，小组很快遇到了现实挑战。大量上市公司公告都是PDF格式，而PDF里的图表、图片、表格，并不能被大模型直接理解。“真正难的是信息读取。”赵慧提到，仅仅是PDF识别与知识库搭建，就已经远比想象复杂。

而训练营课程里关于知识库、Prompt设计、多智能体协作的内容，也开始真正进入项目实践。

组员黄子涛提到，第一节课的时候，大家甚至连开发环境都没装成功。后来，在助教支持下，大家一点点调试、摸索、重新搭建流程。很多同学第一次真正意识到：原来AI系统背后，并不是一个聊天窗口，而是一整套工作流与系统逻辑。

目前，小组已经逐步完成了智能问答系统的整体框架，但新的问题也不断出现。OCR识别效率、知识库读取速度、PDF解析稳定性……几乎每一步都在不断调试。

“其实训练营最真实的一点是，没有人一开始就会。”很多时候，大家都是边学边做，甚至边崩溃边调试。

但也正因为如此，第六组很多同学才第一次真正开始理解AI系统背后的运行逻辑。

第七组的方向，来自私人银行业务中的真实需求。

组长黄婧伟来自招商银行私人银行业务。她最初想解决的，是高净值客户服务中的几个核心问题：如何在见客户前快速完成公开信息搜集；如何整理客户需求；如何把客户画像与复杂金融产品体系进行匹配。

“AI最强的能力，其实是数据检索和信息处理。”过去，这些工作往往需要大量人工完成。而如果未来能够通过本地化部署智能体，不仅能够提升效率，也能够兼顾金融行业对于数据安全与隐私保护的要求。

随着课程推进，第七组逐渐发现，大家已经不只是“围绕一个项目在做”。大家开始不断把课程里的内容，代入自己的真实工作场景。无论是Prompt结构设计、多智能体协作，还是工作流拆解，很多同学都开始尝试把这些方法真正放进自己的业务流程。

努力修复bug

“大家其实是一边做项目，一边重新理解自己的工作。”组员徐文瀚则提到，他最初报名训练营时，只是想“系统学习一下AI”。但真正开始做以后，他发现AI很快从“工具”变成了一种新的工作能力。“以前可能只是把AI当搜索引擎，现在已经开始真正把它应用到工作中了。”他甚至还给女儿做了一款小游戏试手。

徐文翰给女儿做的游戏

过去两个月里，他和团队已经利用AI搭建了多套数据看板，用于公司内部绩效管理与合作方数据展示。甚至，他还主动帮团队成员安装AI开发环境。

“现在基本每天都会打开AI工具。”在他看来，最大的变化，并不是学会了某一个工具。而是开始重新思考：未来哪些事情应该交给AI做，哪些事情仍然需要人来判断。

第九组聚焦慈善信托与泛财富管理业务中的运营场景，作为组长，谢悦最初关注的，是慈善信托业务中大量重复、复杂却又高度依赖人工的运营流程。从客户画像、合同文本，到备案材料与后续信息披露，整个流程涉及大量结构化与非结构化数据。

“很多时候，真正消耗人力的，其实是大量重复性的运营工作。”

因此，第九组希望搭建一个覆盖客户画像生成、方案设计、合同审核、数据检测与信息披露的全流程运营系统，通过AI重新梳理整个业务流程。

但真正开始推进之后，大家很快发现，这并不是简单做几个Agent那么容易由于整个系统涉及大量子任务，小组内部甚至一度讨论过是否要缩减项目范围。

“因为工作量确实远超预期。”但最终，大家还是决定保留完整系统框架。“本着多做多学的心态，我们还是想看看，它到底能做到什么程度。”许可提到，课程真正带来的变化，并不只是“学会使用AI”，而是开始建立一种系统化思维。

随着项目推进，课堂里关于Agent协作、流程设计、系统拆解的内容，也开始真正进入大家的业务场景。

过去，很多同学对AI的理解，其实更多停留在单点工具层面。但现在，大家开始真正思考：如何让多个智能体协同工作；如何把AI嵌入整个运营流程；以及，哪些环节仍然需要人做最终判断。

一位银行背景的组员提到，在参加训练营之前，他一直把AI理解为“办公软件升级版”。但真正参与项目之后，他第一次意识到：未来很多岗位，也许不再需要大量“执行者”，而更需要“会指挥AI的人”。“以前是自己干活，现在更像是在训练一个数字员工。”

另一位拥有行长秘书工作背景的组员也提到，现在已经开始主动思考：哪些标准化工作可以交给AI完成；哪些事情仍然需要人做判断。“AI真正改变的，可能不是效率，而是工作方式本身。”