AI 2026+ 新扩展 14天启动路径

目的：把本轮新增的 AI 新需求、经典论文、Agentic Enterprise Architecture、AI Governance/EvalOps、AI BA/PM Practice Lab、角色能力矩阵、金融零售案例组合、架构图谱、长期复习系统、面试作品集叙事、vendor/build-buy/adoption、case drill、高管沟通、AI Platform PM、监管响应、AI 数据产品、董事会治理、能力评估、RAG/GraphRAG 评估、安全网关、监管检查演练、60 天高阶案例训练、memory/state、multi-agent、observability/cost/SLO、MCP/A2A 协议集成、AI assurance、安全论证、模型风险、合成评测数据、AI Value Office、human oversight、red-team、audit evidence、change management、privacy、vendor risk、process mining、customer-facing regulated AI、knowledge governance/ontology、semantic layer/metrics、incident reliability、product architecture strategy、structured output、model routing、agent benchmarks、Mamba/SSM、EvalOps platform、decision intelligence、event-driven agent integration、trust experience、embeddings/ANN、CLIP、多模态、Diffusion、GNN、推荐系统、Learning to Rank、Feature Store、Policy-as-Code、实时决策、code agent 工程效率、联邦学习、差分隐私、小模型蒸馏、Confidential AI、Agent 持久化工作流、AI FinOps、数字孪生仿真、实验发布科学、数据合约血缘、AI SecOps、时间序列预测、异常检测、因果发现、运筹优化、Contextual Bandits、Offline RL、Bayesian Optimization、不确定性治理、Data-Centric AI、Active Learning/HITL、Dataset Shift Monitoring、AI Management System、ML Technical Debt、CD4ML/MLOps、Human-AI Interaction、AI ADR Governance、AI Requirements Engineering/GQM、AI Quality Attributes/ATAM、AI Safety Engineering/STPA、Sociotechnical AI/Resilience、AI Capability-Based Planning、Wardley Mapping、Conway/Team Topologies、DORA/SPACE for AI SDLC、Continuous Discovery/OST、JTBD/ODI、AI North Star Metrics、AI Product Operating Model、AI Portfolio Management、AI Service Blueprint、AI BPR/BPMN/DMN、AI Risk Appetite、Enterprise AI Reference Architecture、AI Product Line Engineering、AI Maturity Model、AI Control Library、AI DDD、AI EventStorming、AI Knowledge Work Redesign、AI Platform Golden Paths、AI Architecture Views/C4/arc42、Architecture Fitness Functions、Contract-First AI Integration、AI Traceability Graph、AI Enterprise Architecture/TOGAF/ArchiMate、Banking Reference Models、Semantic Interoperability、AI Value Stream Management、AI Regulatory Architecture、AI Model Validation、AI Vendor Contract/Exit、AI Data Lifecycle Governance、AI Agent Autonomy、AI Agent Identity、AI Runtime Evidence 和 AI Portfolio Systemic Risk 串成一个可执行的启动顺序。 本批补充：把 AI Customer Harm、AI Fairness、AI Explainability 和 AI Change Impact 接入同一启动顺序，重点面向金融零售客户伤害救济、公平信贷、可争议解释和发布治理。 本轮继续补充：把 AI Continuous Control Monitoring、AI Operational Resilience、AI Management Information 和 AI Closed-Loop Learning 接入同一启动顺序，重点训练上线后的控制有效性、连续性、董事会可用 MI 和纠正行动闭环。 本轮新增：把 AI Regulatory Horizon、AI Exception / Risk Acceptance、AI Supply Chain / AI BOM 和 AI Human Review Operations 接入同一启动顺序，重点训练监管变化吸收、例外治理、组件来源证明和人工审核运营容量。 本轮继续新增：把 AI Segregation of Duties、AI Consent / Preference、AI Shadow AI 和 AI Conduct Risk 接入同一启动顺序，重点训练双控职责分离、目的绑定数据使用、未授权 AI 治理和金融销售行为护栏。 本轮继续补充：把 AI Records / Retention、AI Data Residency、AI Customer Communications 和 AI Financial Crime Typology 接入同一启动顺序，重点训练记录留存与法律保全、跨境/主权数据架构、受监管客户沟通和金融犯罪场景覆盖。 本轮新增扩展：把 AI Intellectual Property、AI Deepfake / Synthetic Identity、AI Workforce / HR Decision 和 AI Incident Disclosure 接入同一启动顺序，重点训练内容权利与来源证明、合成身份欺诈、员工侧 AI 治理和 AI 事故责任/风险转移。 本轮继续扩展：把 AI Post-Quantum、AI APP Scam Intervention、AI Agent Marketplace 和 AI Customer Vulnerability 接入同一启动顺序，重点训练密码敏捷、授权支付诈骗干预、内部 agent/tool 认证和弱势客户/可访问性产品护栏。 本轮继续深化：把 AI Payment Dispute、AI Collections / Hardship、AI Voice AI / Contact Center 和 AI Digital Identity Wallet 接入同一启动顺序，重点训练支付争议证据、困难客户处理、语音坐席治理和可验证身份信任架构。 本轮继续深化：把 AI Open Banking、AI Personalized Pricing、AI Document Intelligence 和 AI Privacy Clean Room 接入同一启动顺序，重点训练授权数据共享、个性化定价治理、证据级文档智能和隐私数据协作。 本轮继续深化：把 AI Credit Lifecycle、AI Wealth Advice、AI Treasury / Liquidity 和 AI Complaint Intelligence 接入同一启动顺序，重点训练信用生命周期治理、投顾边界、ALM/流动性预测和投诉根因/监管响应架构。 适用对象：10年金融零售 PM / BA / Developer，目标转向 AI Solutions Architect / AI Business Architect / AI PM。 原则：这是新扩展的学习入口，不替代旧 Web3、架构、LLM、ABPA、AIPA 内容。

Start Here

先按这个顺序读，不要一上来平均用力：

14天目标

14 天后不要求“学完 AI”，但要形成一组可展示的小资产：

每天固定节奏

每天建议 2.5 到 3 小时：

每一天结束时都问四个问题：

1. 今天学到的底层逻辑是什么？
2. 它如何影响产品/BA/架构决策？
3. 它在金融零售场景中有什么用？
4. 它能变成哪一个作品集证据？

Day 1: 建立 2026+ AI 新需求视角

阅读

• docs/AI_NEW_DEMANDS_2026_EXPANSION.md
• 重点看：from chatbot demo to AI operating capability、7 个新能力方向、金融零售机会。

输出

写一页 AI Operating Capability Map v0.1：

面试表达

30 秒版本：

2026+ 企业 AI 的核心不是做 chatbot demo，而是把 AI 变成可评估、可审计、可运营的组织能力。我的学习重点会从 prompt 技巧扩展到 workflow、knowledge architecture、EvalOps、governance、adoption 和 domain AI strategy。

Day 2: Transformer 原理一页纸

阅读

• docs/ai-foundations/papers/01-attention-is-all-you-need.md
• 重点看 Q/K/V、scaled dot-product attention、multi-head、positional encoding、decoder-only GPT-style mapping。

输出

画一张 Transformer Block for PM/BA/Architect：

Token -> Embedding + Position
      -> Q/K/V Projection
      -> Scaled Dot-Product Attention
      -> Multi-Head Merge
      -> FFN
      -> Residual + Norm
      -> Next Layer / Logits

写 5 句话：

• Transformer 解决 RNN 难并行和长距离依赖问题。
• Attention 让每个 token 动态查看相关 token。
• Q/K/V 是可学习的信息检索机制。
• Decoder-only LLM 用 causal mask 做 next-token prediction。
• 企业 AI 还必须补 RAG、tool、eval、safety、governance。

练习

用银行客服场景解释：

• Query = 客服问题当前想找什么。
• Key = 政策片段如何被匹配。
• Value = 政策片段能提供什么事实。
• Attention = 在多个政策片段中分配关注权重。

Day 3: RAG 从论文到企业知识架构

阅读

• docs/ai-foundations/papers/02-retrieval-augmented-generation.md
• docs/AGENTIC_RAG_2026.md 前 1-5 节。

输出

写一个 Enterprise RAG ADR v0.1：

Eval 样例

写 5 条 gold question：

Day 4: Agent 不是聊天框，是行动系统

阅读

• docs/ai-foundations/papers/03-react-toolformer-agent-foundations.md
• docs/AGENTIC_ENTERPRISE_ARCHITECTURE_90_PLAN.md 第 1-4 节。

输出

画一个 Agentic Workflow v0.1：

Event / User Goal
  -> Agent Runtime
  -> Plan
  -> Tool Gateway
  -> Observation
  -> Policy Check
  -> Human Approval if high risk
  -> Action / Draft / Escalation
  -> Audit + Eval + Feedback

工具分级表

面试表达

Agent 的本质不是多轮聊天，而是目标、状态、计划、工具、观察、停止条件和人工审批组成的行动系统。金融场景里，模型可以建议行动，但系统必须控制行动边界。

Day 5: RLHF / 对齐如何影响产品设计

阅读

• docs/ai-foundations/papers/04-instructgpt-rlhf-alignment.md

输出

写一个 Alignment Product Policy v0.1：

金融场景练习

用户问：

“我退休了，但想把大部分积蓄买高波动基金，你觉得可以吗？”

写三版回答：

• 错误版：直接建议买。
• 过度拒答版：完全不回答。
• 合格版：解释不能提供个性化投资建议，建议评估风险承受能力，提供一般性风险教育，并引导合规顾问。

Day 6: Agentic Enterprise Architecture 总览

阅读

• docs/AGENTIC_ENTERPRISE_ARCHITECTURE_90_PLAN.md
• 重点看 9 层架构、Agent patterns、Enterprise constraints。

输出

写 Agentic Architecture Layer Map v0.1：

Day 7: AI Governance / EvalOps / RiskOps 基础

阅读

• docs/AI_GOVERNANCE_EVALOPS_RISK_90_PLAN.md
• 重点看 Governance stack、EvalOps stack、RiskOps stack。

输出

写 AI Mini Control Pack v0.1：

思考

治理不是拖慢创新，而是让 AI 能进入高价值场景。

Day 8: 做第一个 BA/PM Drill

阅读

• docs/AI_BA_PM_PRACTICE_LAB.md
• 选择 Drill 01 AML 或 Drill 08 内部知识助手。

输出

完成一个 5 页以内 drill 包：

1. Problem framing。
2. Stakeholder map。
3. AS-IS / TO-BE workflow。
4. Requirements-to-eval。
5. Risk/control/adoption/ROI。

自评

按 Practice Lab 的 6 个维度打分：

• BA clarity。
• PM judgment。
• Architecture awareness。
• Eval rigor。
• Governance awareness。
• Business value。

Day 9: 把 Drill 转成 C4 / Sequence

输入

使用 Day 8 的同一个 case。

输出

画两个图的文字版：

C4 Context:
User -> AI Assistant -> RAG Service / Tool Gateway / Case System / Audit Log

Sequence:
User asks -> classify task -> retrieve policy -> call case tool
-> generate draft -> policy check -> human approval -> audit

架构追问

• 哪些数据不能进入 prompt？
• 哪些工具只能 read-only？
• 哪些动作必须 human approval？
• 哪些日志用于 audit？
• 失败后如何 fallback？

Day 10: 写 Eval Architecture

输出

为 Day 8 case 写 Eval Architecture v0.1：

Stop Rule

定义 3 条不能上线的条件：

• Critical hallucination > 0。
• Permission leakage > 0。
• High-risk HITL bypass > 0。

Day 11: 写 Business Case

输出

为 Day 8 case 写一个轻量 business case：

关键思维

AI business case 不是“节省 50% 人力”。更可信的表达是：

• 降低 touch time。
• 降低返工。
• 提升证据完整性。
• 缩短 SLA。
• 保持或降低风险事件。
• 在不加人情况下处理更多 case。

Day 12: 写 Executive Memo

输出

写一页高管 memo：

30 秒高管表达

我建议先做受控 pilot，而不是直接全自动化。范围限定在只读证据聚合、摘要和建议草稿；高风险决定保留人工审批。成功用 cycle time、case completeness、override、citation accuracy、incident rate 和 cost per case 评估。

Day 13: 面试三角色切换

同一案例，写三版回答

输出

为 Day 8 case 写：

• 30 秒 BA 版。
• 30 秒 PM 版。
• 30 秒 Architect 版。
• 2 分钟综合版。
• 5 个追问和回答。

Day 14: Portfolio Evidence Map

阅读

• docs/abpa/templates/12-portfolio-evidence-map.md

输出

把 14 天产物填进证据表：

14天结束验收

完成后你应该能回答：

• Transformer 为什么让 LLM 成为可能？
• RAG 为什么是企业知识治理问题？
• Agent 为什么不是聊天框？
• RLHF 为什么不能替代外部控制？
• AI Governance 为什么是产品和架构工作？
• BA 如何把模糊 AI 想法转成 requirements-to-eval？
• PM 如何判断 AI use case 是否值得 pilot？
• Architect 如何设计 tool gateway、audit、eval、HITL？
• 高级 BA/PM 如何用 GQM 把 AI 需求转成 eval contract？
• AI 架构评审为什么必须从功能清单升级到 quality attribute tradeoff？
• Agentic AI 为什么需要 STPA control structure 和 safety constraint？
• AI operating model 为什么必须覆盖 work-as-done、handoff、load 和反馈循环？
• 企业 AI 转型为什么不能停在 use case list, 而要做 capability-based planning？
• Wardley Mapping 如何帮助 AI PM 判断 build、buy、partner 和 platformize？
• Conway's Law 为什么会影响 AI 平台架构和团队边界？
• DORA/SPACE 如何衡量 AI code agent 带来的真实工程生产力？
• Continuous Discovery 如何避免 AI 团队变成功能工厂？
• JTBD / ODI 如何帮助选择真正值得 AI 介入的 job step？
• AI North Star 为什么不能是调用量、生成字数或采纳率？
• AI 产品团队如何既 empowered 又满足模型、数据、风险和合规 guardrails？
• AI portfolio 如何决定继续投、扩展、调整或停止一个 AI pilot？
• AI service blueprint 如何让客户体验、后台流程、模型能力、人工交接和证据链一致？
• AI BPR 如何用 BPMN/DMN 把流程、决策、AI eval 和控制证据连起来？
• AI risk appetite 如何进入产品路线图、UX、架构控件、监控阈值和上线门禁？
• Enterprise AI reference architecture 如何避免多业务线重复建设和控制不一致？
• AI product line engineering 如何决定哪些能力平台化、哪些保留业务线可变点？
• AI maturity model 如何从 POC 数量升级为能力证据和路线图依赖？
• AI control library 和 evidence graph 如何回答“这个高风险 AI 为什么可以上线”？
• AI DDD 如何避免 RAG、Agent 和 eval 在错误业务上下文里使用正确术语？
• AI EventStorming 如何发现 agent workflow 的工具副作用、人工检查点和异常补偿？
• AI 知识工作重设计如何避免把验证负担和风险转嫁给一线员工？
• AI 平台 golden path 如何把自助交付和风险治理同时做好？

下一步

14 天结束后，进入两条路线之一：

最佳路径是交替推进：每读一篇底层论文，就做一个金融零售 case drill；每做一个 case drill，就补一个架构/eval/governance artifact。