AI Advanced Case Drill Workbook 60 Days

定位：面向金融零售背景的 AI BA / AI PM / AI Architect 高阶案例训练营。它不是替代 30 天 workbook，而是在已有 case drill 肌肉记忆之上，训练复杂案例设计、架构评审、上线治理、董事会沟通和面试作品集表达。 使用方式：每天完成一个高阶 case drill，每周通过 evidence gate 验证是否真的掌握。60 天结束后，把产出收敛成 3 个 flagship case、6 个 mini case 和 1 套面试包。

---

1. 定位与承接关系

1.1 承接 30 天 Workbook

docs/AI_CASE_DRILL_WORKBOOK_30_DAYS.md 训练的是基础闭环：业务问题、AS-IS / TO-BE、BA 需求、PM 判断、架构草图、eval / risk / adoption、面试表达。30 天训练的目标是让你能独立完成一个 AI case drill。

本 60 天高阶版训练的是复杂度升级：

• 从单案例设计升级到跨案例组合管理：同一套治理、平台、eval 和 adoption 能力如何服务多个业务线。
• 从方案草图升级到可评审材料：每个 case 都要能进入 architecture review、risk review、pilot gate 或 executive decision。
• 从“能讲一个案例”升级到“能 defend 一个案例”：能回答 CTO、CRO、CFO、合规、数据治理、运营负责人和面试官的追问。
• 从 AI 功能设计升级到 AI operating model：上线后的监控、事故、变更、供应商、权限、成本、用户采用都要有责任人和证据。

如果 30 天 workbook 是基础训练，本文件是 advanced case gym：每一天都要产出可被追问的 artifact，而不是只写学习笔记。

1.2 承接 Financial Retail AI Case Portfolio

docs/FINANCIAL_RETAIL_AI_CASE_PORTFOLIO.md 提供金融零售 AI 案例库、架构模式、artifact bundle 和 interview storytelling playbook。本 60 天训练营把其中的案例拉成连续训练路径。

使用关系：

• Portfolio 文档提供 case source：AML、KYC、信贷、欺诈、客服、支付、财富、催收、商户风险、监管变更等。
• 本 workbook 负责训练节奏：每天指定 BA、PM、Architect、Eval/Governance 和面试表达输出。
• Portfolio 文档强调“每个案例能扩成 evidence pack”，本 workbook 强制每天留下 evidence，并在每周 gate 检查证据质量。
• Portfolio 文档中的 artifact bundle 是素材库，本 workbook 的第 50-60 天负责把素材打包成旗舰作品集。

1.3 承接 AI Capability Assessment Rubric

docs/AI_CAPABILITY_ASSESSMENT_RUBRIC.md 定义了 C1-C14 能力维度。60 天训练营用它作为评分体系，避免把“读完”误判为“掌握”。

映射方式：

本训练营的默认通过标准：不是“我读懂了”，而是“我能拿出 artifact，并能解释 trade-off、失败路径、上线 gate 和责任边界”。

---

2. 高阶训练原则

1. 不从模型开始，从 workflow、decision rights、evidence、controls 和 adoption 开始。
2. 每个金融关键决策默认 human-in-the-loop，AI 不直接闭环处理客户权益、资金、信贷、合规结论和高风险运营动作。
3. 每个 case 必须有 no-AI alternative，用来证明 AI fit，而不是默认上 AI。
4. 每个 AI 输出必须能被追溯：source、prompt/context version、model/provider version、reviewer、approval、audit log。
5. 每个 eval 必须有 release gate：低于阈值是降级、延后、重训、改流程还是停止。
6. 每周至少有一个 artifact 能被放进作品集，不追求数量堆砌。
7. 每周至少准备一个反对意见：合规不同意、数据不够、用户不用、成本超标、模型错了、供应商锁定、上线后漂移。
8. 训练输出要能按 BA、PM、Architect 三种身份切换表达。

---

3. 60 天结构

---

4. 案例覆盖地图

---

5. 每天任务表

每一天都要按同一张表完成输出。表中每个输出都应能落成 1 页 artifact、1 张矩阵、1 个 ADR、1 个 dashboard sketch 或 1 段面试话术。

---

6. 每周 Evidence Gate

每周 gate 的目标不是检查是否读完，而是检查是否能拿 evidence defend。没有证据的理解不计入通过。

Gate 评分方法

每周按 0-4 分评分：

---

7. 作品集转换

60 天输出很多，最终不要全部展示。作品集要像投资组合一样分层：3 个 flagship case 负责深度，6 个 mini case 负责广度，1 套面试包负责表达。

7.1 三个 Flagship Case

建议选择三个互补案例：

每个 flagship case 最终至少包含：

1. 一句话业务问题和 baseline。
2. AS-IS / TO-BE workflow。
3. AI fit 与 no-AI alternative。
4. MVP scope、roadmap、success metrics、stop rule。
5. Architecture：C4 或 sequence、data flow、permission、fallback。
6. Requirements-to-eval matrix，至少 10 条 eval case。
7. Risk/control register，包含 owner、trigger、preventive/detective/corrective controls。
8. Release gate、monitoring dashboard、incident/rollback path。
9. Executive memo：decision requested、options、recommendation、risk、next evidence。
10. 30 秒、2 分钟、8 分钟面试版本。

7.2 六个 Mini Case

Mini case 不追求全量深挖，而是证明你有广度和迁移能力。建议组合：

每个 mini case 保持 1 页：

• business problem。
• AI fit。
• MVP。
• 1 个关键架构图或文字架构。
• 3 个核心 eval / control。
• 1 个业务指标。
• 30 秒面试版本。

7.3 一套面试包

面试包建议按岗位视角组织，而不是按学习顺序组织：

---

8. 复盘模板

8.1 Weekly Review

每周用以下问题复盘，不以完成天数作为主要结论：

8.2 Capability Gap Review

每两周做一次能力缺口复盘：

8.3 Next Artifact 选择规则

下一份 artifact 不按兴趣选，按证据缺口选：

1. 如果 case 没有 baseline，先写 problem memo。
2. 如果 case 没有流程，先画 AS-IS / TO-BE。
3. 如果 case 没有上线门槛，先写 requirements-to-eval matrix。
4. 如果 case 没有风险责任人，先写 control pack 和 RACI。
5. 如果 case 讲不清技术边界，先写 architecture ADR。
6. 如果 case 已完整但讲不顺，先写 30 秒、2 分钟和 deep dive。
7. 如果多个 case 重复相同能力，选择最能展示金融零售复杂性的一个升级为 flagship。

---

9. 面试表达

9.1 30 秒版本

结构：

我做过一个 [金融零售场景] 的 AI case 设计。
业务问题是 [具体流程] 中的 [baseline pain]。
我没有让 AI 直接做 [高风险决策]，而是把它放在 [可控 workflow point]。
方案包括 [AI pattern]、[eval]、[controls] 和 [adoption path]。
价值指标是 [business metric]，风险通过 [human oversight / audit / release gate] 控制。

示例：

我做过一个支付欺诈告警优先级 AI case。问题是 fraud ops 要在误报和漏报之间平衡，误拦截会伤害客户，漏报会造成损失。我的方案没有让 AI 自动冻结账户，而是把它放在证据汇总、风险因素解释和 analyst action recommendation 环节。上线前用 shadow mode 比较 missed fraud、false positive release time 和 analyst agreement，并通过 action-agency 分级、人工确认和 audit trail 控制风险。

9.2 2 分钟版本

结构：

1. Context：业务线、用户、监管敏感点、现有损耗。
2. Role：你从 BA、PM、Architect 哪个角度切入，负责什么判断。
3. Decision：为什么选择 AI-assisted，而不是 no-AI、纯规则或全自动 agent。
4. Design：流程、数据、架构、eval、controls、adoption。
5. Metrics：业务、质量、风险、采用、成本五类指标。
6. Reflection：最大的风险、反对意见和你的处理方式。

表达要点：

• BA 版本强调 stakeholder、AS-IS / TO-BE、rules、exceptions、acceptance。
• PM 版本强调 MVP、ROI、success metric、pilot、stop rule、adoption。
• Architect 版本强调 data flow、permission、context、tool boundary、observability、fallback。
• Risk 版本强调 human oversight、audit、control owner、incident、residual risk。

9.3 Case Deep Dive

8 分钟 deep dive 使用以下顺序：

Deep dive 的质量标准：

• 能主动说出不做什么。
• 能说出一个真实失败路径。
• 能说出一个阈值失败后的降级方案。
• 能回答“如果数据质量差怎么办”。
• 能回答“如果用户不用怎么办”。
• 能回答“如果供应商模型变了怎么办”。

9.4 Behavioral Story

行为面试不要只讲“我做了方案”，要讲你如何推动复杂组织达成可控决策。建议使用 STAR-L：

Situation：当时是什么业务场景，为什么复杂。
Task：你需要解决什么问题，约束是什么。
Action：你如何定义问题、协调利益相关方、做取舍、建立证据。
Result：产出什么 artifact、影响什么指标、推动什么决策。
Learning：如果重做一次，你会如何更早发现风险或更好推动 adoption。

六类故事建议：

---

10. 最终自检清单

60 天结束时，用以下清单判断训练是否真正完成：

最终目标不是堆满 60 天材料，而是形成这条可被面试和真实项目复用的能力链：

financial retail experience
  -> business problem and workflow evidence
  -> AI fit and no-AI boundary
  -> product strategy and pilot gate
  -> architecture and context boundary
  -> eval and release threshold
  -> risk controls and operating model
  -> executive decision and board narrative
  -> interview story and portfolio proof