AI 底层逻辑与经典论文解读计划

2026-06-30 readability reset: 本文件保留完整论文批次和底层机制说明，但学习顺序以 docs/AI_SYSTEMATIC_LEARNING_ROADMAP_2026.md 为主。不要把下面 45 批理解成必须线性读完；它们是知识库索引和深读清单。

系统化读法

第一遍学习不要逐批追全量覆盖。先按能力模块读：

本表为 docs/AI_SYSTEMATIC_LEARNING_ROADMAP_2026.md 第 3 节模块表（单一事实源）的视图，如有出入以路线图为准；模块外 24 篇选读池见路线图 3.3。

每篇论文解读第一遍只读四类内容：

1. 核心问题：这篇到底解决什么问题。
2. 机制直觉：用自己的话解释，不背公式。
3. 架构映射：它如何影响 RAG、Agent、Copilot、Eval、Governance。
4. 金融零售案例：它在 AML、KYC、支付、信贷、客服、合规中的位置。

角色化表达、ADR、练习计划和长 checklist 是第二遍/第三遍材料，不是第一遍主线。第一遍要先建立机制、架构和证据判断。

精读入口：docs/ai-foundations/README.md 第一批论文解读：Transformer、RAG、ReAct/Toolformer、InstructGPT/RLHF。 第二批论文解读：CoT/Self-Consistency、LoRA/PEFT、推理优化、LLM-as-Judge/Evals。 第三批论文解读：MoE/Sparse Scaling、Scaling Laws/BERT/GPT/T5 预训练范式。 第四批论文解读：DPO/Constitutional AI/Preference Optimization、Tool Use Security/Prompt Injection。 第五批论文解读：RAG Evaluation/RAGAS/Retrieval Metrics、GraphRAG/Knowledge Graph RAG。 第六批论文解读：Generative Agents/Memory/Reflection/Planning、AutoGen/Multi-Agent Orchestration。 第七批论文解读：Tree of Thoughts/Planning Search、Self-RAG/CRAG/Agentic Retrieval、AgentBench/τ-bench、Mechanistic Interpretability/SAE。 第八批论文解读：Long Context/Lost in the Middle/RULER、DSPy/OPRO/Automatic Prompt Optimization、Reflexion/Self-Refine、Process Supervision/Step-by-Step Verification。 第九批论文解读：Structured Output/Constrained Decoding、Model Routing/Semantic Cache、SWE-bench/WebArena/OSWorld、Mamba/State Space Models。 第十批论文解读：Embeddings/ANN/Vector Search、CLIP/Multimodal Embeddings、Diffusion/Latent Diffusion、Graph Neural Networks/GNN。 第十一批论文解读：Recommender Systems、Learning to Rank/LambdaMART、Feature Stores/Real-Time ML、Zanzibar/Cedar/OPA Authorization。 第十二批论文解读：Federated Learning/FedAvg、Differential Privacy/DP-SGD、Knowledge Distillation/Small Models、Durable Execution/Agent Workflow。 第十三批论文解读：Digital Twin/Simulation、Online Experimentation/CUPED、Data Lineage/Contracts、AI Security Operations。 第十四批论文解读：Time-Series Forecasting、Anomaly Detection、Causal Discovery、Optimization / Operations Research。 第十五批论文解读：Contextual Bandits、Offline Reinforcement Learning、Bayesian Optimization、Calibration / Conformal Prediction。 第十六批论文解读：Data-Centric AI / Snorkel、Active Learning / HITL、Dataset Shift / Drift Monitoring、AI Management System / ISO 42001。 第十七批论文解读：Hidden Technical Debt in ML Systems、CD4ML / MLOps、Human-AI Interaction Guidelines、AI Architecture Decision Records。 第十八批论文解读：AI Requirements Engineering / GQM、AI Quality Attributes / ATAM、AI Safety Engineering / STPA、Sociotechnical AI / Resilience。 第十九批论文解读：AI Capability-Based Planning、Wardley Mapping、Conway's Law / Team Topologies、DORA / SPACE for AI SDLC。 第二十批论文解读：Continuous Discovery / Opportunity Solution Tree、Jobs-to-be-Done / ODI、North Star Metrics / AI Value Measurement、AI Product Operating Model / Empowered Teams。 第二十一批论文解读：AI Portfolio Management / Funding Governance、AI Service Blueprint / Customer Journey / Trust、AI Business Process Reengineering / BPMN / DMN、AI Risk Appetite / Policy Product Management。 第二十二批论文解读：Enterprise AI Reference Architecture / Control Plane、AI Product Line Engineering / Reusable Platform Assets、AI Maturity Model / Roadmap / Capability Assessment、AI Control Library / Assurance Evidence Graph。 第二十三批论文解读：AI Domain-Driven Design / Ubiquitous Language、AI EventStorming / Agent Workflow Discovery、AI Knowledge Work Redesign / Role-Task Architecture、AI Platform Service Catalog / Golden Paths。 第二十四批论文解读：AI Architecture Views / C4 / arc42 / 42010、AI Architecture Fitness Functions / Continuous Governance、Contract-First AI Tool/API Design、AI Traceability Graph。 第二十五批论文解读：AI Enterprise Architecture / TOGAF / ArchiMate / ADM、Banking AI Reference Models / BIAN / FIBO / ISO 20022、AI Semantic Interoperability / RDF / OWL / SHACL、AI Value Stream Management / Flow Metrics。 第二十六批论文解读：AI Regulatory Architecture / EU AI Act / NIST / ISO42001、AI Model Risk Validation / Independent Challenge、AI Third-Party Vendor Contract / Exit Architecture、AI Data Lifecycle Governance / Provenance / Retention。 第二十七批论文解读：AI Agent Autonomy / Delegation Architecture、AI Agent Identity / Delegated Authorization、AI Runtime Evidence / Observability Architecture、AI Portfolio Systemic Risk / Dependency Architecture。 第二十八批论文解读：AI Customer Harm / Redress / Recovery Architecture、AI Fairness / Fair Lending / Bias Control Architecture、AI Explainability / Contestability / Adverse Action Architecture、AI Change Impact / Release Governance。 第二十九批论文解读：AI Continuous Control Monitoring / Assurance Architecture、AI Operational Resilience / BCP / Degraded Mode Architecture、AI Management Information / Board Reporting Architecture、AI Closed-Loop Learning / Corrective Action Architecture。 第三十批论文解读：AI Regulatory Horizon / Obligation Intelligence Architecture、AI Exception / Risk Acceptance / Waiver Architecture、AI Supply Chain / AI BOM / Provenance Architecture、AI Human Review Operations / Capacity Architecture。 第三十一批论文解读：AI Segregation of Duties / Dual Control Architecture、AI Consent / Preference / Purpose-Bound Data Architecture、AI Shadow AI / Citizen Development Governance Architecture、AI Conduct Risk / Suitability / Sales Guardrails Architecture。 第三十二批论文解读：AI Records / Retention / Legal Hold / eDiscovery Architecture、AI Data Residency / Cross-Border / Sovereign AI Architecture、AI Customer Communications / Regulated Content Lifecycle Architecture、AI Financial Crime Typology / Scenario Coverage Architecture。 第三十三批论文解读：AI Intellectual Property / Content Rights / Provenance Architecture、AI Deepfake / Synthetic Identity / Authentication Fraud Architecture、AI Workforce / HR Decision / Employee Monitoring Governance Architecture、AI Incident Disclosure / Liability / Risk Transfer Architecture。 第三十四批论文解读：AI Post-Quantum / Cryptographic Agility Architecture、AI Authorized Push Payment / Scam Intervention Architecture、AI Agent Marketplace / Tool Certification Governance Architecture、AI Customer Vulnerability / Accessibility / Inclusive AI Architecture。 第三十五批论文解读：AI Payment Dispute / Chargeback / Claims Evidence Architecture、AI Collections / Hardship / Delinquency Treatment Architecture、AI Voice AI / Contact Center / Agent Assist Governance Architecture、AI Digital Identity Wallet / Verifiable Credentials / Trust Architecture。 第三十六批论文解读：AI Open Banking / Open Finance / Consented Data Sharing Architecture、AI Personalized Pricing / Offer Decisioning Governance Architecture、AI Document Intelligence / Unstructured Data / Evidence Quality Architecture、AI Privacy Clean Room / Data Collaboration / Measurement Architecture。 第三十七批论文解读：AI Credit Lifecycle / Underwriting / Line Management Governance Architecture、AI Wealth Advice / Robo-Advisor / Best Interest Boundary Architecture、AI Treasury / Liquidity / ALM Forecasting / Stress Evidence Architecture、AI Complaint Intelligence / Root Cause / Regulatory Response Architecture。 第三十八批论文解读：AI Account Opening / KYC / Onboarding Decision Architecture、AI AML Alert Triage / Investigation Workbench Architecture、AI Payment Operations / Reconciliation / Settlement Exception Architecture、AI Regulatory Reporting / Risk Data Aggregation / Attestation Architecture。 第三十九批论文解读：AI Core Banking Modernization / Strangler / Evidence Architecture、AI Requirements Mining / Process Knowledge Extraction Architecture、AI UAT / Regression Certification / Business Acceptance Architecture、AI Product Portfolio Rationalization / Capability Decommission Architecture。 第四十批论文解读：AI Adoption Analytics / Behavior Change / Value Realization Architecture、AI Executive Investment Narrative / Business Case / Board Decision Architecture、AI Stakeholder Decision Coalition / Influence Risk Architecture、AI Workforce Capability Academy / Role-Skill Transformation Architecture。 第四十一批论文解读：AI Delivery Assurance / Control Tower / Release Readiness Architecture、AI Product Operations / Operating Cadence / Outcome Review Architecture、AI Reference Implementation / Pattern Library / Reuse Assurance Architecture、AI Technology Radar / Scenario Planning / Strategic Foresight Architecture。 第四十二批论文解读：AI Product Responsibility / Accountability Boundary Architecture、AI Context Supply Chain / Provenance / Poisoning Defense Architecture、AI Agentic Process Audit / Workflow Replay / Assurance Architecture、AI Organizational Memory / Knowledge Asset Governance Architecture。 第四十三批论文解读：AI Eval Dataset Lifecycle / Golden Set / Test Data Factory Architecture、AI Synthetic User Simulation / Persona Scenario Lab Architecture、AI Human Factors Operations / Cognitive Load / Automation Bias Architecture、AI Procurement Intake / Vendor Evaluation Sandbox / Build-Buy Architecture。 第四十四批论文解读：AI Reasoning Budget / Test-Time Compute / Verifier Cascade Architecture、AI Model Portfolio Benchmarking / Capability Scorecard / Selection Governance Architecture、AI Uncertainty UX / Abstention / Confidence / Escalation Architecture、AI Risk Quantification / Scenario Loss / Control ROI Architecture。 第四十五批论文解读：AI Evidence Integrity / Tamper-Evident Audit Ledger / Attestation Architecture、AI Shadow Mode / Counterfactual Evaluation / Silent Launch Architecture、AI Synthetic Data Governance / Privacy-Utility-Fidelity Architecture、AI Three Lines Governance / Decision Rights / Assurance Operating Model Architecture。

定位: 为什么必须理解 AI 底层逻辑

本计划不是把读者训练成全职 ML Researcher，而是建立一套能和算法、平台、数据、安全、风险、运营和业务负责人共同评审 AI 系统的语言。AI 产品的核心不是“接一个模型 API”，而是把模型、上下文、数据、工具、流程、评估、安全、人类审核和运行证据组织成可靠系统。

如果不懂 Transformer、RAG、Agent、Eval、微调、推理优化和安全边界，就很容易把 AI 项目做成演示，而不是生产系统。演示可以回答一个问题；生产系统必须稳定处理一类问题，并且在失败时可定位、可回滚、可升级、可审计。

学习深度标准不是背公式或追热点名词，而是能画出机制图，解释设计取舍，质疑能力边界，把模型能力映射到业务流程中的输入、决策、动作、反馈和风险控制，并能写出有反转条件的 ADR、eval contract 和 release evidence。

学习边界: 必须懂 / 可以了解 / 暂不深挖

必须懂

• Tokenization: 文本如何被切成模型可处理的 token，以及 token 如何影响上下文、成本和延迟。
• Embedding: token 如何变成向量表示，以及为什么语义检索也依赖 embedding。
• Positional Encoding: 模型如何知道顺序，以及长上下文为什么仍然有位置理解难题。
• Q/K/V Attention: query、key、value 如何构成一次可学习的信息检索。
• Attention score: 点积、缩放、softmax、加权汇聚的直觉。
• Multi-head attention: 多个注意力头如何学习不同关系模式。
• Feed-forward network: 每层如何对 token 表示做非线性加工。
• Residual connection: 深层网络为什么需要学习增量变化。
• Layer norm: 为什么训练和推理需要稳定化。
• Encoder-only、decoder-only、encoder-decoder 的差异。
• Causal language modeling: GPT 类模型为什么用 next-token prediction。
• Masked language modeling: BERT 类模型为什么适合理解、分类、排序。
• Instruction tuning: 为什么基础模型需要指令对齐。
• RLHF / preference optimization: 为什么需要人类偏好和奖励模型。
• RAG: 检索增强生成的链路、边界和失败模式。
• Agent: 模型如何通过工具、状态和循环完成任务。
• Eval: 为什么没有评估就没有可管理的 AI 产品。
• Prompting、RAG、fine-tuning、LoRA 的适用边界。
• KV Cache、batching、streaming、speculative decoding 对延迟和成本的影响。
• Guardrails、权限、审计、HITL 对生产可控性的影响。

可以了解

• 反向传播、梯度下降、cross entropy、perplexity 的直觉。
• Logits、temperature、top-k、top-p 对生成稳定性和创造性的影响。
• Scaling law 的基本含义: 数据、参数、算力如何共同影响能力。
• MoE 的路由、专家、容量因子和负载均衡。
• FlashAttention 的 IO-aware 思路，而不是 CUDA 细节。
• Embedding model、reranker、cross-encoder、bi-encoder 的差异。
• Vector database、全文检索、知识图谱、传统数据库的组合方式。
• DPO、RLAIF、Constitutional AI 的对齐方法差异。
• 多模态模型如何把图像、文本、音频映射到统一表示空间。
• AI observability 中 trace、span、prompt、retrieval、tool call、cost 的记录方式。

暂不深挖

• Transformer 的完整矩阵求导。
• CUDA kernel、分布式训练、ZeRO、FSDP、tensor parallel 的底层实现。
• 强化学习算法的完整数学推导。
• 大规模预训练数据清洗流水线的所有细节。
• 模型压缩、量化、蒸馏的底层数值优化。
• MoE routing loss 和复杂 benchmark 统计显著性的完整证明。

经典论文阅读路线

第一组: Transformer 与预训练范式

• Attention Is All You Need: 理解 Transformer 为什么替代 RNN/CNN 成为通用序列建模骨架。
• BERT: Pre-training of Deep Bidirectional Transformers: 理解 encoder-only、MLM、双向上下文和理解类任务。
• GPT-style decoder-only language modeling: 理解 causal LM、next-token prediction、自回归生成和 scaling。
• Language Models are Few-Shot Learners: 理解 in-context learning、few-shot prompt 和规模效应。
• T5 / text-to-text framing: 理解把多种 NLP 任务统一成文本到文本问题的产品价值。

第二组: 指令、对齐和推理

• InstructGPT / RLHF: 理解从“会续写”到“会听指令”的关键转变。
• Chain-of-Thought Prompting: 理解显式中间推理步骤的收益、成本和幻觉风险。
• Self-Consistency: 理解多路径采样和投票如何提升复杂推理可靠性。
• Constitutional AI: 理解用原则、批评和修订替代部分人工偏好标注。
• LLM as Judge / eval: 理解用模型辅助评估输出质量的机会、偏差和治理要求。

第三组: 检索、工具和 Agent

• Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks: 理解 RAG 的论文原型。
• ReAct: Synergizing Reasoning and Acting: 理解 reasoning trace 与 tool action 交替循环。
• Toolformer: 理解模型如何学习何时调用工具。
• MRKL / tool-augmented LLM: 理解模型与外部专家系统组合。
• WebGPT / browsing agents: 理解浏览、引用、检索和生成之间的产品结构。

第四组: 高效适配和系统优化

• LoRA: Low-Rank Adaptation of Large Language Models: 理解低成本参数高效微调。
• Mixture of Experts: 从 Sparsely-Gated MoE 到 Switch Transformer、Mixtral，理解稀疏激活。
• FlashAttention: 理解注意力计算的 IO 瓶颈与训练、推理加速。
• KV Cache: 理解自回归推理为什么可以缓存历史 key/value。
• Speculative Decoding: 理解小模型草稿和大模型验证如何降低延迟。
• Quantization / distillation overview: 理解部署成本、质量和硬件之间的折中。

第五组: 生产系统与评估

• HELM / holistic evaluation: 理解多维度模型评估。
• MT-Bench / Chatbot Arena: 理解偏好评测、模型裁判和人类偏好排名。
• G-Eval / LLM-as-a-Judge: 理解生成式任务如何被结构化评分。
• RAGAS / retrieval eval: 理解 context precision、faithfulness、answer relevancy。
• Agent eval: 理解任务成功率、工具调用正确率、恢复能力、成本和安全约束。

Transformer 原理深度解读

1. Tokenization

模型不能直接处理字符串，tokenizer 会把文本切成 token；token 可以是字符、子词、词片段、标点或常见组合。 Tokenization 决定模型看到世界的最小单位，也影响上下文长度、成本、中文处理、代码处理和专有名词处理。 PM 要知道同样 10 页文档，不同语言和格式的 token 成本可能不同；BA 要知道表格、合同、日志、流程编号切分很差时会影响理解；架构师要知道 token 是成本、延迟和上下文容量的基础计量单位。

2. Embedding

Embedding 把 token id 映射成高维向量，这些向量是在训练中学出来的统计表示。 相似语义、语法或上下文中的 token 会形成可计算关系，后续 attention 基于这些表示继续加工。 产品架构中的向量检索也使用 embedding，但生成模型内部 embedding 和向量库 embedding 不一定是同一个模型。

3. Positional Encoding

Transformer 本身没有天然顺序感，positional encoding 或 rotary position embedding 会给 token 注入位置信息。 顺序对合同条款、操作步骤、代码执行、对话历史非常关键。 长上下文能力不只是“能塞更多 token”，还包括模型能否在长序列里保持位置关系、引用关系和约束关系。

4. Q/K/V

Query 表示当前位置想找什么信息，Key 表示每个位置能被什么问题匹配，Value 表示匹配成功后要取走的信息内容。 可以把 Q/K/V 理解成一次可学习的信息检索: 每个 token 都会对其他 token 发起查询。 模型通过 Q 与 K 的相似度决定关注谁，再用 attention weight 对 V 做加权汇聚。

5. Attention Score

Attention score 通常由 Q 和 K 的点积计算，点积越大表示当前位置越应该关注对应位置。 Score 会经过缩放和 softmax 变成概率分布，再用于汇聚 value。 Attention 不是完全可靠的人类解释，但它揭示了模型内部信息流的一部分。

6. Multi-Head Attention

一个 attention head 只能学习一类关系，多头注意力让模型同时学习多种关系。 某些头可能关注代词指代，某些头关注语法依赖，某些头关注代码括号，某些头关注业务约束。 多头机制提升上下文组合能力，但更多头不等于无限更好，系统瓶颈仍然会落到数据、参数、上下文质量和推理成本上。

7. Feed-Forward Network

Attention 负责在 token 之间搬运信息，feed-forward network 负责对每个位置的表示做非线性加工。 可以把它理解为“每个 token 自己内部再思考一次”。 很多模型参数集中在 FFN 中，MoE 通常也是在 FFN 位置引入多个专家网络。

8. Residual Connection

深层网络训练困难，因为信息和梯度会在层层传递中衰减或失真。 Residual connection 让每层学习“增量变化”，而不是每次完全重写表示。 产品层面可以理解为: 模型每一层都在原有理解上补充修正。

9. Layer Norm

Layer norm 用于稳定每层激活分布，减少不同层之间的数值漂移。 Pre-norm 和 post-norm 是 Transformer 架构设计中的重要差异。 PM 不需要掌握公式，但架构师需要知道许多小型架构改进会影响训练稳定性和可扩展性。

10. Decoder-only Generation

GPT 类模型通常是 decoder-only: 训练时看到前面的 token，预测下一个 token；推理时生成一个 token，再追加回上下文继续预测。 LLM 不是一次性“想好整篇答案”，而是一步一步生成。 这解释了 streaming、KV cache、temperature、重复、跑偏和长答案退化。

11. Training Objective

GPT 类模型的基础目标是 next-token prediction；BERT 类模型常用 masked language modeling。 为了预测下一个 token，模型必须学习语法、事实、风格、推理模式和世界知识的统计结构。 模型训练目标不等于业务目标，业务目标需要通过 prompt、RAG、工具、评估和流程约束补齐。

12. Inference Loop

推理循环包括输入拼接、tokenization、prefill、decode、采样、停止和输出后处理。 Prefill 阶段处理完整上下文并建立 KV cache，decode 阶段逐 token 生成。 长 prompt 增加 prefill 成本，长输出增加 decode 成本；并发请求需要 batching，低延迟体验需要 streaming，高吞吐场景需要缓存、路由、小模型、量化和异步流程。

从论文到产品架构

Transformer 到 Copilot

Transformer 的上下文建模能力让 Copilot 可以理解用户当前任务、历史输入和候选输出。 Copilot 产品不是聊天框，而是嵌入业务工作流的建议、补全、解释、检查和自动化能力。 架构上需要捕获页面状态、用户意图、权限、业务对象和可执行动作。

BERT 到理解类组件

BERT 思路常映射到 intent detection、semantic matching、reranking、risk classification、entity extraction。 不是所有任务都需要生成式大模型，许多高频、稳定、低延迟任务适合小模型或传统 ML。 架构设计应允许生成模型、理解模型、规则引擎和搜索系统协同。

GPT 到生成和推理

GPT-style 模型适合生成、改写、总结、规划、解释和多轮对话。 它的强项是把上下文压缩成可读输出，弱点是事实边界、可重复性、可验证性和权限边界。 产品设计必须给它足够上下文，也必须限制它不能越权行动。

RAG 到企业知识问答

RAG 把企业文档、政策、合同、工单、代码和知识库接入模型。 核心链路是 ingest、chunk、embed、index、retrieve、rerank、generate、cite、evaluate。 失败常见于 chunk 粒度错误、召回不足、排序错误、上下文冲突、引用缺失、权限穿透和文档过期。

ReAct / Toolformer 到 Agent

Agent 的关键不是“让模型更聪明”，而是让模型能观察、推理、调用工具、接收结果、继续决策。 工具调用把模型从文本生成扩展到系统行动，因此 Agent 需要权限、事务、幂等、回滚、审计和人工确认。 在金融零售、合规、支付、供应链场景中，Agent 不能默认自动执行高风险动作。

RLHF / Constitutional AI 到治理

对齐论文提示我们: 模型输出质量不是单靠预训练解决。 组织需要定义原则、偏好、红线、审批和反馈闭环，并把这些原则放进 system prompt、policy engine、review workflow 和 eval rubric。 AI 治理不是文档口号，它必须进入运行时系统。

LoRA 到领域适配

LoRA 让模型用更少参数适配领域任务，适合风格、格式、领域术语和固定任务模式增强。 LoRA 不适合频繁变化的事实知识注入；业务知识更新通常优先考虑 RAG。 稳定格式和任务能力优化可以考虑 fine-tuning 或 LoRA。

MoE / FlashAttention / KV Cache 到成本和性能

MoE 让每次推理只激活部分专家，FlashAttention 优化内存访问，KV cache 避免重复计算历史上下文，speculative decoding 用小模型草稿和大模型验证。 这些系统概念最终落到产品指标: 首 token 延迟、tokens/s、吞吐、GPU 成本、并发容量和用户等待感。 模型选择不是只看榜单，还要看单位经济、SLA、峰值流量和运维复杂度。

Eval 到产品质量管理

Eval 是 AI 产品的测试体系，没有 eval 就无法判断 prompt 改动、模型升级、RAG 调参或工具变更是否变好。 Eval 需要覆盖正确性、完整性、引用、格式、安全、偏见、成本、延迟和用户任务成功率。 LLM-as-Judge 可以提高评估效率，但必须防范裁判偏差、提示泄漏、偏好漂移和过拟合评测集。

12-week study plan

Week 1: AI 系统全景与语言模型直觉

• Papers/concepts: language modeling、token、embedding、next-token prediction、scaling intuition。
• Diagrams to draw: “输入文本 -> token -> embedding -> Transformer layers -> logits -> next token”。
• Code-lite experiment: 用 tokenizer 工具比较中文、英文、代码、表格的 token 数。
• 系统学习要点: token 是上下文、成本和延迟的共同单位。
• 设计评审问题: 为什么大模型预测下一个 token 却能表现出总结、翻译和推理能力？

Week 2: Attention Is All You Need

• Papers/concepts: Transformer、self-attention、multi-head attention、position encoding、encoder-decoder。
• Diagrams to draw: Q/K/V attention 计算流程图；一个 Transformer block 结构图。
• Code-lite experiment: 用 4-token 例子手工画 attention score 和 softmax 权重。
• 系统学习要点: attention 是可学习的信息路由机制，不是简单关键词匹配。
• 设计评审问题: Transformer 相比 RNN 为什么更适合大规模并行训练？

Week 3: BERT 与理解类任务

• Papers/concepts: BERT、MLM、NSP、encoder-only、classification、reranking。
• Diagrams to draw: BERT 输入格式；[CLS] 分类头；bi-encoder vs cross-encoder。
• Code-lite experiment: 用 embedding/reranker demo 比较语义相似度和关键词相似度。
• 系统学习要点: 生成不是唯一 AI 能力，理解、排序、抽取同样重要。
• 设计评审问题: 什么时候选择 BERT-style 模型，而不是 GPT-style 模型？

Week 4: GPT-style Decoder-only Language Modeling

• Papers/concepts: causal mask、decoder-only、in-context learning、few-shot prompting、temperature。
• Diagrams to draw: causal mask 矩阵；自回归生成循环。
• Code-lite experiment: 对同一 prompt 调整 temperature 和 top-p，观察稳定性和创造性。
• 系统学习要点: 生成式模型的可控性来自上下文设计、采样设置和评估约束。
• 设计评审问题: 为什么 decoder-only 架构成为通用 LLM 的主流路线？

Week 5: InstructGPT / RLHF 与对齐

• Papers/concepts: supervised fine-tuning、reward model、RLHF、preference data、helpful/harmless/honest。
• Diagrams to draw: 预训练 -> SFT -> reward model -> RLHF 的四阶段图。
• Code-lite experiment: 给同一基础问题写“续写型 prompt”和“指令型 prompt”，比较输出差异。
• 系统学习要点: 业务可用模型需要对齐用户意图，而不只是会生成文本。
• 设计评审问题: RLHF 解决了什么问题，又带来了哪些新风险？

Week 6: Chain-of-Thought 与推理增强

• Papers/concepts: Chain-of-Thought、Self-Consistency、scratchpad、reasoning traces。
• Diagrams to draw: 单路径推理 vs 多路径采样投票。
• Code-lite experiment: 对一道多步业务规则题，比较直接回答、CoT、self-consistency 三种方式。
• 系统学习要点: 推理过程可以提高复杂任务表现，但不等于真实因果证明。
• 设计评审问题: 为什么 CoT 有时提升准确率，有时反而引入幻觉？

Week 7: RAG 与知识密集型任务

• Papers/concepts: RAG、dense retrieval、chunking、reranking、citation、faithfulness。
• Diagrams to draw: 文档摄取流水线；查询时 retrieve -> rerank -> generate -> cite。
• Code-lite experiment: 选 5 篇内部学习笔记，手工设计 chunk 规则和 metadata 字段。
• 系统学习要点: RAG 的质量上限常由知识工程和检索评估决定。
• 设计评审问题: RAG 为什么不能简单等同于“把文档塞进 prompt”？

Week 8: ReAct、Toolformer 与 Agent

• Papers/concepts: ReAct、Toolformer、tool calling、planning、observation、action loop。
• Diagrams to draw: observe -> think -> act -> observe 循环；工具权限边界图。
• Code-lite experiment: 设计一个“报销政策问答 + 表单检查 + 人工确认”的 Agent 流程。
• 系统学习要点: Agent 是带工具和状态的工作流系统，不是更长的 prompt。
• 设计评审问题: 一个企业 Agent 上线前必须设计哪些安全和审计机制？

Week 9: Constitutional AI、Guardrails 与安全治理

• Papers/concepts: Constitutional AI、RLAIF、policy prompt、red teaming、jailbreak、guardrails。
• Diagrams to draw: policy -> model response -> critique -> revision；输入/输出安全检查链路。
• Code-lite experiment: 写一组合规客服场景的 allowed / disallowed / escalate 示例。
• 系统学习要点: AI 安全必须产品化为策略、检测、拦截、升级和记录。
• 设计评审问题: 为什么只靠 system prompt 不能构成完整安全方案？

Week 10: LoRA、Fine-tuning 与领域适配

• Papers/concepts: LoRA、PEFT、fine-tuning、prompting、RAG、DPO overview。
• Diagrams to draw: full fine-tuning vs LoRA adapter；RAG vs fine-tuning 决策树。
• Code-lite experiment: 为客服质检任务列出 30 条训练样本和 20 条 eval 样本。
• 系统学习要点: 知识更新、格式稳定、行为偏好、领域术语需要不同适配策略。
• 设计评审问题: 什么时候 fine-tune 是错误选择？

Week 11: MoE、FlashAttention、KV Cache 与推理优化

• Papers/concepts: Mixture of Experts、Switch Transformer、FlashAttention、KV Cache、speculative decoding。
• Diagrams to draw: dense model vs MoE routing；prefill/decode/KV cache；draft-verify 推理。
• Code-lite experiment: 估算 1k、8k、32k prompt 在成本和延迟上的差异。
• 系统学习要点: 模型选择不是只看榜单，还要看延迟、吞吐、上下文、部署和预算。
• 设计评审问题: 为什么长上下文会显著影响推理成本？

Week 12: Eval、LLM as Judge 与生产架构

• Papers/concepts: HELM、MT-Bench、G-Eval、LLM-as-Judge、RAGAS、agent eval、observability。
• Diagrams to draw: 离线 eval -> 灰度 -> 在线监控 -> 人工反馈 -> 回归测试闭环。
• Code-lite experiment: 为 RAG 问答系统写 20 条 gold questions 和评分 rubric。
• 系统学习要点: AI 产品迭代必须以 eval 和 trace 为中心。
• 设计评审问题: 如何判断一次模型升级是否真的让业务系统变好？

Extension Week 13: DPO、Constitutional AI 与偏好治理

• Papers/concepts: DPO、RLAIF、Constitutional AI、preference data、reward hacking、alignment tax。
• Diagrams to draw: policy -> reviewer guideline -> chosen/rejected samples -> model upgrade eval -> runtime controls。
• Code-lite experiment: 为客服拒答、财富建议、信贷 adverse action、AML narrative 写 20 组 chosen/rejected 样本。
• 系统学习要点: preference optimization 改善默认行为，但不能替代事实、权限、审批和审计。
• 设计评审问题: 为什么 DPO 或 Constitutional AI 不能替代企业 runtime guardrails？

Extension Week 14: Tool Use Security 与 Prompt Injection

• Papers/concepts: tool use、function calling、indirect prompt injection、data exfiltration、confused deputy、tool gateway。
• Diagrams to draw: trusted/untrusted context separation、tool gateway、policy engine、human approval、trace logging、kill switch。
• Code-lite experiment: 为支付争议、AML case、客服 CRM 写入、信贷文档读取设计 20 条 prompt injection/red-team cases。
• 系统学习要点: Agent 安全是系统架构能力，不是 prompt 技巧。
• 设计评审问题: 为什么 function calling schema 不能被当作安全边界？

Extension Week 15: RAG Evaluation、RAGAS 与 Retrieval Metrics

• Papers/concepts: RAGAS、context precision、context recall、faithfulness、answer relevancy、citation support、permission/version tests。
• Diagrams to draw: query set -> gold source -> retrieval trace -> answer judge -> release gate -> failure triage。
• Code-lite experiment: 为 KYC Policy Assistant 写 30 条 eval cases，分别标注 gold source、risk tier、expected behavior 和 failure tag。
• 系统学习要点: RAG 质量不是最终答案一个分数，而是检索、证据、引用、权限、版本和拒答组成的上线证据链。
• 设计评审问题: 一个 RAG 答案错了，如何判断是 retrieval、generation、metadata、permission 还是 business expectation 的问题？

Extension Week 16: GraphRAG 与 Knowledge Graph RAG

• Papers/concepts: GraphRAG、entity extraction、relationship extraction、community summary、local/global/DRIFT search、path evidence、graph eval。
• Diagrams to draw: raw corpus -> text units -> entities/relations/claims -> communities -> graph/text retrieval -> grounded answer。
• Code-lite experiment: 为 AML network investigation 设计 10 类实体、20 类关系、5 条 gold paths 和 10 条 GraphRAG eval cases。
• 系统学习要点: GraphRAG 不是普通 RAG 的默认升级，而是针对多实体、多跳关系、社区模式和全局总结的架构选择。
• 设计评审问题: 什么时候 baseline RAG 足够，什么时候才值得引入 GraphRAG 或 enterprise knowledge graph？

Extension Week 17: Generative Agents、Memory 与 State Governance

• Papers/concepts: Generative Agents、memory stream、retrieval over memory、reflection、planning、session/workflow/audit/preference memory。
• Diagrams to draw: observation -> memory stream -> retrieval -> reflection -> planning -> action；session/state/audit/preference memory boundary。
• Code-lite experiment: 为 KYC Policy Assistant 或 AML Copilot 写 Memory Inventory、Retention Matrix、Deletion Test 和 Memory Eval Set。
• 系统学习要点: Memory 不是让模型记住一切，而是受 consent、权限、保留期、删除、审计和 eval 约束的系统能力。
• 设计评审问题: 为什么长期记忆不能只靠向量库和 prompt 管理？

Extension Week 18: AutoGen、Multi-Agent Conversation 与 Orchestration

• Papers/concepts: AutoGen、multi-agent conversation、planner/executor/critic、handoff contract、shared state、supervisor、HITL。
• Diagrams to draw: manager-worker、sequential pipeline、blackboard shared state、policy supervisor、human checkpoint。
• Code-lite experiment: 为 AML investigation team 设计 5 个 agent role、handoff schema、tool permission 和 eval scorecard。
• 系统学习要点: Multi-agent 不是多个机器人聊天，而是角色分工、状态共享、工具边界、人工责任和评估门禁。
• 设计评审问题: 什么时候不要用 multi-agent，而应使用 single agent + workflow + tool gateway？

Extension Week 19: Tree of Thoughts 与 Planning Search

• Papers/concepts: Tree of Thoughts、candidate thought、state evaluator、BFS/DFS/beam search、search budget、human choice point。
• Diagrams to draw: 单路径 CoT vs 多路径 thought tree；task -> thought generator -> evaluator -> search controller -> human review。
• Code-lite experiment: 为 AML alert triage 或 payment dispute 设计 4 条候选调查路径、评分规则和停止条件。
• 系统学习要点: 复杂任务不是让模型一次性给答案，而是管理候选路径、证据、评分、成本、停止和人工选择。
• 设计评审问题: ToT 如何降低早期推理错误，又会带来哪些成本和审计风险？

Extension Week 20: Self-RAG、CRAG 与 Agentic Retrieval

• Papers/concepts: Self-RAG、CRAG、retrieval need、context quality gate、corrective retrieval、refuse/escalate、retrieval control plane。
• Diagrams to draw: query -> retrieval need -> router -> context evaluator -> answer critic -> retry/refuse/escalate。
• Code-lite experiment: 为 KYC Policy Assistant 写 30 条 policy exists/missing/outdated/conflict/permission/injection eval cases。
• 系统学习要点: RAG 不是 top-k 加 prompt，而是对检索必要性、上下文质量、证据支持和失败路径做显式控制。
• 设计评审问题: 检索结果很弱时，系统应该重试、换源、拒答还是转人工？

Extension Week 21: AgentBench、τ-bench 与 Agent Evaluation

• Papers/concepts: AgentBench、τ-bench、tool-agent-user interaction、tool sandbox、user simulator、policy oracle、trace、agent release gate。
• Diagrams to draw: scenario library -> user simulator -> tool sandbox -> policy oracle -> trace collector -> metric engine。
• Code-lite experiment: 为 AML/KYC/payment/credit/customer service 写 20 个 agent eval scenarios 和 allowed/forbidden actions。
• 系统学习要点: Agent 评测必须模拟真实环境、工具、状态、规则和用户交互，而不只是评估单轮回答。
• 设计评审问题: 为什么 task success 高但 policy violation 高的 agent 仍然不能上线？

Extension Week 22: Mechanistic Interpretability、Transformer Circuits 与 SAE

• Papers/concepts: mechanistic interpretability、Transformer circuits、residual stream、attention head、MLP feature、sparse autoencoder、monosemanticity。
• Diagrams to draw: token -> residual stream -> attention/MLP writes -> feature/circuit -> logits；explainability layer map。
• Code-lite experiment: 写一页 Model Risk Memo，说明 mechanistic evidence 能支持什么、不能承诺什么。
• 系统学习要点: 解释性研究能增强模型风险理解和 safety case，但不能替代外部 eval、HITL、monitoring 和 audit controls。
• 设计评审问题: 如何向风控/审计解释“模型不可完全透明，但系统仍然可治理”？

Extension Week 23: Long Context、Lost in the Middle 与 RULER

• Papers/concepts: long context、Lost in the Middle、LongBench、RULER、needle retrieval、position robustness、context strategy router。
• Diagrams to draw: short prompt/RAG/long context/hybrid routing；position shift eval；long context cost model。
• Code-lite experiment: 为 KYC policy pack 或 credit file 设计 key facts at beginning/middle/end 的 position robustness test。
• 系统学习要点: 标称上下文长度不是有效上下文长度，长上下文仍然需要权限、引用、版本、冲突和成本控制。
• 设计评审问题: 为什么 1M context 仍然不能简单替代企业 RAG？

Extension Week 24: DSPy、OPRO 与 Automatic Prompt Optimization

• Papers/concepts: DSPy、declarative LM program、task signature、teleprompter、OPRO、APE、prompt registry、eval-driven optimization。
• Diagrams to draw: requirement -> task signature -> candidate prompt -> eval -> approval -> release -> monitoring。
• Code-lite experiment: 为 payment dispute draft 写 task signature、10 条 eval cases、3 个 candidate prompts 和 release memo。
• 系统学习要点: Prompt 是可版本化、可优化、可评测的系统配置，不是手写文案。
• 设计评审问题: 为什么自动 prompt 优化不能直接自动上线？

Extension Week 25: Reflexion、Self-Refine 与 Agent Feedback Loops

• Papers/concepts: Reflexion、verbal reinforcement、episodic memory、Self-Refine、feedback object、refinement policy、reflection memory。
• Diagrams to draw: output -> critic -> feedback object -> refine/retrieve/escalate/stop -> trace；reflection memory governance。
• Code-lite experiment: 为 AML narrative 或 customer service copilot 写 failure taxonomy、auto-refine boundary 和 stop rules。
• 系统学习要点: 自我修正要放进受控 feedback loop，不能让模型无限自我修改。
• 设计评审问题: 什么错误可以自动修，什么错误必须人工复核？

Extension Week 26: Process Supervision 与 Step-by-Step Verification

• Papers/concepts: process supervision、outcome supervision、step-level verification、process reward model、critical step gate、golden traces。
• Diagrams to draw: BPMN process -> step schema -> verifier -> error localization -> release gate。
• Code-lite experiment: 为 credit underwriting 或 payment dispute 写 8 个 process eval steps 和 critical step thresholds。
• 系统学习要点: 高风险 AI 不能只看最终答案，过程是否使用正确证据、政策和升级边界同样重要。
• 设计评审问题: 为什么结果正确但过程错误的 AI 输出仍然不可接受？

Extension Week 27: Structured Output、Constrained Decoding 与 LM Program

• Papers/concepts: structured output、JSON Schema、constrained decoding、Guidance、Outlines、Jsonformer、LMQL、schema registry。
• Diagrams to draw: prompt -> constrained decoder -> validator -> policy engine -> tool gateway -> audit trace。
• Code-lite experiment: 为 KYC policy assistant 或 payment dispute agent 写 3 个 JSON Schema、validator matrix 和 schema versioning ADR。
• 系统学习要点: 结构化输出是产品和架构 contract，不是提示词格式偏好；schema 正确仍不能替代事实、权限和动作边界验证。
• 设计评审问题: 为什么 function calling 或 JSON schema 不能被当作完整安全边界？

Extension Week 28: Model Routing、Semantic Cache 与 Frugal AI

• Papers/concepts: FrugalGPT、RouteLLM、semantic cache、model cascade、cost-quality frontier、routing policy、fallback。
• Diagrams to draw: request -> task/risk classifier -> cache lookup -> model router -> validator -> trace/cost ledger。
• Code-lite experiment: 为客服、KYC、AML、支付争议写 50 条 golden route cases，标注 small/large/RAG/HITL/cache 路径。
• 系统学习要点: 模型选择不是榜单问题，而是按任务、风险、SLO、成本和治理证据做动态路由。
• 设计评审问题: 如何证明一次模型路由策略降低成本但没有牺牲高风险质量？

Extension Week 29: SWE-bench、WebArena、OSWorld 与 Agent Benchmark

• Papers/concepts: SWE-bench、WebArena、OSWorld、GAIA、AgentBench、scenario library、environment sandbox、policy oracle、state verifier。
• Diagrams to draw: goal -> agent runner -> tool/UI environment -> trace collector -> state verifier -> release gate。
• Code-lite experiment: 为 payment dispute agent 或 AML copilot 写 30 个 agent eval scenarios、allowed/forbidden actions 和 state oracle。
• 系统学习要点: Agent 能聊天不代表能完成真实任务；评测必须覆盖工具、状态、恢复、权限、成本和 policy violation。
• 设计评审问题: 为什么 task success 高但 policy violation 高的 agent 仍然不能上线？

Extension Week 30: Mamba、S4 与 State Space Models

• Papers/concepts: S4、Mamba、selective state space、Mamba-2、long sequence modeling、cost-latency frontier。
• Diagrams to draw: attention 显式查历史 vs SSM 状态递推；context strategy router；long sequence benchmark plan。
• Code-lite experiment: 为交易流异常检测或长政策包阅读写 long sequence eval pack、成本延迟 benchmark plan 和 model candidate scorecard。
• 系统学习要点: 新模型架构的价值要落在任务质量、成本、延迟、生态和治理证据上，而不是追模型名字。
• 设计评审问题: 为什么 Mamba/SSM 可能改善长序列效率，但不自动替代企业 RAG？

Extension Week 31: Embeddings、ANN 与 Vector Search

• Papers/concepts: Word2Vec、Sentence-BERT、FAISS、HNSW、MTEB、bi-encoder、reranker、hard negatives。
• Diagrams to draw: document -> embedding -> ANN index -> metadata/ACL filter -> rerank -> citation verification。
• Code-lite experiment: 为 KYC policy assistant 写 50 条 query/gold/hard-negative 检索样本, 比较 keyword、embedding、hybrid、rerank。
• 系统学习要点: 向量检索是候选生成层, 不是事实、权限、版本或业务决策层。
• 设计评审问题: 为什么 embedding model 或 index 参数变更必须进入 release gate？

Extension Week 32: CLIP 与 Multimodal Embeddings

• Papers/concepts: CLIP、ALIGN、BLIP、contrastive learning、image-text embedding、zero-shot classification、多模态 RAG。
• Diagrams to draw: image encoder/text encoder -> shared embedding space -> retrieval/classification/review workflow。
• Code-lite experiment: 为 KYC document intake 或客服截图 triage 写多模态标签体系、hard negatives、threshold calibration 和 privacy control。
• 系统学习要点: CLIP-like 模型适合多模态候选生成和冷启动分类, 但不能替代 OCR、权限、真伪判断和人工复核。
• 设计评审问题: 为什么图文相似度不能直接作为 KYC 文件通过依据？

Extension Week 33: Diffusion 与 Latent Diffusion

• Papers/concepts: DDPM、classifier-free guidance、Latent Diffusion、text-to-image、inpainting、asset governance。
• Diagrams to draw: brief -> prompt policy -> generation -> safety/brand/rights review -> asset registry -> publish。
• Code-lite experiment: 为金融教育或零售营销素材设计生成式媒体 policy、asset registry、brand/safety eval 和 human approval workflow。
• 系统学习要点: 生成式媒体的产品价值来自创意效率, 生产可用性来自版权、品牌、事实、PII、安全和审批控制。
• 设计评审问题: 为什么金融零售中生成式图像不能直接用于证据图片修改？

Extension Week 34: Graph Neural Networks 与图学习风控

• Papers/concepts: GCN、GraphSAGE、GAT、temporal graph、entity resolution、fraud ring、AML network、GraphRAG 对比。
• Diagrams to draw: source systems -> entity graph -> GNN score -> evidence path -> analyst review -> feedback。
• Code-lite experiment: 为 fraud ring 或 AML network 写节点/边 schema、temporal eval、label delay、explanation design 和 workflow gate。
• 系统学习要点: GNN 适合关系型风险信号, 但金融高风险动作仍需要规则、证据路径、人工复核和模型风险治理。
• 设计评审问题: 为什么 GNN score 不能直接触发冻结账户或拒贷？

Extension Week 35: Recommender Systems 与 Next-Best-Action

• Papers/concepts: YouTube DNN、Wide & Deep、Two-Tower、candidate generation、retrieval、ranking、re-ranking、feedback loop。
• Diagrams to draw: customer/context -> candidate generation -> two-tower retrieval -> ranking -> policy re-ranking -> feedback。
• Code-lite experiment: 为金融零售 next-best-action 写候选池、推荐策略、适用性过滤、指标树和 A/B 实验方案。
• 系统学习要点: 推荐系统是 AI decisioning layer，不是单个“猜你喜欢”模型；金融场景必须把 suitability、consent、fairness、complaint 和 advice boundary 放进产品架构。
• 设计评审问题: 为什么只优化 CTR 的推荐系统可能伤害客户信任和监管可接受性？

Extension Week 36: Learning to Rank、LambdaMART 与 Neural Ranking

• Papers/concepts: pointwise、pairwise、listwise、RankNet、LambdaRank、LambdaMART、NDCG、query group、neural reranking。
• Diagrams to draw: query/context + candidates -> feature contract -> LTR ranker -> policy reranker -> online experiment -> monitoring。
• Code-lite experiment: 为企业政策搜索、AML alert prioritization 或客服 next action 写 20 条 relevance 标注、NDCG@5 指标和 LambdaMART baseline ADR。
• 系统学习要点: 搜索、推荐、告警和运营台都是排序问题；排序质量必须和权限、政策、投诉、公平和人工 override 一起评估。
• 设计评审问题: 为什么 LambdaMART 在 LLM 时代仍然可能是高监管场景的强生产 baseline？

Extension Week 37: Feature Stores 与 Real-Time ML

• Papers/concepts: Feast、Michelangelo、offline/online store、feature view、point-in-time correctness、training-serving skew、freshness SLO、streaming feature。
• Diagrams to draw: event -> entity resolution -> online feature lookup -> model score -> policy decision -> trace -> offline replay。
• Code-lite experiment: 为支付欺诈、信贷预审批或 Agent 工具授权写 10 个 feature contract、freshness SLO 和 online/offline parity 测试。
• 系统学习要点: 实时 AI 决策可靠性经常取决于特征平台，而不是模型本身；特征是带 owner、时间语义、权限和质量承诺的数据产品。
• 设计评审问题: 为什么 point-in-time correctness 是防止模型离线虚高、线上失败的关键？

Extension Week 38: Zanzibar、Cedar、OPA 与 AI Policy Architecture

• Papers/concepts: RBAC、ABAC、ReBAC、Zanzibar tuples、Cedar principal/action/resource/context、OPA/Rego、PDP/PEP、policy-as-code。
• Diagrams to draw: AI gateway -> PEP -> PDP -> role/relationship/attribute/policy data -> allow/deny/mask/require approval -> audit。
• Code-lite experiment: 为客服 Copilot、信贷 Copilot 或 AML Agent 写 tool action risk tier、policy tests、RAG permission filtering 和 audit evidence schema。
• 系统学习要点: AI Agent 权限不能靠 prompt；权限、策略、审批和审计必须是外部化、可测试、可版本化的 runtime control。
• 设计评审问题: 为什么 RAG 权限必须在检索前过滤，而不能等模型生成后再遮盖？

Extension Week 39: Federated Learning 与 Cross-Silo AI

• Papers/concepts: FedAvg、cross-device、cross-silo、secure aggregation、participant governance、update validation、poisoning risk。
• Diagrams to draw: coordinator -> local training participants -> secure aggregation -> shared model -> local validation。
• Code-lite experiment: 为跨机构 fraud signal collaboration 写参与方治理、数据 contract、标签一致性检查、隐私控制和模型评估门禁。
• 系统学习要点: 联邦学习减少原始数据移动，但不能替代隐私、合同、模型风险、数据质量和客户影响治理。
• 设计评审问题: 为什么 federated learning 不等于“数据不出本地所以一定合规”？

Extension Week 40: Differential Privacy 与 DP-SGD

• Papers/concepts: epsilon、delta、privacy budget、composition、DP-SGD、gradient clipping、noise addition、privacy accounting。
• Diagrams to draw: raw data -> query/model training -> clipping/noise -> privacy accountant -> release gate。
• Code-lite experiment: 为客服 Copilot trace analytics 设计 privacy unit、epsilon/delta、预算台账、utility/slice eval 和 evidence pack。
• 系统学习要点: DP 提供可量化隐私边界，但会带来效用、稳定性和小群体表现取舍，需要和访问控制、目的限制、保留/删除一起设计。
• 设计评审问题: 为什么 differential privacy 不能简单等同于匿名化或脱敏？

Extension Week 41: Knowledge Distillation、小模型与量化

• Papers/concepts: teacher-student、soft labels、DistilBERT、quantization、specialist model、model cascade、routing。
• Diagrams to draw: frontier teacher -> distillation dataset -> student model -> quantization -> route policy -> fallback。
• Code-lite experiment: 为客服意图分类或 KYC 文档分类写 teacher-student eval、small-model route policy、成本/延迟/隐私 scorecard。
• 系统学习要点: 小模型不是低配 AI，而是把任务、风险、延迟、成本和隐私部署边界映射到合适模型的组合策略。
• 设计评审问题: 为什么高频稳定任务可能不应该调用最大模型？

Extension Week 42: Durable Execution 与 Agent Workflow State Machines

• Papers/concepts: durable execution、state machine、workflow replay、event history、Saga、compensation、idempotency、HITL states。
• Diagrams to draw: workflow state -> agent activity -> policy gate -> tool gateway -> human approval -> audit replay。
• Code-lite experiment: 为支付争议 Agent 写状态机、工具副作用矩阵、幂等键、补偿流程、人工审批和事故 replay。
• 系统学习要点: 企业 Agent 是长运行工作流系统，不是模型循环；可恢复、可审计和可补偿是进入生产的基本条件。
• 设计评审问题: 为什么 Agent 工具调用成功但工作流崩溃，会比普通文本错误更危险？

Extension Week 43: Digital Twin、Agent-Based Simulation 与 AI Decisioning

• Papers/concepts: digital twin、process twin、decision twin、agent-based modeling、discrete event simulation、calibration、validation、sensitivity analysis。
• Diagrams to draw: event log -> entity/state model -> scenario library -> simulation engine -> impact metrics -> decision memo。
• Code-lite experiment: 为客服 Copilot 容量、支付欺诈策略或 Agent workflow sandbox 写 entity/event/state schema、scenario library 和 validation plan。
• 系统学习要点: 仿真不是预测水晶球，而是上线前评估策略、容量、流程、风险和客户影响的决策实验室。
• 设计评审问题: 为什么离线 eval 通过的 AI 策略仍需要仿真或 replay 才能进入高风险试点？

Extension Week 44: Online Experimentation、CUPED 与 AI Release Science

• Papers/concepts: online controlled experiments、CUPED、variance reduction、guardrail metrics、shadow launch、ramp、champion-challenger。
• Diagrams to draw: offline eval -> replay -> shadow -> ramp -> A/B -> decision review -> rollout/rollback。
• Code-lite experiment: 为 RAG 升级、KYC 抽取模型或推荐策略写 experiment design、metric tree、guardrail matrix 和 stop rule。
• 系统学习要点: AI 发布科学把“模型看起来变好”转成可证明、可停止、可回滚的生产变更证据。
• 设计评审问题: 为什么 AI 实验不能只看主指标，而必须设计 guardrail 和 risk-based ramp？

Extension Week 45: Data Lineage、Contracts 与 AI Data Quality

• Papers/concepts: OpenLineage、DataHub、OpenMetadata、Great Expectations、data contract、metadata、quality SLO、training/eval/RAG lineage。
• Diagrams to draw: source -> transformation -> dataset -> feature/eval/RAG corpus -> model/answer -> decision trace。
• Code-lite experiment: 为 RAG 政策库或 KYC 文档链路写 data contract、lineage map、quality SLO 和 data incident response。
• 系统学习要点: AI 数据治理不是数据目录，而是证明模型、RAG、eval 和决策使用的数据来源、版本、质量、权限和 owner。
• 设计评审问题: 为什么 eval dataset 的 lineage 和训练数据 lineage 一样重要？

Extension Week 46: AI Security Operations、MITRE ATLAS 与 OWASP

• Papers/concepts: MITRE ATLAS、OWASP LLM Top 10、NIST CSF、AI telemetry、detection engineering、incident response、purple team。
• Diagrams to draw: AI gateway telemetry -> detection rules -> SIEM/SOAR -> incident runbook -> control effectiveness dashboard。
• Code-lite experiment: 为客服 AI 或 Agent tool gateway 写 telemetry schema、12 条 detection rules、SEV matrix 和 prompt injection runbook。
• 系统学习要点: AI 安全不能停在上线前红队，而要进入持续检测、响应、恢复和控制有效性管理。
• 设计评审问题: 为什么传统 SOC 日志不足以发现 RAG prompt injection 或 Agent 工具误用？

Extension Week 47: Time-Series Forecasting、TFT、DeepAR 与 Foundation Models

• Papers/concepts: DeepAR、Temporal Fusion Transformer、TimesFM、NeuralForecast、probabilistic forecasting、prediction intervals、hierarchical forecasting、rolling backtest。
• Diagrams to draw: source systems -> point-in-time features -> forecast model -> quantile forecast -> decision service -> override -> actual feedback。
• Code-lite experiment: 为客服进线量、现金流或 SKU-门店需求写 forecast contract、feature availability matrix、rolling backtest 和 P50/P90 决策策略。
• 系统学习要点: 预测不是 dashboard，而是 forecast-to-decision loop；预测区间、特征可用性、回测泄漏和人工覆盖决定能否生产化。
• 设计评审问题: 为什么 P50 预测准确不代表客服排班、现金流 buffer 或库存决策可用？

Extension Week 48: Anomaly Detection、Isolation Forest 与 Risk Monitoring

• Papers/concepts: Isolation Forest、autoencoder、statistical process control、streaming anomaly detection、PyOD、NAB、threshold calibration、alert fatigue。
• Diagrams to draw: events -> window features -> anomaly ensemble -> policy thresholds -> alert grouping -> triage workbench -> feedback labels。
• Code-lite experiment: 为 fraud/AML/AI cost/SecOps 场景写 anomaly taxonomy、entity-window map、阈值策略、告警分流和反馈标签 schema。
• 系统学习要点: 异常检测不是模型报警器，而是风险运营系统；precision、容量、误伤、SLA、反馈闭环同样重要。
• 设计评审问题: 如何避免异常检测上线后三周内变成没人看的告警噪音？

Extension Week 49: Causal Discovery、DoWhy/EconML 与结构化决策

• Papers/concepts: SCM、DAG、causal discovery、causal inference、DoWhy、EconML、DAGitty、NOTEARS、confounding、identifiability、intervention。
• Diagrams to draw: decision question -> DAG -> identification -> estimation -> refutation -> policy simulation -> experiment/rollout。
• Code-lite experiment: 为营销 uplift、提额策略、欺诈强认证或 Copilot ROI 写 causal question canvas、DAG review、assumption register 和 sensitivity report。
• 系统学习要点: AI 产品价值不能只靠相关性证明；高风险产品动作需要把 treatment、outcome、population、horizon 和假设显性化。
• 设计评审问题: 为什么 causal discovery 不能自动替代 A/B 实验或业务 DAG review？

Extension Week 50: Optimization、Operations Research 与 AI Decisioning

• Papers/concepts: linear programming、integer programming、CP-SAT、routing、scheduling、OR-Tools、SciPy linprog、Gurobi、PuLP、multi-objective optimization。
• Diagrams to draw: forecast/scenario -> objective/constraints -> solver -> policy guardrail -> workflow execution -> exception/override -> outcome monitoring。
• Code-lite experiment: 为欺诈审核队列、客服排班、催收策略或 AI 平台容量写 optimization problem canvas、目标/约束表和无解例外流程。
• 系统学习要点: 预测说明可能发生什么，优化决定在约束下应该怎么做；Agent 可以提案，solver 和 policy 要负责可行性与审计。
• 设计评审问题: 为什么不能让 LLM 直接安排排班、分配额度或排序欺诈审核队列？

Extension Week 51: Contextual Bandits、LinUCB 与 Adaptive Experimentation

• Papers/concepts: multi-armed bandit、contextual bandit、LinUCB、Thompson Sampling、epsilon-greedy、propensity logging、IPS、doubly robust、offline policy evaluation。
• Diagrams to draw: context -> eligible actions -> exploration policy -> selected action + propensity -> reward -> OPE -> policy review。
• Code-lite experiment: 为 offer、next-best-action、客服路由或催收触达写 action catalog、exploration budget、decision log contract 和 OPE memo。
• 系统学习要点: Bandit 不是更花哨的 A/B，而是带反事实日志、探索预算、客户保护和 kill switch 的在线学习决策层。
• 设计评审问题: 为什么没有 action probability / propensity logging，就很难证明新策略真的更好？

Extension Week 52: Reinforcement Learning、Offline RL 与 Policy Decisioning

• Papers/concepts: MDP、policy、reward、DQN、policy gradient/PPO、offline RL、CQL、Decision Transformer、reward hacking、safe exploration。
• Diagrams to draw: decision log -> state builder -> action catalog -> simulator/replay -> offline RL learner -> OPE -> policy guardrail -> pilot。
• Code-lite experiment: 为 collections、fraud intervention sequencing、contact center routing 或 Agent tool policy 写 MDP spec、reward registry 和 policy guardrail。
• 系统学习要点: RL 的企业价值是序列决策语言；金融零售不能无约束在线试错，必须先做离线评估、仿真、人工审批和回滚。
• 设计评审问题: 为什么高风险金融 AI 不应该直接用 DQN/PPO 在线探索？

Extension Week 53: Bayesian Optimization、BoTorch/Optuna 与实验预算

• Papers/concepts: Bayesian optimization、Gaussian Process surrogate、acquisition functions、EI/UCB/PI、BoTorch、Optuna、multi-objective/constrained BO、regret。
• Diagrams to draw: parameter space -> surrogate -> acquisition -> experiment runner -> metrics/constraints -> next trial -> decision memo。
• Code-lite experiment: 为 RAG、prompt、model routing、pricing/offer 或 capacity/cost tuning 写 parameter registry、metric contract、BO plan 和 Pareto memo。
• 系统学习要点: BO 是昂贵实验的决策系统，用更少试验找到高价值配置，但必须纳入 safety gate、holdout eval 和实验审计。
• 设计评审问题: Bayesian optimization 和普通 grid/random search 对 AI 平台 PM 的实际差异是什么？

Extension Week 54: Calibration、Conformal Prediction 与 Uncertainty Governance

• Papers/concepts: calibration、ECE、reliability diagram、Brier score、temperature scaling、conformal prediction、coverage、selective prediction、abstention。
• Diagrams to draw: model score -> calibration layer -> conformal set/interval -> risk router -> auto/review/refuse/escalate -> monitoring。
• Code-lite experiment: 为 KYC 抽取、欺诈拦截、AML triage、信贷策略或 RAG answer confidence 写 calibration report、action routing matrix 和 confidence UX spec。
• 系统学习要点: 不确定性不是 UI 装饰，而是 AI 产品自动化边界、人工升级、拒答和客户信任体验的控制面。
• 设计评审问题: 为什么 LLM 自报 confidence 不能直接作为客户面向答案的可信度？

Extension Week 55: Data-Centric AI、Snorkel 与 Programmatic Labeling

• Papers/concepts: Snorkel、weak supervision、data programming、labeling functions、label model、coverage、overlap、conflict、dataset card、label provenance。
• Diagrams to draw: unlabeled data -> labeling functions -> label matrix -> label model -> probabilistic labels -> training dataset -> SME review -> evidence binder。
• Code-lite experiment: 为 KYC 文档、AML typology、投诉意图或 RAG eval 写 label taxonomy、LF catalog、coverage/conflict dashboard 和 SME adjudication flow。
• 系统学习要点: 标签不是训练前的杂务，而是 AI 产品的数据资产、治理证据和平台能力。
• 设计评审问题: weak supervision 生成的标签为什么不能直接当作正式 ground truth？

Extension Week 56: Active Learning、Human-in-the-Loop Labeling 与反馈运营

• Papers/concepts: active learning、uncertainty sampling、query-by-committee、expected model change、density weighting、noisy oracle、reviewer calibration、label budget。
• Diagrams to draw: production pool -> query strategy -> HITL queue -> SME review -> adjudication -> dataset registry -> model/eval update -> monitoring。
• Code-lite experiment: 为欺诈调查、KYC 例外、投诉 taxonomy 或 RAG QA 写 query policy、labeling queue、reviewer calibration 和 feedback governance memo。
• 系统学习要点: HITL 不是人工兜底，而是把专家判断变成持续学习的数据产品和风险控制机制。
• 设计评审问题: active learning 为什么会带来 sampling bias，如何控制？

Extension Week 57: Dataset Shift、Drift Monitoring 与 Model Performance Operations

• Papers/concepts: covariate shift、label shift、concept drift、training-serving skew、data validation、score drift、embedding drift、outcome lag、segment monitoring。
• Diagrams to draw: data contract -> feature stats -> score distribution -> outcome/proxy labels -> drift alert -> triage -> rollback/retrain/recalibrate。
• Code-lite experiment: 为 fraud、credit、AML、客服意图或 RAG 知识库写 drift metric catalog、alert runbook、segment dashboard 和 outcome lag plan。
• 系统学习要点: 模型上线不是结束，生产数据一旦改变，产品、架构和治理假设都要重新验证。
• 设计评审问题: 发现 drift 后为什么不应该默认立刻重训模型？

Extension Week 58: AI Management System、ISO 42001 与 Operating Model

• Papers/concepts: ISO/IEC 42001、AI management system、NIST AI RMF、AI inventory、risk tiering、release gate、control library、management review、continual improvement。
• Diagrams to draw: AI strategy -> inventory -> risk tier -> architecture/data/model review -> release evidence -> monitoring -> management review -> improvement。
• Code-lite experiment: 为 customer-facing GenAI、credit/fraud/KYC/AML AI 或 internal copilot 写 AI inventory、risk tier matrix、RACI、control library 和 evidence binder map。
• 系统学习要点: AI 治理不是审批口号，而是让 AI 可持续、可审计、可规模化交付的 operating system。
• 设计评审问题: 风险分层的 AI management system 为什么反而能加速创新？

Extension Week 59: Hidden Technical Debt in ML Systems 与 AI Architecture Debt

• Papers/concepts: CACE、entanglement、boundary erosion、hidden feedback loops、undeclared consumers、data dependency、configuration debt、debt register。
• Diagrams to draw: data sources -> features -> model/prompt -> decision policy -> downstream consumers -> feedback loop -> monitoring -> debt register。
• Code-lite experiment: 为欺诈、信贷、KYC、AML 或客服 RAG 写 dependency map、consumer registry、release bundle 和 AI technical debt register。
• 系统学习要点: AI 技术债不是代码脏，而是数据、模型、业务动作和组织责任纠缠后，让每次变更都变慢、变贵、变危险。
• 设计评审问题: CACE 为什么会让 AI 系统比普通软件更难改？

Extension Week 60: CD4ML、MLOps 与 AI Release Engineering

• Papers/concepts: CD4ML、CI/CD/CT、model registry、dataset registry、prompt registry、release bundle、shadow/canary/ramp、rollback、artifact lineage。
• Diagrams to draw: code/data/model/prompt/policy -> validation -> eval gate -> release bundle -> shadow -> canary -> ramp -> monitoring -> rollback。
• Code-lite experiment: 为 RAG 客服、欺诈模型、信贷策略或 AML Copilot 写 release manifest、gate checklist、canary plan 和 rollback runbook。
• 系统学习要点: AI 发布不是部署模型，而是对 code、data、model、prompt、阈值、policy 和 eval 的可控变更。
• 设计评审问题: 为什么高风险金融 AI 不能只靠自动 continuous training 直接发布？

Extension Week 61: Human-AI Interaction Guidelines 与 AI Product Design

• Papers/concepts: HAI guidelines、capability boundary、calibrated trust、automation bias、recoverability、feedback、uncertainty UX、human escalation。
• Diagrams to draw: user intent -> risk tier -> evidence/uncertainty -> UX policy renderer -> user control -> feedback/escalation -> monitoring。
• Code-lite experiment: 为 customer-facing RAG、AML analyst copilot 或信贷员工助手写 capability boundary、confidence UX matrix、recovery flow 和 HAI eval metrics。
• 系统学习要点: AI 产品体验不是让模型像人，而是让人知道何时信、何时停、如何纠错、如何升级。
• 设计评审问题: 为什么 Human-AI Interaction 是架构问题而不只是 UX 文案问题？

Extension Week 62: AI Architecture Decision Records 与 Decision Governance

• Papers/concepts: ADR、architecture knowledge、ISO/IEC/IEEE 42010、stakeholder concern、AI-specific ADR、reversal trigger、evidence link、risk tier。
• Diagrams to draw: use case intake -> significant decision -> ADR -> review -> release bundle -> monitoring -> supersede/reverse。
• Code-lite experiment: 为一个 flagship AI case 写 5 条 ADR: model strategy、RAG/knowledge、HITL、eval gate、vendor/platform boundary。
• 系统学习要点: AI 架构能力不是只会画图，而是能把关键决策、证据、后果和反转条件留下来，让系统长期可演进。
• 设计评审问题: 一条好的 AI ADR 比普通技术文档多哪些字段？

Extension Week 63: AI Requirements Engineering、GQM 与 Eval Contracts

• Papers/concepts: Goal-Question-Metric、AI requirement taxonomy、eval contract、golden set、release gate、monitoring gate、risk owner。
• Diagrams to draw: business outcome -> decision question -> metric -> eval dataset -> threshold -> release gate -> production monitoring -> review owner。
• Code-lite experiment: 为 AML、客服、信贷或财富 Copilot 写一份 GQM matrix 和 eval contract, 覆盖业务、产品、模型、风险和运营指标。
• 系统学习要点: 高级 AI BA 能力不是写更多 user story, 而是把模糊 AI idea 转成可验证、可上线、可监控、可审计的证据契约。
• 设计评审问题: 你如何把“做一个 AI 助手”转成可交付、可验收的 AI 产品需求？

Extension Week 64: AI Quality Attributes、ATAM 与 Architecture Tradeoff

• Papers/concepts: quality attribute scenario、utility tree、ATAM、tradeoff point、sensitivity point、architecture tactic、AI release evidence。
• Diagrams to draw: stakeholder concern -> quality scenario -> tactic -> tradeoff -> eval evidence -> ADR -> release decision。
• Code-lite experiment: 为一个 AI case 写 utility tree, 对 RAG、fine-tune、model routing、HITL、guardrail、cache 和 audit log 做权衡矩阵。
• 系统学习要点: AI 架构评审不是争论方案偏好, 而是显性化准确性、安全、隐私、延迟、成本、可审计性和可恢复性的取舍。
• 设计评审问题: 你如何判断一个 AI 架构的质量属性和残余风险是否可接受？

Extension Week 65: AI Safety Engineering、STPA 与 Control Structure

• Papers/concepts: STPA、loss、hazard、unsafe control action、control structure、causal scenario、safety constraint、circuit breaker。
• Diagrams to draw: business policy -> AI controller -> model/RAG/tool layer -> business API -> human reviewer -> monitoring feedback -> incident response。
• Code-lite experiment: 为支付退款 agent 或 AML agent 写 loss/hazard register、UCA table、safety constraints、HITL gate 和 kill switch 条件。
• 系统学习要点: Agentic AI 的安全不是“模型准确率高”或“有权限控制”就够, 而是完整控制结构、反馈、约束和人工接管是否成立。
• 设计评审问题: 为什么 AI agent 需要 STPA 这类系统安全分析？

Extension Week 66: Sociotechnical AI、Resilience 与 Work-as-Done

• Papers/concepts: sociotechnical system、work-as-imagined、work-as-done、human-AI collaboration、handoff、exception、load、resilience metric、operating model。
• Diagrams to draw: user role -> AI role -> workflow step -> exception path -> handoff -> feedback -> eval update -> governance review。
• Code-lite experiment: 对一个金融零售 AI Copilot 做 work-as-imagined / work-as-done mapping, 并设计 operating model RACI 和 resilience dashboard。
• 系统学习要点: AI 产品不是模型功能, 而是人、流程、数据、工具、政策和反馈共同运行的工作系统。
• 设计评审问题: 你如何避免 AI 上线后把风险和工作负载转移给下游团队？

Extension Week 67: AI Capability-Based Planning 与 Business Architecture

• Papers/concepts: capability-based planning、business capability、value stream、capability maturity、portfolio prioritization、architecture runway、funding gate。
• Diagrams to draw: value stream -> capability map -> AI use case portfolio -> maturity gap -> platform/governance dependency -> roadmap。
• Code-lite experiment: 为 AML、客服、信贷或财富顾问做 AI capability map, 并把 use cases 映射到复用能力和平台能力。
• 系统学习要点: 企业 AI 转型不是堆 use case, 而是建设可复用、可治理、可扩展的业务和平台能力。
• 设计评审问题: 你如何把 AI use case 清单升级成企业能力路线图？

Extension Week 68: Wardley Mapping 与 AI Product / Platform Strategy

• Papers/concepts: user need、value chain、evolution axis、doctrine、build/buy/partner、platformize、commodity vs custom。
• Diagrams to draw: user need -> AI value chain components -> evolution position -> build/buy/platform decision -> roadmap move。
• Code-lite experiment: 为一个 AI Gateway、客服知识平台或 AML Copilot 画 Wardley Map, 并写 build-buy-platformize 决策矩阵。
• 系统学习要点: AI 产品战略需要地形感, 不是用供应商功能表或模型排行榜替代战略判断。
• 设计评审问题: 你如何判断哪些 AI 能力应该自研、采购、合作或平台化？

Extension Week 69: Conway's Law、Team Topologies 与 AI Platform Operating Model

• Papers/concepts: Conway's Law、stream-aligned team、platform team、enabling team、complicated-subsystem team、cognitive load、team API、interaction modes。
• Diagrams to draw: AI value stream -> team topology -> platform team API -> interaction mode -> governance responsibility -> feedback loop。
• Code-lite experiment: 为一个金融零售 AI platform 设计 team topology、RACI、team API 和 interaction mode transition。
• 系统学习要点: AI 架构和组织结构会互相塑造, 团队边界错了, 系统接口和治理路径也会错。
• 设计评审问题: 企业 AI 平台应该集中、分散还是平台 + 产品团队混合？

Extension Week 70: DORA / SPACE 与 AI SDLC Engineering Productivity

• Papers/concepts: DORA metrics、SPACE framework、AI-assisted PR、code agent governance、secure SDLC、review load、architecture drift、release gate。
• Diagrams to draw: issue -> AI-assisted code/test/doc -> PR gate -> security gate -> eval gate -> release -> incident/feedback -> productivity dashboard。
• Code-lite experiment: 为 AI code agent adoption 设计 DORA+SPACE dashboard、PR gate checklist 和 AI-assisted defect postmortem 模板。
• 系统学习要点: AI 工程生产力不是多写代码, 而是在安全、质量和可恢复性前提下提高端到端交付价值流。
• 设计评审问题: 你如何证明 AI code agent 真的提高了工程生产力, 而不是只增加了 PR 和代码量？

Extension Week 71: Continuous Discovery 与 Opportunity Solution Tree for AI Products

• Papers/concepts: continuous discovery、opportunity solution tree、outcome、opportunity、solution、experiment、assumption map、AI task boundary、pilot learning。
• Diagrams to draw: business outcome -> opportunity tree -> AI task boundary -> solution options -> assumptions -> evidence -> release/scale decision。
• Code-lite experiment: 为 AML、客服、信贷或财富顾问 AI case 写一张 OST, 并设计 5 个高风险假设的验证实验。
• 系统学习要点: AI 产品发现不是收集“想要一个助手”, 而是持续发现机会、验证假设、建立证据, 决定继续、调整、停止或平台化。
• 设计评审问题: 业务方提出 AI 助手需求时, 你如何把它转成 opportunity tree 和 evidence plan？

Extension Week 72: Jobs-to-be-Done / Outcome-Driven Innovation 与 AI Use Case Selection

• Papers/concepts: JTBD、job map、outcome statement、underserved outcome、opportunity score、AI fit、automation boundary。
• Diagrams to draw: user job -> job steps -> outcome statements -> underserved outcomes -> AI fit -> automation boundary -> prioritized use case。
• Code-lite experiment: 为一个金融零售角色写 job map 和 outcome catalog, 再评估哪些 job step 适合 AI assist/recommend/decide/act。
• 系统学习要点: AI use case 选择不应按 demo 热度排序, 而应从用户要完成的 job 和 underserved outcomes 出发。
• 设计评审问题: 你如何判断一个 job step 应该由 AI 辅助、建议、决策、执行还是不介入？

Extension Week 73: North Star Metrics 与 AI Product Value Measurement

• Papers/concepts: North Star Metric、input metrics、guardrail metrics、risk-adjusted value、causal evidence、benefits realization、product analytics governance。
• Diagrams to draw: North Star -> input metrics -> AI quality/eval metrics -> risk guardrails -> operational load -> cost -> evidence strength。
• Code-lite experiment: 为 AML Copilot、客服 Copilot 或 AI 平台设计 metrics tree 和 risk-adjusted value model。
• 系统学习要点: AI 成功不能用调用量、生成字数或主观工时节省证明, 必须连接业务价值、风险护栏、运营负载和因果证据。
• 设计评审问题: 为什么 AI 采纳率高不一定代表 AI 产品成功？

Extension Week 74: AI Product Operating Model 与 Empowered Teams

• Papers/concepts: product operating model、empowered product teams、product trio、decision rights、discovery-delivery-governance cadence、platform/risk operating model。
• Diagrams to draw: AI product team mission -> product trio+ -> decision rights -> discovery cadence -> delivery flow -> eval gate -> operating review。
• Code-lite experiment: 为一个 AI 产品团队设计 Product Trio+、RACI、decision rights 和 operating review dashboard。
• 系统学习要点: AI 产品团队要对 outcome 负责, 但必须在模型、数据、风险、平台和运营 guardrails 内被授权。
• 设计评审问题: AI 产品团队如何既 empowered 又满足高风险金融场景的治理要求？

Extension Week 75: AI Portfolio Management 与 Funding Governance

• Papers/concepts: AI portfolio management、portfolio kanban、lean funding、capacity allocation、risk-adjusted value、funding gate、benefits realization、scale/stop decision。
• Diagrams to draw: idea funnel -> discovery -> pilot -> release -> scale/stop；business value -> data readiness -> risk tier -> platform leverage -> funding decision。
• Code-lite experiment: 为 AML、客服、信贷或财富 AI portfolio 写 scorecard、funding memo、quarterly portfolio review agenda 和 stop rule。
• 系统学习要点: AI portfolio 不是 use case 清单, 而是用证据、资金、风险、平台和组织容量管理的投资组合。
• 设计评审问题: 你如何决定一个 AI pilot 继续投、扩展、调整还是停止？

Extension Week 76: AI Service Blueprint、Customer Journey 与 Trust

• Papers/concepts: service blueprint、customer journey、frontstage/backstage、trust calibration、human-AI interaction、handoff、correction、appeal。
• Diagrams to draw: customer action -> frontstage AI -> frontstage human -> backstage workflow -> data/knowledge/model -> controls/evidence -> metrics。
• Code-lite experiment: 为信用卡 dispute、信贷解释、客服投诉或 KYC onboarding 写一张 AI service blueprint 和 trust moment checklist。
• 系统学习要点: AI 体验不是界面上的回答, 而是包含后台流程、知识源、人工交接、申诉和审计证据的服务系统。
• 设计评审问题: 你如何设计一个客户愿意信任、但不会过度信任的 AI 服务旅程？

Extension Week 77: AI Business Process Reengineering、BPMN 与 DMN

• Papers/concepts: AI BPR、BPMN、DMN、process mining、decision service、AI insertion pattern、human oversight、eval traceability、control evidence。
• Diagrams to draw: value stream -> BPMN node -> DMN decision -> AI capability -> eval contract -> control evidence -> monitoring。
• Code-lite experiment: 为 AML alert triage、贷款审批、支付争议或客服 case flow 写 BPMN/DMN/eval trace matrix。
• 系统学习要点: AI 流程重构不是给旧流程加 copilot, 而是重新分配人、规则、模型、系统和控制点的职责。
• 设计评审问题: 你如何把一条复杂金融流程重构成可自动化、可监督、可审计的 AI-ready process？

Extension Week 78: AI Risk Appetite 与 Policy Product Management

• Papers/concepts: risk appetite、policy-as-product、risk tier、guardrail catalog、runtime control、exception process、KRI/SLO、stop rule。
• Diagrams to draw: enterprise risk appetite -> product guardrails -> architecture controls -> runtime enforcement -> monitoring -> exception/review。
• Code-lite experiment: 为财富 AI assistant、信贷 copilot、客服 RAG 或 AML agent 写 risk appetite statement、policy-to-product matrix 和 exception memo。
• 系统学习要点: AI 风险偏好必须进入产品边界、路线图、UX、架构控件、监控阈值和上线门禁, 不能停留在政策文件里。
• 设计评审问题: 你如何把董事会/风控层面的 AI risk appetite 转成产品团队可执行的 guardrails？

Extension Week 79: Enterprise AI Reference Architecture 与 Control Plane

• Papers/concepts: enterprise AI reference architecture、control plane、application/model/data/tool/policy/eval/governance plane、model gateway、tool gateway、observability。
• Diagrams to draw: experience -> orchestration -> model/data/tool -> policy/control -> eval/observability -> evidence；control plane vs data plane。
• Code-lite experiment: 为 AML、信贷、客服或 KYC AI platform 画 capability view、C4/container view、sequence view、control view 和 operating view。
• 系统学习要点: 企业 AI 架构不是单个 app, 而是一套可复用、可控制、可观测、可审计的 shared architecture。
• 设计评审问题: 你如何设计一个能支持多业务线 AI 应用的 enterprise AI reference architecture？

Extension Week 80: AI Product Line Engineering 与 Reusable Platform Assets

• Papers/concepts: software product line engineering、core assets、variation points、domain engineering、application engineering、asset governance、reuse ROI。
• Diagrams to draw: capability family -> domain architecture -> commonality/variability -> core asset map -> application assembly -> reuse telemetry。
• Code-lite experiment: 为 case-assist、policy assistant 或 customer-facing RAG 产品族写 core asset map、variation matrix 和 reuse decision memo。
• 系统学习要点: AI 规模化不是复制 POC, 而是把可复用资产和业务可变点分离并产品化。
• 设计评审问题: 你如何判断一个 AI 能力应该沉淀成平台资产, 还是保留为业务线定制？

Extension Week 81: AI Maturity Model、Roadmap 与 Capability Assessment

• Papers/concepts: AI maturity model、capability domains、evidence standard、roadmap sequencing、capability heatmap、architecture runway、operating cadence。
• Diagrams to draw: maturity domain -> evidence -> gap -> dependency -> roadmap；foundation -> pilot evidence -> platformization -> governance scaling -> product-line reuse。
• Code-lite experiment: 为一家金融零售机构做 AI maturity scorecard、capability heatmap、roadmap dependency map 和 quarterly maturity review agenda。
• 系统学习要点: AI 成熟度不是 POC 数量, 而是组织能否持续、安全、可规模化地交付 AI 业务价值。
• 设计评审问题: 你如何评估一个组织的 AI 成熟度, 并把评估结果转成 12 个月路线图？

Extension Week 82: AI Control Library 与 Assurance Evidence Graph

• Papers/concepts: control library、control objective、control activity、assurance case、claim-argument-evidence、evidence graph、release assurance。
• Diagrams to draw: claim -> risk -> control objective -> control activity -> test -> evidence -> owner -> review cadence。
• Code-lite experiment: 为 customer-facing AI、AML agent 或信贷 copilot 写 control catalog、evidence graph table、assurance case memo 和 regulator Q&A map。
• 系统学习要点: 高风险 AI 控制不能只靠 checklist, 必须把风险、控制、测试、证据、owner 和上线决策连成图谱。
• 设计评审问题: 当审计或监管问“这个 AI 为什么可以上线”时, 你如何用证据图谱回答？

Extension Week 83: AI Domain-Driven Design 与 Ubiquitous Language

• Papers/concepts: DDD、bounded context、ubiquitous language、aggregate、domain event、context map、anti-corruption layer、RAG boundary、eval vocabulary。
• Diagrams to draw: bounded context -> ubiquitous language -> knowledge source -> AI task boundary -> eval taxonomy -> tool boundary。
• Code-lite experiment: 为 AML、信贷、客服或财富 AI assistant 写 AI domain model canvas、context map、RAG boundary matrix 和 domain eval taxonomy。
• 系统学习要点: AI 语义风险来自上下文混用; DDD 能把业务语言、知识边界、工具权限和评估词表连接起来。
• 设计评审问题: 为什么企业 AI 不能只靠一个统一知识库和长 prompt 管理业务语义？

Extension Week 84: AI EventStorming 与 Agent Workflow Discovery

• Papers/concepts: EventStorming、domain event、command、actor、policy、external system、hotspot、read model、AI insertion point、compensation。
• Diagrams to draw: domain event -> command -> actor/system -> policy gate -> tool call -> HITL -> resulting event -> evidence。
• Code-lite experiment: 为 payment dispute、AML investigation 或 credit ops agent 写 event storm board schema、workflow trace matrix 和 hotspot-to-eval map。
• 系统学习要点: Agent workflow 设计要从业务事实链开始, 不是从工具清单或 PRD 页面开始。
• 设计评审问题: 你如何用事件风暴发现 AI agent 的工具边界、异常补偿和审计证据？

Extension Week 85: AI Knowledge Work Redesign 与 Role-Task Architecture

• Papers/concepts: knowledge work redesign、role-task decomposition、human-AI teaming、task allocation、accountability、override、workload-risk metrics。
• Diagrams to draw: role -> job -> task -> decision -> artifact -> handoff -> control -> metric；task allocation ladder。
• Code-lite experiment: 为 AML analyst、credit underwriter 或 customer service agent 写 role-task matrix、human-AI responsibility matrix 和 workload-risk dashboard。
• 系统学习要点: AI 转型不是发 Copilot, 而是重新设计角色、任务、责任、交接、控制和指标。
• 设计评审问题: 你如何避免 AI adoption 把验证负担和风险转嫁给一线员工？

Extension Week 86: AI Platform Service Catalog 与 Golden Paths

• Papers/concepts: platform engineering、service catalog、golden path、software templates、self-service provisioning、policy guardrails、platform product metrics。
• Diagrams to draw: use case intake -> risk tier -> golden path -> service provisioning -> eval/release gate -> observability/evidence。
• Code-lite experiment: 为银行 AI platform 写 service catalog cards、customer-facing RAG golden path、agent workflow golden path 和 platform adoption dashboard。
• 系统学习要点: AI 平台不是模型 API, 而是让团队在 guardrails 内自助交付 safe value 的产品系统。
• 设计评审问题: AI Platform PM 如何证明平台提高了 time-to-safe-value, 而不是只增加了组件数量？

Extension Week 87: AI Architecture Views、C4、arc42 与 ISO 42010

• Papers/concepts: C4 model、arc42、ISO/IEC/IEEE 42010、stakeholder、concern、viewpoint、architecture description、AI control/evidence view。
• Diagrams to draw: stakeholder-concern matrix -> viewpoint catalog -> C4 context/container/component -> runtime/eval/control/evidence views。
• Code-lite experiment: 为 customer-facing RAG、AML copilot 或 payment dispute agent 画 C4 三层图、运行时序列图和 control/evidence view。
• 系统学习要点: 高级 AI 架构表达不是一张大图, 而是按 stakeholder concern 组织的多视图决策系统。
• 设计评审问题: 你如何用 C4、arc42 和 42010 让业务、工程、风险、审计都能评审同一个 AI 系统？

Extension Week 88: AI Architecture Fitness Functions 与持续治理

• Papers/concepts: architecture fitness functions、continuous governance、quality attribute、eval gate、policy-as-code、runtime SLO、OpenTelemetry、evidence binder。
• Diagrams to draw: architecture intent -> fitness function -> CI/release gate -> runtime monitor -> exception/remediation -> architecture review。
• Code-lite experiment: 为一个高风险 AI agent 写 12 条 fitness functions, 覆盖质量、安全、隐私、工具、成本、证据和 adoption。
• 系统学习要点: AI 架构治理不能只靠上线前评审, 必须把质量和控制转成持续可检查的测试、门禁、监控和证据查询。
• 设计评审问题: 你如何证明 AI 架构上线后仍然满足原来的质量属性和风险边界？

Extension Week 89: Contract-First AI Tool/API Design、OpenAPI 与 AsyncAPI

• Papers/concepts: OpenAPI、AsyncAPI、JSON Schema、CloudEvents、tool contract、event contract、structured output、idempotency、approval、audit。
• Diagrams to draw: agent intent -> tool discovery -> schema validation -> policy decision -> tool execution/event emission -> telemetry/evidence。
• Code-lite experiment: 为 dispute resolution agent 写 3 张 tool contract cards、2 张 event contract cards、side-effect matrix 和 contract test list。
• 系统学习要点: Agent 集成不能靠 prompt 文本约定, 必须用契约、策略、审批、幂等和 telemetry 限制可执行动作。
• 设计评审问题: 你如何设计一个既能被 AI agent 调用、又能被安全和审计接受的企业工具契约？

Extension Week 90: AI Traceability Graph 与需求-评测-控制-证据追踪

• Papers/concepts: traceability graph、requirements-to-eval、requirements-to-control、W3C PROV、evidence object、release decision memo、runtime trace。
• Diagrams to draw: business outcome -> requirement -> eval -> control -> ADR -> component/config -> telemetry -> evidence -> release decision。
• Code-lite experiment: 为 AML investigation copilot 或 customer-facing policy assistant 写 requirements-eval-control-evidence graph 和 5 条 audit queries。
• 系统学习要点: 高级需求与产品架构能力不是写更多 user stories, 而是把需求、风险、评测、控制、运行证据和审计问答连接起来。
• 设计评审问题: 当审计问“这个 AI requirement 为什么算被满足”时, 你如何用 traceability graph 回答？

Extension Week 91: AI Enterprise Architecture、TOGAF ADM 与 ArchiMate

• Papers/concepts: TOGAF ADM、ArchiMate、architecture repository、architecture governance、transition architecture、AI architecture principles。
• Diagrams to draw: AI vision -> capability map -> information/application/technology architecture -> migration plateau -> governance/evidence。
• Code-lite experiment: 为银行 AI portfolio 写 AI ADM canvas、ArchiMate element mapping、architecture repository index 和 transition roadmap。
• 系统学习要点: AI EA 不是多画技术图, 而是把 use case、能力、平台资产、治理、迁移和证据放进企业架构循环。
• 设计评审问题: 你如何把分散 AI POC 收敛成 enterprise AI operating capability？

Extension Week 92: Banking AI Reference Models、BIAN、FIBO 与 ISO 20022

• Papers/concepts: BIAN service domains、FIBO ontology、ISO 20022 message semantics、banking semantic boundaries、reference model mapping。
• Diagrams to draw: banking capability -> service domain -> financial concept -> message element -> AI tool/RAG/eval/evidence。
• Code-lite experiment: 为 payment investigation、KYC、AML、credit 或 wealth AI 写 reference model mapping 和 semantic gap log。
• 系统学习要点: 金融 AI 不应只学习历史系统字段, 必须对齐行业能力、金融概念和消息语义。
• 设计评审问题: BIAN、FIBO、ISO 20022 如何帮助你减少 AI 在银行场景中的语义风险？

Extension Week 93: AI Semantic Interoperability、RDF、OWL 与 SHACL

• Papers/concepts: RDF triples、OWL ontology、SHACL constraints、semantic contract、JSON Schema boundary、semantic drift。
• Diagrams to draw: concept -> ontology slice -> RAG metadata -> tool schema -> semantic eval -> evidence graph。
• Code-lite experiment: 为 lending policy assistant 或 AML copilot 写 20 个核心概念、10 个关系、5 条 semantic constraints 和 semantic eval cases。
• 系统学习要点: 语义互操作是 AI 架构能力, 用来降低概念混淆、字段错配、指标歧义和审计不可追踪。
• 设计评审问题: 什么时候 JSON Schema 足够, 什么时候需要 ontology/SHACL 这类语义约束？

Extension Week 94: AI Value Stream Management 与 Flow Metrics

• Papers/concepts: value stream management、Flow Framework、APQC PCF、DORA/SPACE、AI flow items、benefits realization。
• Diagrams to draw: opportunity -> data readiness -> architecture/eval/control -> release -> adoption -> business outcome -> scale/stop/platformize。
• Code-lite experiment: 为客服 AI portfolio 或 AML AI portfolio 写 value stream canvas、flow metrics dashboard 和 blocked work taxonomy。
• 系统学习要点: AI 成功不是调用量和功能数, 而是从 idea 到 safe value 的流动效率、风险控制和可证明业务结果。
• 设计评审问题: 你如何判断 AI portfolio 的瓶颈在需求、数据、平台、风险门禁还是采用？

Extension Week 95: AI Regulatory Architecture、EU AI Act、NIST AI RMF 与 ISO 42001

• Papers/concepts: AI regulatory architecture、risk tier、obligations-to-controls mapping、AI management system、governance evidence。
• Diagrams to draw: regulation/framework -> obligation -> control -> lifecycle gate -> evidence -> management review。
• Code-lite experiment: 为 customer-facing lending copilot 写 risk-tier decision、control map、release gate 和 regulator evidence pack。
• 系统学习要点: 高级 AI 产品能力不是记法规条款, 而是把法规、框架和管理体系变成可运行的产品/架构控制。
• 设计评审问题: 你如何把 EU AI Act、NIST AI RMF 和 ISO 42001 转成一个可执行的 AI governance architecture？

Extension Week 96: AI Model Risk Validation 与 Independent Challenge

• Papers/concepts: SR 11-7、model risk、GenAI system validation、conceptual soundness、outcome analysis、independent challenge、revalidation trigger。
• Diagrams to draw: approved use -> system inventory -> validation plan -> challenge questions -> findings -> release decision -> revalidation loop。
• Code-lite experiment: 为 AML case narrative assistant 写 validation plan、evidence map、finding log 和 release restriction memo。
• 系统学习要点: GenAI 验证对象不是模型 benchmark, 而是包含模型、prompt、RAG、tool、workflow、HITL 和运营监控的系统。
• 设计评审问题: 模型 benchmark 很高, 为什么金融零售 AI 仍然需要独立验证和有效挑战？

Extension Week 97: AI Third-Party Vendor Contract 与 Exit Architecture

• Papers/concepts: third-party risk、vendor due diligence、AI contract clauses、model update notice、audit rights、SLA/SLO、exit architecture、concentration risk。
• Diagrams to draw: vendor capability -> data boundary -> contract control -> integration architecture -> monitoring -> exit/transition plan。
• Code-lite experiment: 为 AI客服供应商写 due diligence checklist、contract clause map、model update impact matrix 和 exit runbook。
• 系统学习要点: AI 采购不是功能对比, 而是把供应商能力、合同权利、数据边界、运行控制和退出路径一起设计。
• 设计评审问题: 你如何防止关键 AI vendor 变成不可替换、不可审计、不可退出的架构风险？

Extension Week 98: AI Data Lifecycle Governance、Provenance 与 Retention

• Papers/concepts: data lifecycle、provenance、retention/deletion、W3C PROV、privacy-by-design、lineage、training/RAG/eval/log data boundaries。
• Diagrams to draw: data source -> consent/legal basis -> transformation -> model/RAG/eval/memory/log use -> retention -> deletion -> evidence。
• Code-lite experiment: 为 banking policy assistant 写 data lifecycle register、provenance card、retention matrix 和 deletion verification checklist。
• 系统学习要点: AI 数据治理不是“有数据就用”, 而是定义来源、用途、期限、删除、血缘、权限和证明方式。
• 设计评审问题: 你如何设计一个能支持 RAG、eval、memory 和 audit 的 AI data lifecycle？

Extension Week 99: AI Agent Autonomy 与 Delegation Architecture

• Papers/concepts: autonomy levels、delegated authority、tool authority、approval-before-action、supervisor、kill switch、human escalation。
• Diagrams to draw: task -> autonomy level -> data/tool scope -> approval gate -> escalation -> evidence -> revocation。
• Code-lite experiment: 为 credit card dispute agent 写 autonomy decision record、delegation matrix、tool authority card 和 kill-switch runbook。
• 系统学习要点: Agent 自主权不是模型能力, 而是在明确边界内被委派的行动权力。
• 设计评审问题: 你如何判断一个 AI Agent 应该有多高自主性？

Extension Week 100: AI Agent Identity 与 Delegated Authorization

• Papers/concepts: OAuth、OIDC、token exchange、scope catalog、on-behalf-of、purpose-bound token、step-up approval、audit claims。
• Diagrams to draw: human user -> agent run -> token exchange -> tool gateway -> downstream service -> evidence log。
• Code-lite experiment: 为 payment dispute assistant 写 agent identity card、delegated authorization matrix、scope catalog 和 revocation runbook。
• 系统学习要点: Agent 不能靠共享 admin key 行动, 必须有可追责身份和可撤销委托授权。
• 设计评审问题: 你如何设计 AI Agent 的身份、授权和审计？

Extension Week 101: AI Runtime Evidence 与 Observability Architecture

• Papers/concepts: OpenTelemetry、OpenLineage、CloudEvents、W3C PROV、trace/span、evidence lake、SLO/KRI、incident replay。
• Diagrams to draw: AI run -> prompt/config -> retrieval -> tool call -> policy decision -> human approval -> output -> feedback -> evidence lake。
• Code-lite experiment: 为 lending policy RAG 写 span schema、evidence event contract、dashboard spec 和 audit query catalog。
• 系统学习要点: 生产级 AI 可观测性不是日志, 而是能证明 AI 如何产生输出、如何行动、如何被控制的 runtime evidence。
• 设计评审问题: 你如何让 AI 系统上线后可审计、可复盘、可持续改进？

Extension Week 102: AI Portfolio Systemic Risk 与 Dependency Architecture

• Papers/concepts: dependency graph、concentration risk、blast radius、fallback diversity、shared control、vendor concentration、portfolio KRI。
• Diagrams to draw: use cases -> shared models/vendors/data/tools/identity/HITL/evidence -> failure propagation -> controls。
• Code-lite experiment: 为 5 个金融零售 AI use cases 画 dependency graph、concentration heatmap、blast-radius map 和 fallback matrix。
• 系统学习要点: 单个 AI 项目风险可接受, 不代表 AI portfolio 的共享依赖和相关失败风险可接受。
• 设计评审问题: 你如何管理 AI portfolio 级风险, 而不是只审每个项目？

Extension Week 103: AI Customer Harm 与 Redress / Recovery Architecture

• Papers/concepts: NIST AI RMF、EU AI Act post-market monitoring、complaint taxonomy、redress、recourse、remediation、customer recovery、root-cause loop。
• Diagrams to draw: AI decision/action -> customer harm signal -> triage -> correction/compensation -> recovery -> prevention control -> evidence binder。
• Code-lite experiment: 为 AI 客服/信贷/争议处理设计 harm taxonomy、recourse workflow、remediation ledger、customer communication template 和 recovery KPI。
• 系统学习要点: 面向客户的 AI 不能只看准确率, 必须把错误发现、救济、补偿、恢复和防复发设计成产品能力。
• 设计评审问题: AI 系统伤害客户后, 你如何设计产品、流程和架构上的补救机制？

Extension Week 104: AI Fairness 与 Fair Lending / Bias Control

• Papers/concepts: fairness metrics、fair lending、disparate impact、proxy discrimination、segment eval、human review calibration、bias risk register。
• Diagrams to draw: protected attributes/proxies -> model/features/policy -> segment outcomes -> review queue -> mitigation -> evidence binder。
• Code-lite experiment: 为信贷预审或额度推荐设计 fairness eval matrix、proxy risk register、segment guardrail、override sampling 和 fairness release gate。
• 系统学习要点: 公平性不是算法团队的单点指标, 而是数据、特征、策略、人工审核、客户解释和治理证据的系统属性。
• 设计评审问题: 在不能直接使用敏感属性的场景下, 你如何发现并控制 AI 偏见？

Extension Week 105: AI Explainability 与 Contestability / Adverse Action

• Papers/concepts: explainability boundary、reason code、counterfactual explanation、contestability、adverse action notice、audit trail、human appeal。
• Diagrams to draw: decision -> reason generation -> customer-facing explanation -> appeal intake -> evidence retrieval -> human decision -> feedback。
• Code-lite experiment: 为 lending decision assistant 写 reason-code catalog、adverse-action evidence packet、appeal SLA、human review checklist 和 explanation QA rubric。
• 系统学习要点: 可解释性不是把模型内部暴露给用户, 而是给客户、运营、合规和审计一个可理解、可争议、可纠正的决策接口。
• 设计评审问题: 你如何把复杂模型的结果转成合规、可操作、客户能理解的解释？

Extension Week 106: AI Change Impact 与 Release Governance

• Papers/concepts: SR 26-2 change governance、legacy SR 11-7 context、ISO 42001 lifecycle、model/prompt/RAG/tool/policy/vendor change、impact graph、regression gate、rollback。
• Diagrams to draw: change request -> impacted use cases/data/eval/control/vendor/workflow -> regression suite -> approval -> rollout -> monitoring。
• Code-lite experiment: 为 AI portfolio 写 change classification matrix、impact graph、regression gate checklist、release evidence bundle 和 rollback runbook。
• 系统学习要点: AI 变更不是普通版本发布, 因为模型、提示词、知识源、工具、策略和供应商任一变化都会改变业务行为和风险暴露。
• 设计评审问题: 你如何治理 AI 系统的 prompt、RAG、模型和工具变更？

Extension Week 107: AI Continuous Control Monitoring 与 Assurance Architecture

• Papers/concepts: NIST AI RMF、ISO 42001 performance evaluation、SR 26-2 monitoring discipline、continuous control monitoring、control test、exception、KRI、management action、assurance evidence。
• Diagrams to draw: control objective -> telemetry/eval/sample -> automated control test -> exception -> owner action -> effectiveness verification -> management report。
• Code-lite experiment: 为 AML copilot 或 lending assistant 写 control test catalog、exception schema、KRI dashboard、sampling plan 和 monthly assurance pack。
• 系统学习要点: AI 控制不是上线前 checklist, 而是上线后持续证明控制仍有效、例外被处理、风险仍在 appetite 内的管理系统。
• 设计评审问题: 你如何证明 AI 系统的控制上线后仍然有效？

Extension Week 108: AI Operational Resilience 与 BCP / Degraded Mode Architecture

• Papers/concepts: FFIEC Business Continuity Management、SR 20-24 operational resilience、critical operations、dependency graph、impact tolerance、degraded mode、RTO/RPO、fallback decision rights、tabletop exercise。
• Diagrams to draw: critical AI workflow -> model/RAG/tool/policy/identity/HITL/vendor/evidence dependencies -> degraded modes -> recovery path -> exercise evidence。
• Code-lite experiment: 为 customer service RAG、payments dispute assistant 或 fraud triage agent 写 degraded-mode matrix、manual fallback SOP、customer communication trigger 和 resilience exercise script。
• 系统学习要点: AI resilience 不是“模型挂了就换模型”, 而是关键业务操作在依赖降级时仍能安全、可审计、可恢复地运行。
• 设计评审问题: 模型供应商、RAG 索引或人工审核队列故障时, 你如何设计 AI 业务连续性？

Extension Week 109: AI Management Information 与 Board Reporting Architecture

• Papers/concepts: management information、metric contract、MI lineage、risk appetite、board pack、control effectiveness、customer harm reporting、vendor concentration、management action log、attestation。
• Diagrams to draw: telemetry/evidence sources -> metric contracts -> lineage/quality checks -> thresholds -> management action -> board/audit committee decision。
• Code-lite experiment: 为 AI portfolio 写 board MI pack: value metrics、risk appetite dashboard、control effectiveness view、customer harm trend、vendor concentration 和 overdue action log。
• 系统学习要点: 董事会报告不是项目周报美化, 而是把 AI 事实、价值、风险、控制和行动做成可追溯、可挑战、可决策的管理信息产品。
• 设计评审问题: 你如何设计董事会能真正用来监督 AI 风险和价值的 MI？

Extension Week 110: AI Closed-Loop Learning 与 Corrective Action Architecture

• Papers/concepts: closed-loop learning、CAPA、feedback taxonomy、root cause、issue-to-change linkage、effectiveness verification、customer complaint signal、drift/eval/incident/audit feedback。
• Diagrams to draw: feedback signal -> issue triage -> root cause -> corrective/preventive action -> change gate -> verification -> residual risk and closure。
• Code-lite experiment: 为信贷解释、客服 RAG 或 AML narrative assistant 写 feedback taxonomy、root-cause codebook、CAPA workflow、change linkage table 和 closure evidence checklist。
• 系统学习要点: AI 学习闭环不是“收集反馈再微调”, 而是把失败信号转成可治理的纠正行动、验证证据和防复发机制。
• 设计评审问题: 你如何把用户反馈、人工覆盖、投诉和审计发现变成 AI 系统的可证明改进？

Extension Week 111: AI Regulatory Horizon 与 Obligation Intelligence Architecture

• Papers/concepts: EU AI Act、CFPB circulars、SR 26-2、NIST AI RMF、ISO 42001、source registry、applicability triage、obligation ontology、obligation-to-control/eval/change graph。
• Diagrams to draw: source signal -> applicability triage -> obligation extraction -> impacted product/process/control/eval -> owner action -> evidence and management report。
• Code-lite experiment: 为 lending AI、AML copilot 或 customer service RAG 建一个 obligation intelligence register、source taxonomy、triage checklist 和 control impact map。
• 系统学习要点: 监管变化不能只靠法务邮件, 必须转成可追踪的义务情报、控制变更、评测变更和产品路线图影响。
• 设计评审问题: AI 法规和监管指引不断变化时, 你如何让产品和架构持续合规可调？

Extension Week 112: AI Exception / Risk Acceptance 与 Waiver Architecture

• Papers/concepts: exception management、risk acceptance、temporary waiver、compensating control、expiry、renewal、hard stop、residual risk、management attestation。
• Diagrams to draw: policy/control gap -> exception request -> risk assessment -> compensating controls -> approval/expiry -> monitoring -> close/renew/escalate。
• Code-lite experiment: 为高风险 AI pilot 写 exception request form、risk acceptance memo、compensating-control checklist、expiry dashboard 和 no-go rule。
• 系统学习要点: 例外不是绕过治理, 而是把无法立即满足的控制缺口显性化、临时化、可监控、可到期、可升级。
• 设计评审问题: 当 AI 项目需要带风险上线或临时豁免控制时, 你如何设计风险接受机制？

Extension Week 113: AI Supply Chain / AI BOM 与 Provenance Architecture

• Papers/concepts: CISA SBOM、NIST SSDF、OWASP LLM Top 10、AI BOM、component provenance、model/data/tool/prompt/eval/human service inventory、signature、license、vulnerability response。
• Diagrams to draw: AI behavior -> model/provider/data/RAG/prompt/tool/MCP/eval/human/telemetry components -> provenance graph -> risk response。
• Code-lite experiment: 为 customer service agent 建 AI BOM schema、component register、provenance graph、license/data-rights table 和 component vulnerability response runbook。
• 系统学习要点: AI 供应链透明度不止软件依赖, 还包括模型、数据、语料、prompt、工具、connector、eval、人审和日志平台。
• 设计评审问题: 供应商模型、RAG 语料或 MCP 工具出问题时, 你如何知道哪些 AI 产品受影响？

Extension Week 114: AI Human Review Operations 与 Capacity Architecture

• Papers/concepts: human-centered AI、human review queue、skill routing、reviewer calibration、capacity planning、SLA/OLA、fatigue、override quality、surge mode、independence、audit evidence。
• Diagrams to draw: AI escalation -> risk/skill queue -> reviewer capacity -> decision/override -> quality sample -> calibration -> workforce and surge planning。
• Code-lite experiment: 为 fraud review、AML alert triage 或 lending exception 写 queue taxonomy、capacity model、skill-routing matrix、calibration plan 和 reviewer quality dashboard。
• 系统学习要点: HITL 不是页面上加“人工确认”, 而是可运营的人审产能、质量、独立性、升级权和证据系统。
• 设计评审问题: 你如何避免 human-in-the-loop 变成瓶颈或治理表演？

Extension Week 115: AI Segregation of Duties 与 Dual Control Architecture

• Papers/concepts: maker-checker、four-eyes、dual authorization、incompatible duties、independent challenge、approval-before-action、override ownership、audit evidence。
• Diagrams to draw: AI proposal -> maker -> policy/entitlement gate -> independent checker -> approval token -> action execution -> immutable evidence。
• Code-lite experiment: 为 payments repair、AML SAR narrative 或 lending exception 写 incompatible duty matrix、dual-control workflow、approval token schema 和 evidence checklist。
• 系统学习要点: AI agent 不能把建议、审批、执行、复核和纠错合并到同一角色或同一自动化链路。
• 设计评审问题: 你如何给 AI workflow 设计职责分离和双控？

Extension Week 116: AI Consent / Preference 与 Purpose-Bound Data Architecture

• Papers/concepts: purpose catalog、consent event、preference center、purpose-bound token、withdrawal、re-consent、runtime enforcement、data minimization。
• Diagrams to draw: customer purpose/preference -> consent event store -> policy decision -> RAG/data/tool filter -> AI response/action -> audit evidence。
• Code-lite experiment: 为 RM copilot 或 open banking assistant 写 purpose catalog、consent event schema、withdrawal flow、RAG filter rule 和 re-consent trigger。
• 系统学习要点: consent 不是一个万能勾选框, 而是按目的、范围、时间、能力变化和撤回状态执行的运行时控制。
• 设计评审问题: 你如何防止 AI 把客户同意用于未授权目的？

Extension Week 117: AI Shadow AI 与 Citizen Development Governance Architecture

• Papers/concepts: shadow AI discovery、citizen developer、approved path、risk tier、DLP、prompt/data policy、lightweight gate、platform golden path、migration。
• Diagrams to draw: shadow AI signal -> use case intake -> data/risk classification -> approved tool path or remediation -> migration to governed platform -> monitoring。
• Code-lite experiment: 设计 shadow AI discovery register、citizen AI intake form、risk-tier decision tree、approved tool catalog 和 migration backlog。
• 系统学习要点: shadow AI 是未满足工作流需求的信号, 但在金融服务里必须转成可治理的采用路径和平台能力。
• 设计评审问题: 你如何治理员工私下使用 AI 工具, 而不是简单禁止？

Extension Week 118: AI Conduct Risk / Suitability 与 Sales Guardrails Architecture

• Papers/concepts: conduct risk、suitability、Reg BI concepts、approved claims、forbidden claims、eligibility gate、vulnerable customer escalation、surveillance、complaints linkage。
• Diagrams to draw: customer context -> eligibility/suitability/conduct policy -> AI recommendation/offer -> disclosure/handoff -> surveillance -> complaint/remediation loop。
• Code-lite experiment: 为 wealth RM copilot 或 card offer personalization 写 approved-claim library、suitability gate、forbidden-claim detector、surveillance KRI 和 complaint linkage。
• 系统学习要点: 客户影响型 AI 不能只优化转化率, 必须把合适性、销售行为、披露、弱势客户和投诉整改做成产品护栏。
• 设计评审问题: 你如何设计 AI 推荐或销售助手, 避免误导销售和不适当建议？

Extension Week 119: AI Records / Retention / Legal Hold 与 eDiscovery Architecture

• Papers/concepts: records taxonomy、retention class、legal hold、ESI、WORM / audit trail、regulator production、eDiscovery export、deletion conflict。
• Diagrams to draw: AI run -> prompt/RAG/tool/approval/output/eval/incident records -> retention policy -> legal hold override -> production package。
• Code-lite experiment: 为 lending copilot 或 AML SAR assistant 写 AI record taxonomy、retention matrix、legal hold trigger、export manifest 和 evidence chain。
• 系统学习要点: AI 证据不是“日志多存一点”, 而是把哪些对象是记录、留多久、何时保全、如何调取和如何证明完整性设计清楚。
• 设计评审问题: 你如何设计 AI 系统的 records retention 和 legal hold, 同时处理删除请求和诉讼保全冲突？

Extension Week 120: AI Data Residency / Cross-Border 与 Sovereign AI Architecture

• Papers/concepts: data residency、cross-border transfer、sovereign AI、regional model route、key residency、processor matrix、transfer impact review、support access。
• Diagrams to draw: user/data jurisdiction -> classification -> model/RAG/tool/log route -> key boundary -> vendor/support access -> transfer evidence。
• Code-lite experiment: 为 open banking assistant 或 global RM copilot 写 residency decision tree、jurisdiction-purpose-vendor matrix、region routing policy 和 transfer review evidence。
• 系统学习要点: AI 数据跨境风险不只在 prompt, 还包括 RAG 语料、embedding、日志、eval、供应商支持、密钥和人审队列。
• 设计评审问题: 你如何判断一个 AI 功能能不能调用某个区域外模型或供应商？

Extension Week 121: AI Customer Communications 与 Regulated Content Lifecycle

• Papers/concepts: regulated communication、approved claims、forbidden claims、pre-use review、post-use surveillance、disclosure versioning、channel capture、complaint linkage。
• Diagrams to draw: product claim -> approved content library -> AI draft -> policy scan -> human/pre-use review -> customer channel -> surveillance -> complaint/remediation。
• Code-lite experiment: 为 credit card offer、wealth RM message 或 servicing chatbot 写 approved-claim library、forbidden-claim detector、disclosure version map 和 communication evidence schema。
• 系统学习要点: 客户沟通型 AI 不是文案生成器, 而是内容资产、审批、渠道、披露、监控、投诉和整改的生命周期系统。
• 设计评审问题: 你如何防止 AI 在营销、销售或客服沟通中生成误导性、过度承诺或未批准的内容？

Extension Week 122: AI Financial Crime Typology / Scenario Coverage 与 SAR Evidence Architecture

• Papers/concepts: AML typology、red flags、scenario library、coverage matrix、synthetic vs real-case eval、SAR narrative evidence、alert-to-case-to-SAR traceability。
• Diagrams to draw: advisory/red flag -> typology object -> scenario cases -> rule/model/LLM triage -> evidence bundle -> SAR narrative -> QA and coverage dashboard。
• Code-lite experiment: 为 AML copilot 写 typology object model、red-flag evidence map、scenario coverage matrix、SAR evidence bundle schema 和 coverage KRI。
• 系统学习要点: 金融犯罪 AI 的核心不是“会不会判断可疑”, 而是覆盖哪些类型学、证据如何绑定、盲区如何暴露、SAR 叙述如何可复核。
• 设计评审问题: 你如何证明一个 AML AI copilot 覆盖了关键 typology, 而不是只在合成样本上表现好？

Extension Week 123: AI Intellectual Property / Content Rights 与 Provenance Architecture

• Papers/concepts: content rights、copyrightability、human authorship、input license、RAG corpus rights、generated output review、C2PA、Content Credentials、takedown。
• Diagrams to draw: source asset -> rights clearance -> RAG/generation -> output classification -> copyrightability/similarity/claim review -> C2PA manifest -> publish/reuse/takedown。
• Code-lite experiment: 为 marketing generator 或 wealth education assistant 写 content object taxonomy、rights matrix、C2PA provenance record、output clearance workflow 和 takedown runbook。
• 系统学习要点: 生成内容不是“模型产物”这么简单, 必须把输入权利、语料许可、输出用途、来源证明和发布责任串成生命周期。
• 设计评审问题: 你如何设计 AI 生成内容的权利清查和 provenance, 防止营销或客服内容带来版权/声明风险？

Extension Week 124: AI Deepfake / Synthetic Identity 与 Authentication Fraud Architecture

• Papers/concepts: identity proofing、synthetic identity、deepfake、liveness、presentation attack detection、digital injection、device signal、step-up authentication、fraud ops。
• Diagrams to draw: onboarding/recovery/payment event -> identity proofing signals -> liveness/PAD -> device/behavior graph -> risk score -> step-up/human review -> fraud evidence。
• Code-lite experiment: 为 digital onboarding、account recovery 或 high-risk payment 写 deepfake threat model、proofing control matrix、step-up policy 和 fraud evidence schema。
• 系统学习要点: AI deepfake 风险不是单一检测模型问题, 而是身份、设备、行为、交易意图、人工复核和客户摩擦的组合架构。
• 设计评审问题: 当客户通过 MFA 但正在被 deepfake/voice clone 欺骗时, 产品和架构如何识别并干预？

Extension Week 125: AI Workforce / HR Decision 与 Employee Monitoring Governance

• Papers/concepts: employment AI、selection procedure、adverse impact、worker well-being、human oversight、employee monitoring、worker data minimization、inclusive hiring。
• Diagrams to draw: workforce AI use case -> decision impact tier -> data minimization -> adverse impact/accessibility review -> human review -> notice/explanation -> monitoring。
• Code-lite experiment: 为 call-center QA copilot、branch staffing optimizer 或 hiring screener 写 workforce AI inventory、adverse impact test plan、employee notice 和 escalation workflow。
• 系统学习要点: 员工侧 AI 不是内部工具就低风险, 它会影响招聘、绩效、排班、培训、监控和员工信任。
• 设计评审问题: 你如何治理 HR 或员工监控 AI, 避免效率提升变成不可解释的劳动决策风险？

Extension Week 126: AI Incident Disclosure / Liability 与 Risk Transfer Architecture

• Papers/concepts: AI incident taxonomy、materiality triage、customer/regulator/board notification、liability boundary、vendor indemnity、insurance mapping、loss quantification、tabletop。
• Diagrams to draw: AI incident -> impact/materiality triage -> customer/regulator/board/vendor/insurer workflow -> evidence pack -> remediation -> risk transfer review。
• Code-lite experiment: 为 customer-harm AI incident 或 vendor model outage 写 incident taxonomy、materiality decision tree、liability boundary map、insurance notification checklist 和 executive memo。
• 系统学习要点: 高级 AI 架构师必须把事故事实、影响、披露、合同、保险、赔偿和整改证据连接成管理层可决策的包。
• 设计评审问题: AI 事故发生后, 你如何帮助高管判断是否通知客户、监管、董事会、供应商和保险人？

Extension Week 127: AI Post-Quantum 与 Cryptographic Agility Architecture

• Papers/concepts: post-quantum cryptography、cryptographic agility、AI crypto inventory、long-lived evidence、signature profile、key/cert lifecycle、vendor readiness、evidence replay。
• Diagrams to draw: AI use case -> data/evidence lifetime -> crypto dependency -> vendor readiness -> migration wave -> evidence verification。
• Code-lite experiment: 为 customer-facing RAG 或 agent tool workflow 写 AI crypto inventory、long-lived evidence matrix、PQC vendor readiness scorecard 和 crypto-agile ADR。
• 系统学习要点: 高级 AI 架构师不需要替代密码学专家, 但必须能把长期证据、签名、密钥、供应商和迁移波次组织成业务可执行路线图。
• 设计评审问题: 如果公司要准备 post-quantum migration, 你如何评估 AI 平台、RAG、agent tool 和长期证据的影响？

Extension Week 128: AI Authorized Push Payment 与 Scam Intervention Architecture

• Papers/concepts: authorized push payment scam、social engineering、beneficiary risk、customer intent confidence、intervention ladder、safe pause、fraud escalation、remediation evidence。
• Diagrams to draw: payment intent -> scam signal fusion -> beneficiary/mule risk -> step-up friction -> human escalation -> payment release/hold -> complaint/remediation loop。
• Code-lite experiment: 为 real-time payment 场景写 scam taxonomy、customer intent rubric、intervention ladder、evidence schema 和 false-positive review dashboard。
• 系统学习要点: 高级产品架构不是简单“拦截付款”, 而是在客户自主、诈骗防护、摩擦、证据和救济之间做可审计的实时决策。
• 设计评审问题: 你如何设计 AI 支持的 APP scam 干预系统, 既减少诈骗损失又避免过度阻断合法客户意图？

Extension Week 129: AI Agent Marketplace 与 Tool Certification Governance Architecture

• Papers/concepts: agent marketplace、tool certification、capability card、risk tier、OpenAPI/AsyncAPI/MCP manifest、signed package、runtime permission、owner attestation、deprecation。
• Diagrams to draw: capability intake -> certification gates -> marketplace publication -> runtime entitlement -> invocation ledger -> monitoring -> renewal/deprecation。
• Code-lite experiment: 为一个内部 agent tool marketplace 写 capability card、risk-tier matrix、tool/API certification checklist、signed package manifest 和 runtime permission policy。
• 系统学习要点: 企业 agent marketplace 不是普通服务目录, 它是把可发现、可复用、可授权、可监控、可退出的 agentic capability 做成平台产品。
• 设计评审问题: 如何避免企业内部 agent/tool marketplace 变成高风险 shadow AI supply chain？

Extension Week 130: AI Customer Vulnerability / Accessibility 与 Inclusive AI Architecture

• Papers/concepts: vulnerable customer、inclusive AI、accessibility、WCAG、plain language、cognitive load、support-need taxonomy、safe escalation、complaint linkage、dignified intervention。
• Diagrams to draw: customer signal -> support need classification -> accessibility/channel adaptation -> plain-language response -> human handoff -> QA/complaint/CAPA feedback。
• Code-lite experiment: 为 collections、fraud dispute 或 branch/contact center AI 写 support-need taxonomy、accessibility release gate、handoff evidence schema 和 inclusive AI metrics dashboard。
• 系统学习要点: 面向弱势客户的 AI 架构不是贴标签, 而是用最小必要数据、可访问渠道、尊严保护、人工升级和投诉闭环支撑更公平的客户结果。
• 设计评审问题: 你如何设计金融零售 AI, 既能识别客户困难/诈骗/可访问需求, 又不侵犯隐私、不歧视、不让客户失去自主权？

Extension Week 131: AI Payment Dispute / Chargeback 与 Claims Evidence Architecture

• Papers/concepts: payment dispute、chargeback、EFT error claim、billing error、case clock、provisional credit logic、evidence bundle、merchant/customer evidence、complaint linkage。
• Diagrams to draw: dispute intake -> product/rail/rule classification -> evidence collection -> AI triage/recommendation -> human decision -> customer communication -> complaint/RCA loop。
• Code-lite experiment: 为 debit card 或 credit card dispute 写 claim taxonomy、case clock matrix、evidence manifest、AI routing rubric 和 customer communication control。
• 系统学习要点: 支付争议 AI 的核心不是“自动判责”, 而是把时限、证据、客户沟通、临时贷记、人工复核和投诉闭环组织成可审计 claims architecture。
• 设计评审问题: 你如何设计 AI 支持的支付争议/拒付系统, 既提高处理效率又不牺牲客户权利、证据质量和合规可证明性？

Extension Week 132: AI Collections / Hardship 与 Delinquency Treatment Architecture

• Papers/concepts: delinquency prediction、hardship treatment、contact strategy、fair treatment、Reg F awareness、vulnerable customer signal、accessibility、complaint linkage、conduct QA。
• Diagrams to draw: delinquency signal -> treatment eligibility -> contact policy -> hardship/payment option -> human escalation -> outcome monitoring -> complaint/CAPA feedback。
• Code-lite experiment: 为逾期账户设计 treatment matrix、contact guardrail、hardship workflow、accessibility gate 和 customer outcome dashboard。
• 系统学习要点: 催收 AI 成熟度不是多催回多少钱, 而是能证明客户处理公平、尊严、可访问、可解释、可复核且可持续降低损失。
• 设计评审问题: 你如何用 AI 改造催收/困难客户处理, 同时控制 conduct risk、投诉风险和模型误伤？

Extension Week 133: AI Voice AI / Contact Center 与 Agent Assist Governance Architecture

• Papers/concepts: voice bot、real-time transcription、agent assist、call summary、next-best-action、sentiment/emotion signal、QA automation、disclosure boundary、complaint capture。
• Diagrams to draw: voice/audio stream -> transcription -> policy/knowledge retrieval -> agent assist -> final-channel capture -> QA/complaint/model monitoring。
• Code-lite experiment: 为客服中心 AI 写 call evidence schema、agent-assist approved action matrix、summary QA rubric、complaint trigger list 和 telemetry dashboard。
• 系统学习要点: Voice AI 不是单个机器人, 而是客户沟通、坐席辅助、内容治理、投诉、QA、员工绩效和模型风险交织的运行系统。
• 设计评审问题: 你如何治理金融客服中心的 voice AI 和 agent assist, 避免错误建议、误导沟通、投诉漏记和坐席过度依赖？

Extension Week 134: AI Digital Identity Wallet / Verifiable Credentials 与 Trust Architecture

• Papers/concepts: digital identity wallet、verifiable credentials、DID、WebAuthn/passkeys、trust registry、selective disclosure、revocation/status、verified claim vs AI-inferred attribute。
• Diagrams to draw: issuer -> wallet/holder -> presentation -> verifier policy -> risk/AI decision -> evidence -> revocation/status monitoring。
• Code-lite experiment: 为 KYC onboarding 或 agent delegation 写 credential acceptance policy、issuer trust registry、selective disclosure UX、verification evidence schema 和 revocation handling runbook。
• 系统学习要点: 身份钱包/VC 的高级价值不是“上链身份”, 而是把可验证 claim、认证上下文、隐私最小化、信任策略和 AI 推断边界分清楚。
• 设计评审问题: 你如何让 AI 使用 digital identity wallet 和 verifiable credentials, 同时避免把 AI 推断属性误当成已验证身份事实？

Extension Week 135: AI Open Banking / Open Finance 与 Consented Data Sharing Architecture

• Papers/concepts: CFPB 1033 awareness、open banking、open finance、consented data sharing、authorized third party、developer interface、revocation、data minimization、API contract、AI use boundary。
• Diagrams to draw: customer authorization -> data provider API -> third-party recipient -> AI feature/RAG boundary -> customer value -> revocation/audit evidence。
• Code-lite experiment: 为 personal finance assistant 或 lending prefill 场景写 authorization UX、data scope matrix、third-party onboarding checklist、AI usage policy 和 revocation evidence schema。
• 系统学习要点: 开放金融 AI 不是“拿更多账户数据”, 而是把客户授权、数据最小化、撤回、第三方风险、API 契约和 AI 决策边界变成同一套产品架构。
• 设计评审问题: 你如何设计一个使用开放银行数据的 AI 产品, 既创造客户价值又避免无限制数据采集和目的漂移？

Extension Week 136: AI Personalized Pricing / Offer Decisioning 与 Governance Architecture

• Papers/concepts: personalized pricing、offer decisioning、surveillance pricing、risk-based pricing、relationship offer、eligibility policy、feature boundary、adverse-action handoff、experiment guardrail、complaint monitoring。
• Diagrams to draw: customer/product context -> eligibility policy -> pricing/offer model -> explanation/reason handoff -> customer presentation -> monitoring/complaint/RCA loop。
• Code-lite experiment: 为 retention offer 或 fee waiver decision 写 feature allow/deny list、offer policy matrix、experiment risk gate、reason-code handoff 和 surveillance pricing allegation playbook。
• 系统学习要点: 个性化 offer 的成熟度不是 uplift 最大, 而是能证明价格/额度/优惠没有滑向不可解释、不可申诉、侵入式或剥削式的个体化定价。
• 设计评审问题: 你如何区分合理的 risk-based pricing / customer relevance 与高风险 surveillance pricing？

Extension Week 137: AI Document Intelligence / Unstructured Data 与 Evidence Quality Architecture

• Papers/concepts: document intelligence、OCR、layout understanding、entity extraction、confidence calibration、human review、document provenance、chain of custody、records mapping、tamper detection。
• Diagrams to draw: document intake -> provenance/tamper check -> classification/OCR/layout extraction -> confidence/review -> workflow decision -> records/evidence archive。
• Code-lite experiment: 为 KYC、支付争议或贷款服务设计 document evidence manifest、field confidence rubric、human review queue、records retention mapping 和 extraction error dashboard。
• 系统学习要点: 文档智能不是 OCR 自动化, 而是 evidence-grade extraction、人工复核、记录治理、工作流控制和事后可重放证据的组合。
• 设计评审问题: 你如何证明 AI 从客户文档抽取的字段足够可靠, 可以支撑金融运营决策或客户争议处理？

Extension Week 138: AI Privacy Clean Room / Data Collaboration 与 Measurement Architecture

• Papers/concepts: privacy clean room、data collaboration、partner measurement、aggregation、differential privacy、synthetic data、secure enclave、PEC、de-identification risk、purpose limitation、output control。
• Diagrams to draw: partner use-case intake -> data contract/purpose review -> clean-room computation -> query/output review -> measurement result -> evidence/monitoring/incident loop。
• Code-lite experiment: 为 marketing measurement、fraud insight 或 portfolio benchmark 设计 clean-room use-case intake、data contract、query template、output threshold、partner risk scorecard 和 evidence pack。
• 系统学习要点: Clean room 不是更安全的文件交换, 而是把协作问题、输入数据、计算、输出、AI 使用和合作方行为全部目的绑定并可证明的产品架构。
• 设计评审问题: 你如何设计 privacy clean room, 让合作方能测量效果, 但不能重识别客户、扩大用途或把数据拿去训练模型？

Extension Week 139: AI Credit Lifecycle / Underwriting / Line Management Governance Architecture

• Papers/concepts: credit lifecycle、prequalification、underwriting、line assignment、CLI/CLD、risk-based pricing handoff、adverse action reason、manual override、fair lending/proxy risk、portfolio monitoring、complaint linkage、model risk。
• Diagrams to draw: customer signal -> offer/prequal -> application -> decision factory -> line/pricing handoff -> reason packet -> review/appeal/complaint -> portfolio/model-risk monitoring。
• Code-lite experiment: 为信用卡授信或个人贷款设计 decision inventory、reason catalog、line governance matrix、override workflow、portfolio KRI 和 complaint-to-CAPA evidence binder。
• 系统学习要点: 信用 AI 不是一个 approval model, 而是跨授信、额度、价格、解释、人工复核、投诉和组合表现的生命周期治理系统。
• 设计评审问题: 你如何设计 AI credit lifecycle, 让 underwriting、额度管理、adverse action、fair lending、组合监控和客户救济能被同一套证据链证明？

Extension Week 140: AI Wealth Advice / Robo-Advisor / Best Interest Boundary Architecture

• Papers/concepts: robo-advisor、advice boundary、education vs recommendation vs execution、risk tolerance、risk capacity、approved investment universe、suitability/best-interest style controls、disclosure、human escalation、supervision evidence。
• Diagrams to draw: customer intent -> advice boundary classifier -> investor profile snapshot -> approved universe -> recommendation policy engine -> disclosure/evidence -> execution confirmation -> supervision/complaint loop。
• Code-lite experiment: 为数字投顾设计 advice taxonomy、risk-profile schema、product universe metadata、recommendation rationale object、human escalation rules 和 supervision sampling dashboard。
• 系统学习要点: 财富 AI 的核心不是“推荐买什么”, 而是证明推荐没有越过业务边界, 并且在当时画像、产品宇宙、披露和监督控制下可复盘。
• 设计评审问题: 你如何区分教育、一般信息、个性化建议、投资组合管理和交易执行, 并把这些边界落实到 AI 产品架构？

Extension Week 141: AI Treasury / Liquidity / ALM Forecasting / Stress Evidence Architecture

• Papers/concepts: treasury、liquidity forecasting、deposit beta/runoff、cash-flow projection、ALM、IRRBB、stress testing、FTP、contingency funding、ALCO workflow、model risk、board MI、data lineage。
• Diagrams to draw: balance sheet/event data -> forecast feature layer -> scenario library -> liquidity/ALM model -> action recommendation -> ALCO decision -> funding action -> board MI/evidence loop。
• Code-lite experiment: 为零售银行存款流失和流动性压力设计 forecast object、scenario catalog、data lineage map、committee decision pack、contingency trigger 和 management information dashboard。
• 系统学习要点: Treasury AI 不是通用预测看板, 而是把预测、压力场景、委员会决策、资金动作、模型风险和董事会证据连接成 ALM 操作系统。
• 设计评审问题: 你如何让 AI liquidity forecast 从“预测数值”变成 ALCO 可以采用、审计可以复盘、董事会可以监督的决策证据？

Extension Week 142: AI Complaint Intelligence / Root Cause / Regulatory Response Architecture

• Papers/concepts: complaint intelligence、AI summarization governance、harm taxonomy、root cause ontology、product defect linkage、regulatory response evidence、CAPA、customer communication、board MI、model risk。
• Diagrams to draw: complaint intake -> original evidence preservation -> AI classification/summary -> harm severity -> RCA graph -> product defect/CAPA -> regulatory response pack -> effectiveness monitoring。
• Code-lite experiment: 为支付争议、费用解释或信贷拒绝投诉设计 complaint ledger、harm taxonomy、RCA template、evidence manifest、CAPA closure rule 和 board complaint MI。
• 系统学习要点: 投诉 AI 不是客服分类器, 而是客户伤害、产品缺陷、控制失效、监管响应和持续改进之间的证据架构。
• 设计评审问题: 你如何把投诉从工单处理升级成 complaint-to-control loop, 并证明 AI 摘要、根因、整改和客户沟通都可追溯？

Extension Week 143: AI Account Opening / KYC / Onboarding Decision Architecture

• Papers/concepts: account opening、KYC/CIP/CDD、identity proofing、document evidence、risk-tiering、beneficial ownership、exception queue、fraud/AML handoff、customer harm、model risk。
• Diagrams to draw: customer application -> identity/KYC evidence -> risk decision -> exception queue -> funding/activation -> fraud/AML handoff -> monitoring/complaint loop。
• Code-lite experiment: 设计 onboarding decision inventory、KYC evidence schema、risk-tier rule map、exception queue、abandonment/customer-harm dashboard 和 activation control。
• 系统学习要点: 开户 AI 不是表单补全, 而是客户准入、身份可信度、金融犯罪交接、资金激活和证据治理的入口控制系统。
• 设计评审问题: 你如何设计 AI account opening, 让 IDV、CIP/CDD、欺诈、AML、例外队列和客户沟通可以被同一套证据链解释？

Extension Week 144: AI AML Alert Triage / Investigation Workbench Architecture

• Papers/concepts: AML alert triage、queue prioritization、entity resolution、transaction graph、case assembly、analyst copilot、evidence workspace、SAR escalation guardrails、QA、model risk、audit trail。
• Diagrams to draw: monitoring alert -> entity resolution -> graph/timeline context -> evidence workspace -> analyst decision -> SAR consideration packet -> QA/tuning feedback -> audit replay。
• Code-lite experiment: 为 AML 调查工作台设计 alert priority policy、case evidence schema、copilot output contract、SAR draft guardrail、QA rubric 和 scenario tuning feedback loop。
• 系统学习要点: AML AI 的价值不是自动报送 SAR, 而是让调查上下文更完整、队列更可解释、处置更一致、质量反馈能回到场景调优。
• 设计评审问题: 你如何把 AML alert triage 设计成 evidence-first investigation workbench, 同时避免 AI 越权做 suspicious activity 或 SAR filing decision？

Extension Week 145: AI Payment Operations / Reconciliation / Settlement Exception Architecture

• Papers/concepts: payment operations、ACH/wire/card/core ledger files、reconciliation、settlement exception、returns、repair queue、suspense account、ledger break、cut-off windows、dual control、SLA、incident evidence。
• Diagrams to draw: payment events/files -> normalization -> matching/reconciliation -> break classification -> repair/suspense workflow -> settlement confirmation -> downstream reporting/incident loop。
• Code-lite experiment: 为支付运营设计 reconciliation object model、settlement break taxonomy、repair queue SLA、suspense controls、dual-control approval 和 ops evidence pack。
• 系统学习要点: 支付运营 AI 不是争议处理机器人, 而是把多 rail、多文件、多账本、多 cut-off 的异常处理变成可解释、可复核、可恢复的运营系统。
• 设计评审问题: 你如何用 AI 改造 payment reconciliation, 但仍保留双控、SLA、账务完整性、客户影响识别和异常复盘证据？

Extension Week 146: AI Regulatory Reporting / Risk Data Aggregation / Attestation Architecture

• Papers/concepts: regulatory reporting、risk data aggregation、BCBS 239、Call Report、FR Y-14、report lineage、transformation controls、metric definitions、reconciliations、attestation、restatement、data quality、AI assist boundary。
• Diagrams to draw: source systems -> reporting data layer -> metric contracts -> transformation controls -> reconciliation/edit checks -> attestation -> submission evidence -> issue/remediation loop。
• Code-lite experiment: 为 Call Report / FR Y-14 style reporting 设计 obligation inventory、report lineage map、metric contract、reconciliation control、attestation workflow 和 resubmission evidence vault。
• 系统学习要点: 监管报送 AI 不是自动写报告, 而是把风险数据聚合、口径、血缘、对账、签证和更正重报变成可以复算的 reporting data product。
• 设计评审问题: 你如何把 BCBS 239 翻译成 AI-assisted regulatory reporting architecture, 并证明每个报表数字和 narrative 都有来源、控制和签署？

Extension Week 147: AI Core Banking Modernization / Strangler / Evidence Architecture

• Papers/concepts: core banking modernization、legacy strangler、anti-corruption layer、capability slicing、canonical model、event capture、dual-run、data migration、reconciliation、cutover、rollback、BCP、audit evidence。
• Diagrams to draw: legacy core -> ACL/canonical layer -> event/read replica -> new capability slice -> dual-run comparison -> migration/cutover -> rollback/degraded mode -> evidence vault。
• Code-lite experiment: 为存款账户或贷款 servicing 设计 capability slice map、legacy field mapping、dual-run reconciliation dashboard、cutover runbook 和 customer-harm evidence pack。
• 系统学习要点: 核心现代化不是“换核心系统”, 而是逐步转移事实源、交易权威、运营流程和证据责任的架构计划。
• 设计评审问题: 你如何用 AI 加速核心银行现代化, 同时不让 AI 拥有 final migration decision 或未复核的核心写入权限？

Extension Week 148: AI Requirements Mining / Process Knowledge Extraction Architecture

• Papers/concepts: requirements mining、process knowledge extraction、artifact authority、permission filtering、domain vocabulary、ambiguity detection、requirement quality rubric、traceability graph、acceptance criteria、SME validation、change impact。
• Diagrams to draw: BRD/PRD/SOP/Jira/log/code/API/test assets -> ingestion/permission -> extraction -> ambiguity/conflict review -> traceability graph -> acceptance/eval contract -> SME validation -> backlog/change loop。
• Code-lite experiment: 为支付运营或 AML workbench 设计 artifact inventory、source authority matrix、requirement extraction schema、ambiguity queue、traceability graph 和 SME review workflow。
• 系统学习要点: AI 需求挖掘不是替代 BA, 而是把散落资产转成可质疑、可追踪、可验收、可持续学习的需求知识系统。
• 设计评审问题: 你如何证明 AI 抽取的需求不是幻觉, 并能连接到流程、系统、控制、测试和上线证据？

Extension Week 149: AI UAT / Regression Certification / Business Acceptance Architecture

• Papers/concepts: UAT evidence architecture、golden journey library、synthetic transaction pack、persona/segment coverage、AI regression、workflow replay、shadow testing、parallel run、defect triage、release certification、rollback criteria。
• Diagrams to draw: requirements/eval contract -> golden journeys -> synthetic data/transaction pack -> regression/shadow/parallel run -> defect triage -> release certificate -> post-release monitoring/rollback。
• Code-lite experiment: 为开户、支付对账或 AI agent workbench 设计 golden journey catalog、synthetic transaction schema、business acceptance checklist、regression gate 和 release evidence binder。
• 系统学习要点: UAT 不是签字仪式, 而是把业务风险、客户旅程、控制覆盖、AI regression 和运营准备证明成可发布证据。
• 设计评审问题: 你如何设计 AI 产品的 UAT, 让业务 owner 能放心签署, 而不是只看 demo 或主观体验？

Extension Week 150: AI Product Portfolio Rationalization / Capability Decommission Architecture

• Papers/concepts: product portfolio rationalization、capability inventory、application portfolio、overlapping capability、cost-to-serve、architectural debt、model/tool/vendor dependency、records/legal-hold、migration cohorts、sunset communication、decommission evidence。
• Diagrams to draw: portfolio inventory -> usage/cost/risk/dependency graph -> rationalization decision -> migration cohort -> sunset controls -> customer/ops communication -> decommission evidence -> capacity reallocation。
• Code-lite experiment: 为重复 AI copilots、旧报表平台或遗留支付能力设计 capability scorecard、dependency graph、migration cohort plan、sunset checklist 和 post-decommission review。
• 系统学习要点: 产品组合治理不只是做新东西, 还要证明哪些能力该合并、迁移、下线, 并让客户、运营、记录和依赖系统安全退出。
• 设计评审问题: 你如何用 AI 辅助 portfolio rationalization, 同时避免让模型决定客户影响型下线和监管敏感能力退出？

Extension Week 151: AI Adoption Analytics / Behavior Change / Value Realization Architecture

• Papers/concepts: adoption event taxonomy、work-as-done baseline、behavior funnel、cohort evidence、change saturation、value leakage、human review load、override signal、trust telemetry、operational learning loop。
• Diagrams to draw: baseline workflow -> AI touchpoints -> adoption events -> behavior change indicators -> process/value outcomes -> risk/control effects -> value realization evidence -> improvement backlog。
• Code-lite experiment: 为 AML 调查、KYC onboarding 或 contact-center agent assist 设计 adoption telemetry schema、cohort dashboard、value leakage log、resistance signal taxonomy 和 benefits realization review。
• 系统学习要点: AI 采用不是 seat activation 或 prompt count, 而是可证明的工作行为改变、流程结果改善、风险未转嫁和价值可持续兑现。
• 设计评审问题: 你如何证明一个 AI copilot 真的改变了一线工作方式并创造价值, 而不是只被试用或被动打开？

Extension Week 152: AI Executive Investment Narrative / Business Case / Board Decision Architecture

• Papers/concepts: outcome thesis、causal value logic、option architecture、cost-to-learn、confidence level、risk appetite、architecture dependency、management information、benefits realization、stop/scale/pivot gate。
• Diagrams to draw: strategic outcome -> option set -> architecture dependency -> evidence plan -> cost/value/risk model -> governance gates -> board narrative -> stop/scale/pivot decision。
• Code-lite experiment: 为投诉智能、开户现代化、AML triage 或监管报送自动化设计一页 investment memo、option tree、value assumption ledger、risk appetite map 和 stop/scale/pivot scorecard。
• 系统学习要点: 高级 AI 产品与架构负责人要把技术方案转成可投资、可质疑、可停止、可扩展的决策包, 而不是只展示 demo 和愿景。
• 设计评审问题: 你如何向董事会解释一个 AI 项目的投资逻辑、关键假设、风险边界和何时停止？

Extension Week 153: AI Stakeholder Decision Coalition / Influence Risk Architecture

• Papers/concepts: stakeholder ontology、decision-rights map、concern-to-viewpoint mapping、hidden veto、misaligned incentives、coalition graph、forum architecture、evidence binder、communication artifact、escalation path。
• Diagrams to draw: stakeholders -> decision rights/influence -> concerns -> architecture viewpoints -> requirements/controls/evidence -> decision forum -> escalation/resolution -> adoption communication。
• Code-lite experiment: 为 AI agent tool gateway、KYC AI、AML triage、collections hardship 或 personalized pricing 设计 stakeholder-concern matrix、coalition graph、forum cadence 和 concern-to-evidence traceability map。
• 系统学习要点: stakeholder management 不是软技能附录, 而是决定 AI 架构边界、控制、证据、审批和采用速度的交付架构。
• 设计评审问题: 当 CISO、CRO、业务 owner、运营和销售对同一个 AI 产品有冲突诉求时, 你如何组织可决策的对齐机制？

Extension Week 154: AI Workforce Capability Academy / Role-Skill Transformation Architecture

• Papers/concepts: role taxonomy、skill ontology、proficiency levels、evidence-of-competence、scenario-based assessment、portfolio artifact、community of practice、adoption telemetry、workforce risk、skills debt、academy-as-product-platform。
• Diagrams to draw: business capabilities -> AI-era roles -> skill ontology -> learning paths -> scenario assessments -> portfolio evidence -> adoption outcomes -> capability maturity review。
• Code-lite experiment: 为 AI 产品架构、解决方案架构、RiskOps/EvalOps、data product management 和 AML/KYC operations 设计 role-skill matrix、scenario assessment pack、evidence rubric 和 academy dashboard。
• 系统学习要点: AI 能力建设不是课程完成率, 而是角色能力、场景表现、能力证据和真实业务采用的持续系统。
• 设计评审问题: 你如何设计一个 AI capability academy, 证明团队真的具备 AI 产品架构、解决方案架构、需求建模和运营落地能力？

Extension Week 155: AI Delivery Assurance / Control Tower / Release Readiness Architecture

• Papers/concepts: delivery assurance、control tower、readiness gate taxonomy、evidence contract、dependency burn-down、risk telemetry、architecture runway evidence、launch readiness、scale readiness、post-release assurance。
• Diagrams to draw: discovery -> pilot -> release -> scale -> post-release assurance, with evidence objects, dependencies, risks, readiness gates, residual risk owners and executive confidence narrative.
• Code-lite experiment: 为 AML triage、KYC onboarding 或支付运营 AI 设计 release readiness gate、evidence checklist、dependency/risk dashboard、exception path 和 scale-readiness certificate。
• 系统学习要点: AI 交付保证不是增加会议, 而是把可发布、可扩展、可审计的证据组织成高管和风险团队都能挑战的 control tower。
• 设计评审问题: 你如何判断一个 AI 产品是真的 ready for release 或 ready for scale, 而不是只通过了 demo？

Extension Week 156: AI Product Operations / Operating Cadence / Outcome Review Architecture

• Papers/concepts: product operations、weekly ops review、monthly value review、quarterly portfolio review、metric contract、experiment registry、release calendar、decision log、assumption ledger、incident-to-roadmap loop。
• Diagrams to draw: production telemetry -> weekly operations review -> monthly outcome/value review -> quarterly portfolio decision -> roadmap/backlog/release calendar -> learning evidence.
• Code-lite experiment: 为 contact-center agent assist、complaint intelligence 或 collections hardship 设计 AI Product Ops cadence、metric contract、experiment/release calendar、incident learning loop 和 action closure tracker。
• 系统学习要点: AI 产品上线后才进入真正的运营期, 必须用节奏、证据和决策记录持续管理采用、风险、成本、质量和路线图。
• 设计评审问题: 你如何让一个 AI 产品上线后持续学习和改进, 而不是发布后只靠零散反馈？

Extension Week 157: AI Reference Implementation / Pattern Library / Reuse Assurance Architecture

• Papers/concepts: reference implementation、pattern library、reuse assurance、pattern maturity、reusable control evidence、eval baseline、threat model reuse、variant management、approved deviation、deprecation。
• Diagrams to draw: repeated use cases -> pattern taxonomy -> reference implementation -> reusable evidence pack -> adoption/deviation telemetry -> lifecycle/deprecation review.
• Code-lite experiment: 为 customer-facing RAG、internal policy copilot、tool gateway 或 evidence extraction assistant 设计 reference implementation anatomy、reuse qualification checklist、deviation log 和 reusable evidence binder。
• 系统学习要点: 复用不是复制代码, 而是把成功模式、控制、评测、威胁模型、证据和生命周期治理一起产品化。
• 设计评审问题: 你如何把多个相似 AI use case 沉淀成可复用 reference implementation, 同时避免复制风险？

Extension Week 158: AI Technology Radar / Scenario Planning / Strategic Foresight Architecture

• Papers/concepts: technology radar、scenario planning、strategic foresight、signal taxonomy、weak signals、watch/trial/adopt/hold、assumption ledger、trigger indicators、option portfolio、architecture runway。
• Diagrams to draw: external/internal signals -> radar quadrant -> scenario narratives -> assumption ledger -> trigger thresholds -> experiment backlog -> portfolio options -> executive narrative.
• Code-lite experiment: 为 agentic banking ops、genAI contact center、digital identity 或 payments fraud 设计 AI radar、scenario set、trigger indicators、option portfolio 和 architecture runway update memo。
• 系统学习要点: AI 战略前瞻不是追热点, 而是把不确定变化转成可观察信号、可测试选项、可逆决策和架构准备。
• 设计评审问题: 你如何判断一个新 AI 技术趋势应该 watch、trial、adopt 还是 hold？

Extension Week 159: AI Product Responsibility / Accountability Boundary Architecture

• Papers/concepts: product responsibility、accountability boundary、decision ownership、product promise inventory、recommendation/decision/execution boundary、human accountability、vendor/platform boundary、recourse、residual risk owner。
• Diagrams to draw: product promise -> AI recommendation -> human decision -> tool execution -> customer outcome -> recourse path -> evidence owner -> residual risk owner。
• Code-lite experiment: 为 credit underwriting recommendation、AML SAR escalation support、KYC decline/RFI 或 collections hardship treatment 设计 decision ownership map、product promise boundary 和 accountable evidence packet。
• 系统学习要点: AI 产品责任不是抽象伦理口号, 而是产品承诺、决策权、行动权、人工责任、供应商边界、客户救济和残余风险 owner 的架构。
• 设计评审问题: 你如何区分 AI 可以建议、可以决定、可以执行和必须升级人工的边界？

Extension Week 160: AI Context Supply Chain / Provenance / Poisoning Defense Architecture

• Papers/concepts: context supply chain、context asset taxonomy、source authority、provenance claim、context trust tier、retrieval-time policy、memory write policy、tool observation validation、context poisoning、indirect prompt injection、context quality SLO。
• Diagrams to draw: sources/prompts/policies/tools/memory -> ingestion/change control -> provenance/permission/quality gates -> retrieval/runtime assembly -> context trace -> incident response。
• Code-lite experiment: 为客服 policy RAG、AML typology knowledge、KYC evidence documents 或 regulatory reporting instructions 设计 context object schema、trust tier、poisoning defense checklist 和 runtime context trace。
• 系统学习要点: 企业 AI 的上下文不是临时拼接的文本, 而是一条需要来源、权限、质量、变更、攻击防御和事故响应的供应链。
• 设计评审问题: 你如何防止 RAG 文档或工具输出中的恶意/过期内容影响模型行为？

Extension Week 161: AI Agentic Process Audit / Workflow Replay / Assurance Architecture

• Papers/concepts: agentic process audit、replayable trace、event-sourced workflow、plan/action/observation/approval/output schema、audit query、sampling strategy、process conformance、justified exception、incident replay、independent challenge。
• Diagrams to draw: user intent -> plan -> tool/action -> observation -> approval -> output -> feedback/incident -> replayable evidence chain -> assurance review。
• Code-lite experiment: 为 AML investigation copilot、payment dispute assistant、KYC onboarding agent 或 payment repair queue agent 设计 event schema、audit query pack、workflow replay view 和 conformance sampling plan。
• 系统学习要点: Agentic AI 要能被审计, 不是因为所有行为都可完美复现, 而是因为关键意图、计划、行动、批准、输出、例外和证据链可被重放和质询。
• 设计评审问题: 你如何设计一个 agent workflow 的审计 trail, 让审计、风险和流程 owner 能看懂并挑战？

Extension Week 162: AI Organizational Memory / Knowledge Asset Governance Architecture

• Papers/concepts: organizational memory、knowledge asset taxonomy、decision memory、ADR memory、policy memory、case memory、customer preference memory、prohibited memory、retention/forgetting、citation、knowledge debt、institutional learning。
• Diagrams to draw: knowledge assets -> owner/version/provenance -> memory policy -> RAG/graph/memory integration -> citation/feedback -> retirement/forgetting -> learning review。
• Code-lite experiment: 为 contact center policy memory、AML typology memory、complaint RCA knowledge base、credit policy decisions 或 architecture decision repository 设计 memory taxonomy、owner matrix、retention/forgetting rule 和 knowledge debt dashboard。
• 系统学习要点: AI 组织记忆不是“把所有东西存进向量库”, 而是决定什么可记、可忘、可引用、可挑战、可复用、可退役的知识资产治理。
• 设计评审问题: 你如何治理 AI 系统的长期记忆, 避免过期知识、隐私风险、错误复用和组织失忆？

Extension Week 163: AI Eval Dataset Lifecycle / Golden Set / Test Data Factory Architecture

• Papers/concepts: eval dataset lifecycle、golden set、challenge set、adversarial set、synthetic/real case split、label governance、coverage matrix、coverage drift、promotion gate、regression evidence。
• Diagrams to draw: source cases -> privacy/filtering -> label/SME review -> coverage matrix -> dataset version -> eval run -> release gate -> audit evidence -> refresh trigger。
• Code-lite experiment: 为 KYC onboarding、AML investigation、credit policy RAG、payment dispute 或 contact center agent assist 设计 eval dataset inventory、golden/challenge set、label quality rule 和 regression evidence packet。
• 系统学习要点: Eval 数据集是生产控制资产, 不是测试附件；它决定 AI 产品如何证明可用、如何发现回归、如何支撑 release 和审计问题。
• 设计评审问题: 你如何治理 AI golden set, 避免样本过期、标签漂移、覆盖盲区和测试数据泄露？

Extension Week 164: AI Synthetic User Simulation / Persona Scenario Lab Architecture

• Papers/concepts: synthetic user simulation、persona registry、scenario lab、journey simulation、behavioral assumption log、edge-case injection、simulator calibration、simulation evidence、synthetic data limits。
• Diagrams to draw: personas/scenarios -> simulator prompt/policy -> journey run -> tool/RAG interaction -> telemetry -> assumption validation -> release evidence -> recalibration loop。
• Code-lite experiment: 为开户/KYC、APP scam intervention、collections hardship、complaints copilot 或 wealth suitability assistant 设计 persona registry、scenario card、journey simulation run 和 assumption log。
• 系统学习要点: Synthetic user lab 不是替代真实用户研究, 而是把产品假设、边界场景、行为风险和架构路径提前暴露并形成证据。
• 设计评审问题: 你如何判断 synthetic user simulation 的证据足够支持产品决策, 但又不被误用成真实客户验证？

Extension Week 165: AI Human Factors Operations / Cognitive Load / Automation Bias Architecture

• Papers/concepts: human factors operations、operator burden、cognitive load、review fatigue、automation bias、calibrated trust、escalation design、QA sampling、skill routing、second-line challenge、control evidence。
• Diagrams to draw: AI recommendation -> operator review -> confidence/friction signal -> escalation -> QA sampling -> calibration meeting -> training/control update -> evidence trail。
• Code-lite experiment: 为 AML investigator copilot、credit underwriter assist、fraud intervention、complaints classification 或 contact center agent assist 设计 operator load map、automation bias control matrix 和 QA sampling plan。
• 系统学习要点: 人因不是界面美化, 而是把人工判断作为稀缺生产控制资源来设计、路由、校准和审计。
• 设计评审问题: 你如何防止 AI copilot 让审核员过度信任模型, 同时又不把流程拖慢到不可用？

Extension Week 166: AI Procurement Intake / Vendor Evaluation Sandbox / Build-Buy Architecture

• Papers/concepts: AI procurement intake、use-case triage、vendor sandbox、eval contract、benchmark plan、build-buy-partner decision、architecture fit、concentration risk、exit constraint、production gate。
• Diagrams to draw: business pain/vendor pitch -> intake triage -> sandbox benchmark -> risk/security/privacy review -> build-buy decision record -> contract/evidence gate -> production promotion。
• Code-lite experiment: 为 GenAI contact center、KYC document intelligence、AML investigation workbench、credit decision support 或 payments fraud intervention 设计 procurement intake、vendor sandbox scorecard、benchmark plan 和 build-buy decision record。
• 系统学习要点: AI 采购入口是架构控制点；它把 vendor demo、业务痛点、风险审查、benchmark、成本和生产门禁变成可比较的决策证据。
• 设计评审问题: 你如何判断一个 AI 能力应该自研、采购、合作还是暂缓, 并让这个判断经得起风险和架构评审？

Extension Week 167: AI Reasoning Budget / Test-Time Compute / Verifier Cascade Architecture

• Papers/concepts: reasoning budget、test-time compute、deliberation policy、task complexity rubric、planner-solver-checker loop、verifier cascade、rationale exposure rule、cost-latency-risk tradeoff。
• Diagrams to draw: user task -> complexity/risk classifier -> budget policy -> model/decomposition path -> verifier cascade -> abstain/escalate/answer -> evidence trace。
• Code-lite experiment: 为 AML case narrative、credit policy reasoning、payment dispute explanation、complaint RCA 或 contact center policy QA 设计 reasoning budget policy、verifier cascade 和 evidence packet。
• 系统学习要点: 高阶 AI 产品不能把所有请求都走同一推理路径；推理预算要像授信额度一样按风险、复杂度、成本和证据要求被治理。
• 设计评审问题: 你如何决定一个 AI 请求应该用快速回答、多步推理、验证级联还是直接升级人工？

Extension Week 168: AI Model Portfolio Benchmarking / Capability Scorecard / Selection Governance Architecture

• Papers/concepts: model portfolio inventory、capability taxonomy、model scorecard、domain benchmark、safety benchmark、latency/cost/quality/security score、champion-challenger、selection council、retirement trigger。
• Diagrams to draw: task taxonomy -> model candidates -> benchmark pack -> capability scorecard -> risk tier -> selection record -> runtime monitoring -> challenger/retirement review。
• Code-lite experiment: 为 contact center、AML triage、KYC document extraction、credit policy RAG、payments fraud 或 enterprise knowledge assistant 设计 model portfolio scorecard 和 selection decision record。
• 系统学习要点: 模型选型不是一次性 vendor comparison, 而是持续组合治理：能力、风险、成本、证据、替换和退役都要可解释。
• 设计评审问题: 你如何设计一个模型组合治理机制, 让团队不会被单一模型、单一供应商或单一榜单绑架？

Extension Week 169: AI Uncertainty UX / Abstention / Confidence / Escalation Architecture

• Papers/concepts: uncertainty UX、abstention taxonomy、confidence language、safe refusal、partial answer、request-more-info、human escalation、trust calibration、customer harm prevention、regulated communication evidence。
• Diagrams to draw: model evidence/confidence -> uncertainty class -> UX response pattern -> escalation/clarification/refusal -> customer communication -> telemetry/complaint feedback -> policy update。
• Code-lite experiment: 为 credit eligibility、wealth advice boundary、payment dispute claims、KYC extraction、AML analyst assistant 或 complaints copilot 设计 abstention matrix、confidence language guide 和 escalation policy。
• 系统学习要点: 不确定性不是一个分数, 而是一套决定何时回答、何时少答、何时拒答、何时要更多信息、何时升级人工的产品架构。
• 设计评审问题: 你如何让 AI 表达不确定性既不误导客户, 又不把体验做成到处拒答？

Extension Week 170: AI Risk Quantification / Scenario Loss / Control ROI Architecture

• Papers/concepts: AI risk scenario、scenario loss、severity/frequency assumption、expected loss range、control effectiveness、residual risk、control ROI、risk appetite threshold、management action、decision evidence。
• Diagrams to draw: risk scenario -> impact pathway -> frequency/severity estimate -> controls -> residual risk -> control cost/benefit -> management action -> monitoring evidence。
• Code-lite experiment: 为 regulated advice hallucination、AML missed escalation、payment fraud false negative、KYC wrongful rejection、contact center misinformation 或 vendor outage 设计 scenario register、loss range 和 control ROI pack。
• 系统学习要点: AI 风险治理要能进入投资和架构取舍；把风险只写成 high/medium/low 会让高管无法判断该投入多少控制。
• 设计评审问题: 你如何把一个 AI 风险从 qualitative concern 转成可讨论的损失区间、控制 ROI 和管理决策？

Extension Week 171: AI Evidence Integrity / Tamper-Evident Audit Ledger / Attestation Architecture

• Papers/concepts: evidence object、hash chain、Merkle proof、append-only ledger、attestation claim、provenance、segregation of evidence writer/approver、legal hold、redaction、audit query。
• Diagrams to draw: runtime event -> evidence object -> hash/signature -> ledger append -> attestation chain -> legal hold/redaction -> audit query -> replay packet。
• Code-lite experiment: 为 AML SAR recommendation、KYC decline、credit policy advice、payment dispute 或 customer communication 设计 evidence object schema、attestation matrix 和 tamper-evidence test。
• 系统学习要点: AI 证据不是普通日志；在监管、审计、争议和事故场景里, 证据必须能证明“谁在何时基于哪个版本做了什么, 且之后没有被悄悄改写”。
• 设计评审问题: 你如何设计 AI 审计证据, 让它既可复盘又能证明未被篡改？

Extension Week 172: AI Shadow Mode / Counterfactual Evaluation / Silent Launch Architecture

• Papers/concepts: shadow mode、silent launch、counterfactual event、champion/challenger without customer impact、outcome delay、label plan、leakage control、fairness monitoring、rollout gate、rollback trigger。
• Diagrams to draw: live decision context -> production decision -> shadow AI decision -> counterfactual log -> delayed label/outcome -> segment/fairness analysis -> rollout gate -> ramp/rollback。
• Code-lite experiment: 为 credit line management、AML alert triage、KYC onboarding、payment fraud intervention 或 collections contact strategy 设计 shadow mode event schema、leakage controls 和 rollout gate。
• 系统学习要点: Shadow mode 不是灰度发布的轻量版本, 而是在不改变客户和员工行为的前提下验证 AI 决策是否能进入生产责任边界。
• 设计评审问题: 你如何用 shadow mode 证明一个 AI 决策系统可以上线, 同时避免数据泄漏、标签偏差和假安全感？

Extension Week 173: AI Synthetic Data Governance / Privacy-Utility-Fidelity Architecture

• Papers/concepts: synthetic data governance、source permission、generator risk、privacy attack testing、membership inference、model inversion、utility score、fidelity score、bias amplification、allowed-use license、provenance watermark。
• Diagrams to draw: source data -> permission/privacy review -> generator -> privacy attack tests -> utility/fidelity/bias review -> allowed-use license -> release gate -> monitoring/retirement。
• Code-lite experiment: 为 AML typology training、KYC document testing、credit scenario augmentation、payment fraud simulation 或 contact center transcript generation 设计 synthetic data intake、privacy attack checklist 和 utility/fidelity scorecard。
• 系统学习要点: 合成数据不是自动匿名化；它是一种需要来源权限、隐私攻击测试、效用证明、偏差复核和用途边界的数据产品。
• 设计评审问题: 你如何判断一批 synthetic data 可以用于 AI 评测、训练或演示, 而不会泄露客户隐私或放大偏差？

Extension Week 174: AI Three Lines Governance / Decision Rights / Assurance Operating Model Architecture

• Papers/concepts: three lines model、first-line ownership、second-line challenge、third-line assurance、decision rights、lifecycle gate、evidence forum、control owner、issue/action log、escalation path、architecture governance。
• Diagrams to draw: AI lifecycle gates -> first-line product/ops decisions -> second-line risk challenge -> third-line audit assurance -> evidence forum -> issue/action closure -> board/management MI。
• Code-lite experiment: 为 GenAI contact center、AML copilot、credit decision support、KYC onboarding、vendor AI model 或 enterprise knowledge assistant 设计 three-lines role map、decision-rights matrix 和 assurance packet。
• 系统学习要点: 成熟 AI 治理不是“多开委员会”, 而是把责任、挑战、保证、证据和问题整改嵌入生命周期门禁和日常运营节奏。
• 设计评审问题: 你如何设计 AI 三道防线治理, 让一线能交付、二线能挑战、三线能保证, 同时不把产品迭代拖死？

AI system architecture mental models

1. Model

Model 是能力引擎，不是完整产品；描述模型时要说明模型类型、上下文长度、模态、成本、延迟、部署方式和数据使用政策。 模型选择应由任务、风险、成本、延迟和可治理性共同决定。

2. Context

Context 是模型当前可见的信息边界，包括用户问题、系统指令、业务对象、历史对话、检索文档、工具结果和策略约束。 Context engineering 是 AI 架构的核心工作。

3. Memory

Memory 是跨会话、跨任务保留信息的机制，可以在数据库、向量库、用户画像、知识图谱或事件日志中。 必须区分“模型参数记住了”和“系统记忆存储了”。

4. Tools

Tools 让模型从文本生成走向真实操作，包括搜索、数据库查询、计算器、风控规则、工单系统、支付接口或代码执行器。 每个工具都需要 schema、权限、超时、重试、审计和错误处理。

5. Retrieval

Retrieval 决定模型能否获得正确外部知识，需要处理数据摄取、切块、索引、权限、召回、排序、引用和更新。 很多 RAG 问题不是模型问题，而是检索和知识治理问题。

6. Eval

Eval 是 AI 系统的质量仪表盘，覆盖任务成功、事实一致性、格式合规、引用正确、安全风险、成本和延迟。 Eval 集需要版本化，避免每次改 prompt 都靠主观感觉。

7. Guardrails

Guardrails 是运行时控制，不是单条提示词，包括输入过滤、输出检测、敏感动作确认、权限检查、策略引擎、红队测试和人工升级。 高风险行业必须把 guardrails 设计成架构组件。

8. Observability

AI observability 要记录 prompt、retrieved context、tool call、model version、latency、cost、error、judge score 和 human feedback。 没有 trace，就无法复盘幻觉、错误检索、工具失败或成本异常。

9. HITL

Human-in-the-loop 是风险控制和持续学习机制，应根据风险分层触发: 低风险自动执行，中风险抽检，高风险强制确认。 HITL 反馈应该进入 eval、知识库和流程改进。

Common misunderstandings and corrections

• 误解: 大模型理解业务，所以可以直接上线。纠正: 生产系统还需要权限、流程、评估和治理。
• 误解: RAG 可以解决所有幻觉。纠正: RAG 主要降低知识缺失导致的幻觉，不能自动解决推理错误、检索错误和指令冲突。
• 误解: 上下文越长越好。纠正: 长上下文增加成本和延迟，也可能引入噪声和注意力稀释。
• 误解: Fine-tuning 可以把公司知识灌进模型。纠正: 高频变化的事实知识更适合 RAG。
• 误解: Agent 就是多轮聊天。纠正: Agent 是带工具、状态、计划、观察和执行控制的系统。
• 误解: CoT 输出越长越可靠。纠正: 长推理链可能提升复杂任务，也可能制造看似合理的错误解释。
• 误解: LLM-as-Judge 可以替代人类评审。纠正: 模型裁判必须用人类校准、抽检和偏差分析约束。
• 误解: 模型榜单第一，产品效果就最好。纠正: 产品效果还取决于任务匹配、延迟、成本、上下文、工具、评估和安全。
• 误解: Prompt engineering 是一次性文案工作。纠正: Prompt 是可测试、可版本化、可回归的系统配置。
• 误解: AI 安全就是过滤敏感词。纠正: AI 安全包括数据权限、注入攻击、防越权、工具安全、审计和人工升级。
• 误解: 模型输出带引用就一定可信。纠正: 引用可能错配、遗漏或被模型误用。
• 误解: 业务专家只需要给需求，不需要参与 eval。纠正: 业务专家必须定义 gold cases、评分标准、风险边界和升级规则。

Output artifacts

• Paper notes: 每篇论文一份 2-4 页中文解读，包含问题、方法、贡献、限制和产品映射。
• Concept diagrams: Transformer block、RAG pipeline、Agent loop、Eval loop、推理优化图。
• Architecture ADRs: 对 RAG、fine-tuning、agent tools、eval、guardrails、model routing 的决策记录。
• Eval examples: 至少 100 条任务样本，覆盖正常、边界、冲突、缺失、风险和安全场景。
• Explain-like-CTO scripts: 每个核心概念准备 3 分钟 CTO 解释稿。
• Interview answer bank: 每周至少沉淀 5 个技术产品混合评审题答案。
• Glossary: 建立 AI 架构术语表，包含 token、embedding、attention、RAG、agent、eval、guardrails。
• Decision trees: prompt vs RAG vs fine-tuning、small model vs large model、automation vs HITL。
• Risk register: 记录 hallucination、prompt injection、data leakage、tool misuse、model drift 等风险。
• Portfolio case study: 选择一个金融零售 AI 场景，做端到端架构说明和评估方案。

60 deep questions for future study

1. Tokenization 如何影响中文、代码、表格和合同类文档的理解质量？
2. 为什么 next-token prediction 能学习到世界知识和推理模式？
3. Attention score 能否被当作模型解释性证据，边界在哪里？
4. Multi-head attention 中不同 head 的功能是否稳定可解释？
5. 长上下文模型为什么仍然需要 RAG？
6. RAG 中 chunk size 应该如何根据业务文档类型决定？
7. Metadata filtering 和 semantic search 如何组合才能减少权限穿透？
8. Reranker 在企业 RAG 中通常解决什么问题？
9. 如何判断一个 RAG 答案是检索失败还是生成失败？
10. 为什么引用正确性需要单独评估？
11. GPT-style decoder-only 模型为什么适合通用生成任务？
12. BERT-style encoder 模型在 LLM 时代还有哪些不可替代场景？
13. Instruction tuning 改变了模型的什么能力？
14. RLHF 会不会让模型过度迎合用户？
15. Constitutional AI 中的“原则”如何映射到企业政策？
16. DPO 和 RLHF 在产品团队视角下有什么实际差异？
17. Chain-of-Thought 是否应该展示给最终用户？
18. Self-Consistency 的成本和准确率如何取舍？
19. LLM-as-Judge 如何避免偏向长答案、流畅答案或同厂模型？
20. Eval 数据集如何防止被 prompt 或模型过拟合？
21. 一个企业 AI Copilot 的最小可用 eval 集应该包含什么？
22. Agent 什么时候应该停止继续尝试？
23. 工具调用失败时，模型应该重试、解释、升级还是回滚？
24. 如何给 Agent 设计最小权限原则？
25. 什么类型的业务动作必须 HITL？
26. 如何把人工反馈转成下一轮系统改进？
27. Fine-tuning 和 RAG 的混合方案适合哪些场景？
28. LoRA 的低秩假设在业务适配中意味着什么？
29. 小模型加好工作流能否替代大模型？
30. Model routing 应该按任务、风险、成本还是用户等级决定？
31. KV Cache 为什么能显著改善多轮对话性能？
32. Speculative decoding 对输出质量有没有影响？
33. FlashAttention 为什么是 IO-aware 而不仅是数学优化？
34. MoE 模型的专家路由是否会带来稳定性问题？
35. 长上下文、RAG、fine-tuning 三者如何组合？
36. 如何估算 AI 功能的单位经济模型？
37. 首 token 延迟和总完成时间哪个更影响用户体验？
38. Streaming 会掩盖还是改善真实延迟问题？
39. Prompt injection 和传统 SQL injection 的相似与不同是什么？
40. 如何防止检索文档中的恶意指令影响模型？
41. 企业知识库中的过期文档如何影响 RAG？
42. 数据权限应该在检索前过滤还是生成后过滤？
43. AI observability 应该记录哪些字段才足够复盘事故？
44. 模型升级时应该如何做灰度和回滚？
45. 如何设计“不能回答”的产品体验？
46. 何时应该让模型给置信度，何时不应该？
47. 模型的置信表达和真实正确率之间如何校准？
48. 多 Agent 架构是否真的优于单 Agent 加工具？
49. Agent planning 的中间状态应该对用户透明吗？
50. AI 系统中的 memory 如何避免隐私和合规风险？
51. 如何区分用户偏好、业务事实和长期记忆？
52. 金融零售场景中 AI 推荐和合规建议的边界在哪里？
53. 如何为 AI 生成的业务需求文档设计验收标准？
54. AI BA 工具如何处理流程异常和例外规则？
55. AI 架构 ADR 应该记录哪些模型和治理决策？
56. 如何向 CTO 解释“模型能力”和“系统可靠性”的差距？
57. 如何判断一个 AI 项目应该先做内部效率还是客户体验？
58. 如何把红队测试常态化进产品迭代？
59. AI 产品的北极星指标应该如何避免只看调用量？
60. 当模型、数据、流程三者都可能出错时，如何定位根因？

Reading note structure for every paper

每篇论文不要只摘录标题、作者和结论，而要把它还原成一条完整的技术演化链：旧方法为什么不够，论文引入了什么机制，证据如何支撑结论，今天的系统架构应该如何吸收或限制这套机制。

论文身份与核心结论

• Paper / Authors / Year / Link: 记录原始来源，避免二手解读污染。
• 领域标签: 标注它属于模型架构、检索、Agent、评估、对齐、工程系统、治理或业务决策。
• 核心结论: 用一段话说明这篇论文真正改变了什么，而不是压缩成口号。

问题结构

• 论文之前的主流做法是什么，以及旧方法在哪个约束上失败。
• 作者真正优化的是准确率、泛化、可扩展性、推理效率、可控性、交互能力还是证据质量。
• 这个问题在今天的 AI 产品中对应什么系统痛点，例如上下文缺失、工具越权、评估不可复现、成本不可控或人工复核负载过高。

机制拆解

• 输入、输出、核心架构和训练/优化目标分别是什么。
• 关键机制如何工作：信息如何流动，状态如何保存，反馈如何进入下一轮，约束如何生效。
• 与前一代方法相比，论文到底改变了表示方式、搜索方式、优化方式、控制方式还是系统边界。

图解与架构映射

• 重画最关键的机制图，并把图中的模型组件映射到生产系统组件。
• 说明它如何影响 RAG、Agent、Copilot、EvalOps、模型路由、权限、观测或人类审核。
• 把“论文图”翻译成“系统图”：输入对象、决策点、动作对象、反馈对象、控制点和证据对象。

实验、证据与可迁移性

• 作者用什么 benchmark、指标和消融实验证明有效。
• 实验是否真的支撑作者结论，还是只证明了特定数据集、规模或任务上的收益。
• 今天落地时哪些证据需要重新建立，例如 eval set、runtime trace、业务结果、风险事件、人工复核一致性或成本曲线。

局限与控制边界

• 论文承认的局限、今天工程落地的局限，以及对成本、延迟、数据、安全、可解释性和责任边界的影响。
• 哪些场景不应直接自动化，必须降级为建议、草稿、排序、分流或人工复核。
• 需要哪些 data contract、policy gate、guardrails、HITL、audit trail 或 kill switch 才能进入生产。

输出工件

• 一页纸论文解读：问题、机制、证据、局限和系统价值。
• 一张架构图：把论文机制映射到企业 AI 系统组件。
• 一个业务场景案例：优先使用 AML、KYC、支付、信贷、客服、合规或运营流程。
• 一个 eval 样本：把论文能力转成可测试、可复现、可回归的样本。
• 一个 ADR 草稿：记录采用、暂缓或拒绝该方法的条件、证据和反转触发器。