电力营销智能化团队岗位手册

版本：v1.1（2026-09-15，补齐七岗位体系） 适用对象：团队管理者、在岗成员、新入职成员 用途：岗位要求说明、学习路径指引、招聘与培养参考

〇、团队定位与岗位协作

电力营销智能化团队的核心竞争力不是"算法多强"，而是 "懂电力营销业务 × 能把 AI 落地进客户现场"。团队按七个岗位定义职责：AI产品经理、优化决策算法工程师、时序预测算法工程师、机器视觉算法工程师、大模型应用架构工程师、AI应用全栈开发工程师、FDE工程师，共同构成一个价值闭环。

七岗位是职责划分，不等于必须配置七名独立人员；允许兼岗，但每个项目应明确各项职责的负责人。

FDE工程师（现场问题、数据条件、客户反馈）
        ↓ 需求证据
AI产品经理（价值判断、产品定义、优先级与验收标准）
        ↓ 按场景组织技术协作，不要求每个项目使用全部能力
        ├─ 时序预测算法工程师（未来会怎样）→ 优化决策算法工程师（应该怎么做）
        ├─ 机器视觉算法工程师（图像与视频感知）
        └─ 大模型应用架构工程师（LLM应用方案、评测、安全与能力编排）
        ↓ 模型/服务契约、技术方案与评测结果
AI应用全栈开发工程师（系统实现、业务集成、工程质量）
        ↓ 可交付的产品
FDE工程师（现场部署、培训、验收、效果反馈）→ AI产品经理迭代

AI产品经理（团队负责人兼任）：负责需求入口取舍、产品定义与路线图、价值量化与对外发声；FDE 提供现场证据，技术岗位提供可行性与成本判断。产品经理掌握“能评审、能提问、能决策”的技术判断力，不以亲自设计架构或写代码为岗位要求。完整岗位规范见第一章，个人年度安排见《团队年度学习计划.md》第六章。

核心原则：业务知识是全团队的公共底座，七个岗位只是深浅要求不同。

一、AI产品经理

1.1 岗位定位

决定"为谁解决什么问题、为什么值得做、做到什么程度"的人。以电力营销业务价值为主线，把客户痛点转为可验收、可复用的 AI 产品，而不是把每个需求都包装成大模型项目。当前由团队负责人兼任。

• 场景发现与取舍：围绕业扩、抄核收、计量、稽查、客服、需求响应等流程，区分高频共性需求与单客户定制
• 产品定义：明确目标用户、现有流程、AI 介入点、人工接管方式、业务规则及不做的范围
• 价值管理：衡量节省工时、电费差错减少、工单周期缩短、服务质量提升，并计入算力、实施与运维成本
• 迭代与复用：维护产品路线图和场景库，用试点证据决定继续、调整或停止投入

职责边界：FDE 提供现场问题与验收证据，产品经理负责需求优先级和产品范围；架构与算法岗位负责技术方案，产品经理负责判断方案是否值得投入，不代替工程师设计和实现。

1.2 能力要求

1.3 学习路径

阶段一（0–3 个月）需求与价值 - 跟 FDE 或业务专家跑现场，记录角色、流程、频次、耗时、风险及数据条件 - 学习《俞军产品方法论》《金字塔原理》，建立需求证据而非只收集功能愿望 - 验收产出：1 份《场景价值量化报告》，写清现状基线、收益假设、成本与验证方式

阶段二（3–6 个月）AI 产品定义 - 建立 RAG、Agent、预测与优化的技术判断力；能解释何时用规则、何时需要模型 - 编写包含失败路径、人工接管和数据权限的 PRD，和技术岗共同确定试点评测集 - 验收产出：1 个试点的 PRD、原型和验收清单；沉淀不少于 10 张场景卡（问题、用户、价值、数据、风险）

阶段三（6–12 个月）路线图与价值闭环 - 用价值、可行性、复用性与成本确定优先级，形成季度路线图和上线后复盘机制 - 与 FDE 验证实际使用与收益，区分试点效果和可规模化复制的能力 - 验收产出：1 个项目从需求到价值复盘闭环；1 份产品路线图和1份脱敏行业案例

1.4 学习材料

• 产品与表达：《俞军产品方法论》《Inspired》《金字塔原理》
• AI 判断力：工作区《AI-Agent学习地图.md》第一、三、四层；模型及应用框架官方能力与限制说明
• 行业：电力营销业务规范、各省交易规则、客户访谈与现场观察；Lenny's Newsletter 的产品发现与评估文章
• 个人年度安排：《团队年度学习计划.md》第六章，按“产品为主线 + 技术判断力为底线”的 T 型路线推进

1.5 发展路线

• 纵向：初级（能梳理需求）→ 中级（独立负责产品试点与迭代）→ 高级（跨场景路线图、业务收益与产品复用）→ 产品负责人
• 横向：行业解决方案负责人、业务产品线负责人
• 关键里程碑：能说清“为什么不做某个需求”；交付经客户验证的价值结果，而非只完成需求清单

二、大模型应用架构工程师

2.1 岗位定位

解决"如何把大模型能力组成可靠、可控、可维护的业务方案"的问题。聚焦应用架构，不以从零训练基础大模型为日常主责。

• 知识与服务：营销规程知识库、带出处的客服辅助、电费解释与报告生成
• 业务编排：稽查线索归集、工单辅助流转、跨系统查询与工具调用
• 技术治理：模型/平台选型、RAG 与 Agent 方案、评测体系、成本与安全控制

职责边界：产品经理定价值、范围和验收目标；本岗定 LLM 应用技术方案并验证关键路径；全栈岗完成系统实现与生产集成。预测、优化、视觉模型仍由对应算法岗负责，本岗通过明确的接口调用，不用 LLM 替代确定性计算与业务规则。

2.2 能力要求

2.3 学习路径

阶段一（0–3 个月）应用基础与方案对比 - Python/API、Prompt、结构化输出、工具调用和 RAG 基础；掌握一种工作流平台及其限制 - 同一营销规程问答场景比较规则检索、RAG 与工作流方案，建立固定评测集 - 验收产出：一份技术选型报告及可复现 PoC，说明效果、成本、时延与失败边界

阶段二（3–6 个月）生产架构与评测 - 深入混合检索、权限过滤、规程版本管理；学习 LangGraph 状态编排、MCP 工具接入 - 与全栈岗设计认证授权、审计、幂等及人工审批，注入不可信文档和异常工具响应进行测试 - 验收产出：架构设计、接口契约、评测报告和风险清单；验证越权阻断、拒答与降级流程

阶段三（6–12 个月）运行治理与能力复用 - 在真实试点约束下优化质量、时延、并发和成本，建立 Prompt/模型/知识版本回归机制 - 联合全栈与 FDE 验证私有化部署、故障回退及现场可运维性 - 验收产出：一个上线项目的架构复盘，以及可复用的评测集规范、工具接口规范和监控方案

2.4 学习材料

• 路线：工作区《AI-Agent学习地图.md》全文，重点为 RAG 与代码级 Agent 部分
• 工具：Dify、LangGraph、MCP 官方文档；所用模型、向量数据库与重排组件的官方文档
• 系统与安全：Chip Huyen《AI Engineering》；OWASP 面向大模型应用的安全风险资料
• 实践：用脱敏营销规程和只读业务查询工具搭评测环境，再按授权逐步增加写操作

2.5 发展路线

• 纵向：初级（实现单场景 PoC）→ 中级（独立完成应用架构与评测）→ 高级（跨项目治理与能力平台）→ AI 技术负责人
• 横向：行业解决方案架构师、AI 平台负责人
• 关键里程碑：交付能解释选型取舍、能测量效果、能降级回滚的生产方案，不止是一个可演示 Agent

三、优化决策算法工程师

3.1 岗位定位

解决"在业务约束下应该怎么做"问题的人。电力营销场景典型问题：

• 交易与运营：现货市场报价策略、需求响应资源调度、充电桩运营调度、园区需量管理
• 资源配置：稽查/抢修工单派发、营业厅排班、有限人力下的风险线索处置优先级
• 策略评估：在合规、安全、服务质量约束下，比较成本、收益和风险的取舍

与时序预测岗的边界：预测岗负责负荷、电量、电价等未来值及其不确定性；优化岗消费预测结果，将目标、决策变量和约束转成可执行策略。兼岗时也要分别验收预测质量与策略收益，不能只用预测误差替代决策效果。

3.2 能力要求

3.3 学习路径

阶段一（0–3 个月）打地基 - Python 数据分析（pandas/numpy）+ 统计学 + scikit-learn 经典模型 - 运筹学基础：线性规划、整数规划，理解单纯形法思想、会建模 - 验收产出：完成一个带容量、时段、人员等约束的排班或需求响应优化模型，并与人工规则基线对比

阶段二（3–6 个月）专项突破 - 不确定性建模：理解预测岗提供的点预测、分位数与情景；分析预测偏差对策略的影响 - 优化求解：Pyomo + Gurobi/COPT 实战；OR-Tools 做排班/路径类问题 - 业务通关：精读本省《电力现货市场交易规则》，参加交易中心培训 - 验收产出：与预测岗协作复刻"日前负荷预测 + 报价策略"仿真项目，本岗交付目标函数、约束说明、策略与基线对比

阶段三（6–12 个月）业务实战 - 独立负责真实项目全周期：数据治理 → 建模 → 上线 → 效果复盘 - 进阶方向：随机/鲁棒优化、滚动优化；强化学习先在仿真与安全约束下验证 - 验收产出：策略满足硬约束，收益、违约风险、求解耗时相对基线可量化；无可行解或超时时有回退策略

3.4 学习材料

• 书籍：胡运权《运筹学教程》；Boyd《Convex Optimization》；预测接口知识可参考 Hyndman《Forecasting: Principles and Practice》
• 工具文档：OR-Tools 官方文档；杉数 COPT 教程（中文友好、含电力案例）
• 实践：OR-Tools 排班/路径案例、公开运筹优化实例、电力营销与调度建模课题
• 行业：各省电力交易中心规则与公告、《电力系统自动化》《电网技术》期刊、售电行业研报

3.5 发展路线

• 纵向：初级（复现模型）→ 中级（独立建模上线）→ 高级（电力市场/优化专家，能定义问题）→ 首席算法
• 横向：懂业务后带算法小组，或转解决方案架构师
• 关键里程碑：独立交付 1 个约束可验证、收益可复盘的优化项目；能用"客户的钱"而非仅用求解器指标汇报成果

四、机器视觉算法工程师

4.1 岗位定位

解决"看"的问题。电力营销典型场景：

• 计量类：表计读数识别（OCR）、计量箱/接线缺陷检测、封印识别
• 稽查类：窃电/违约用电现场取证辅助、异常接线识别
• 安全类：现场作业合规监控（安全帽、工装、操作票行为识别）
• 服务类：营业厅客流与服务行为分析、证件/票据识别

4.2 能力要求

4.3 学习路径

阶段一（0–3 个月）基础 - Python + PyTorch + 李沐《动手学深度学习》+ OpenCV - 验收产出：在公开数据集（安全帽检测、电表读数）上训出可用模型

阶段二（3–6 个月）专项 - 检测专项：Ultralytics YOLO 从数据到部署全链路 - OCR 专项：PaddleOCR 微调表计读数场景 - 数据工程：制定标注规范、搭建增强 pipeline、建立难例回流机制 - 验收产出：一个场景模型达业务可用精度（如表计读数准确率 > 99%）

阶段三（6–12 个月）落地 - 模型压缩（量化/剪枝/蒸馏）→ 边缘设备实测帧率达标 - 多模态大模型融合：VLM 做开放集初筛，降低标注成本 - 验收产出：模型在边缘盒子稳定运行一周，误报率压到业务可接受线

4.4 学习材料

• 课/书：李沐《动手学深度学习》、cs231n（斯坦福公开课）、Ultralytics 与 PaddleOCR 官方文档（最实用的两本"手册"）
• 数据集：安全帽检测公开数据集、电表读数数据集、COCO 练手
• 社区：极市平台（大量工业视觉实战贴）、Papers with Code、CVer

4.5 发展路线

• 纵向：初级（会训模型）→ 中级（数据+训练+部署全栈）→ 高级（视觉技术负责人，定技术路线）
• 横向：多模态大模型方向是未来 2–3 年最大增量（视觉+LLM 做巡检报告自动生成、稽查线索描述），建议主动靠拢
• 关键里程碑：一个模型在边缘设备上跑稳；建立团队数据标注与回流规范

五、时序预测算法工程师

5.1 岗位定位

解决"未来会怎样，以及有多大不确定性"的问题。为交易、调度、营销运营提供可追溯的预测输入。

• 负荷与电量：台区、园区、行业和用户级负荷/电量预测，支撑需量管理、购电与需求响应
• 价格与出力：电价、分布式光伏出力预测，为交易和资源优化提供情景
• 营销运营：业扩报装量、客服话务量、营业厅客流预测，支撑容量与人员安排

职责边界：本岗负责目标定义、时间数据治理、预测模型、回测与漂移监控；优化岗负责将预测转成满足约束的策略。两岗共同评估误差的业务代价，但预测准确不等于策略必然盈利。

5.2 能力要求

5.3 学习路径

阶段一（0–3 个月）基线与无泄漏回测 - 学习统计学、pandas 和时序分析，用 GEFCom 等公开数据明确目标、粒度、预测步长与数据可用时点 - 建立昨日同期、上周同期等季节性朴素基线，按时间划分训练/验证/测试，不随机打散 - 验收产出：一个可复现的负荷预测基线报告，含特征可得性清单、滚动回测与分时段误差

阶段二（3–6 个月）业务特征与概率预测 - 比较统计模型、LightGBM 与按需引入的 N-BEATS/PatchTST，采用相同数据窗口和评测口径 - 加入节假日、气象预报等特征；验证时使用历史可获得的预报，不能用事后实况冒充预报输入 - 验收产出：点预测及分位数/区间报告，说明相对基线改善、区间覆盖率、宽度和失败场景

阶段三（6–12 个月）上线与预测—决策联动 - 与全栈上线预测服务，监控数据延迟、缺失、误差和分布漂移；异常时回退到明确的基线模型 - 与优化岗对齐预测发布时间、步长、粒度、单位及情景，评估预测偏差对成本和策略的影响 - 验收产出：覆盖一个约定业务周期的试运行报告、模型卡和回退方案；收益测算标明假设及归因限制

评估底线：所有插补、标准化、特征筛选和调参仅使用当时可见的数据；测试集不用于调参。零负荷或零/负电价场景不机械使用 MAPE，WAPE 也需检查分母与业务口径；整体均值之外必须检查峰时、节假日和关键用户群。

5.4 学习材料

• 书籍：Hyndman 与 Athanasopoulos《Forecasting: Principles and Practice》（免费在线）
• 工具：statsmodels、LightGBM、NeuralForecast、GluonTS、Darts 官方文档与示例
• 实践：GEFCom 负荷预测、M5 层级预测；从公开数据练方法，再验证其对本地电力场景的适用性
• 行业：本省电力交易规则、气象数据说明、负荷特性分析及《电力系统自动化》《电网技术》相关研究

5.5 发展路线

• 纵向：初级（完成无泄漏基线）→ 中级（独立建模、上线与监控）→ 高级（多层级概率预测、跨场景复用与业务效果）→ 预测技术负责人
• 横向：能源数据科学、预测与决策联合优化；转优化岗需补目标函数、约束与求解能力
• 关键里程碑：交付一个能持续回测、监控和回退的预测服务，让下游知道预测的适用范围与不确定性

六、AI应用全栈开发工程师

6.1 岗位定位

把算法能力变成"客户每天能用的系统"。负责：LLM 应用（智能客服、报告自动生成、营销知识库问答、Agent 工具）、算法 API 封装、前后端产品、与营销业务系统对接。

与大模型应用架构岗的边界：架构岗主责模型与方案选型、RAG/Agent 技术设计、评测与安全边界；全栈岗主责工程实现、系统集成、测试发布和运行质量。双方共同对齐接口、性能与成本；全栈岗仍需掌握 LLM 应用能力，不只是页面开发。

6.2 能力要求

6.3 学习路径

阶段一（0–2 个月）工程基础 - 一门后端 + 一门前端 + 数据库；能独立写带登录、CRUD、图表的后台系统

阶段二（2–4 个月）LLM 应用层（团队最急的增量） - 按工作区《AI-Agent学习地图.md》第一至三层执行：Prompt 工程 → 大模型 API → Dify/工作流平台 → RAG 知识库调优 - 验收产出：交付"营销规程知识库问答机器人"，检索准确率可量化

阶段三（4–9 个月）生产级与 Agent 进阶 - LangGraph 多步 Agent、MCP 工具接入、与算法岗的模型服务对接规范 - 私有化部署实战：国产 OS/数据库适配、离线环境安装、内网安全要求 - 验收产出：一个日活可用的 AI 应用 + 团队应用脚手架（新项目 3 天起架子）

6.4 学习材料

• LLM 应用：《AI-Agent学习地图.md》全文（Prompt/Dify/RAG/LangGraph 分层资料）
• 工程：FastAPI、Vue3 官方文档；Docker 官方教程
• 专项：Datawhale《向量检索与 RAG 实践》、LangChain/LangGraph 官方文档

6.5 发展路线

• 纵向：初级（写功能）→ 中级（独立交付应用）→ 高级（架构师：定技术栈、脚手架、集成规范）
• 横向：解决方案工程师（技术 + 能讲方案，与 FDE 搭档投标/讲标）
• 关键里程碑：独立交付 1 个生产级 AI 应用；建立团队级脚手架与部署手册

七、FDE工程师

7.1 岗位定位

源自 Palantir 模式，是团队中的"技术 + 咨询 + 交付"复合角色。驻扎客户现场（供电局营销部、售电公司、园区），职责：

1. 挖需求：泡在客户业务里，找到"最耗人力、最有价值"的真痛点（观察出来的，不是客户嘴上说的）
2. 快验证：48 小时内用低代码/原型工具搭出 demo，让客户"看见"价值
3. 做交付：部署配置系统、培训客户、跑通验收
4. 传需求：把现场共性需求结构化带回后方，反哺算法与产品

当前状态（2026-09）：本岗位招聘中，目标 2027 年 1 月到岗（面试用《面试题库与晋升答辩评分表》第四章）。到岗前 FDE 职责（现场需求挖掘、快速 demo、交付）由团队负责人（AI 产品经理）兼任，全栈工程师协助原型开发。

7.2 能力要求

7.3 学习路径

阶段一（0–3 个月）业务通关 + 数据速成 - 业务：跟客户/内部专家轮岗、读《电力营销业务应知应会》类教材、跑遍主要业务现场 - 技术：SQL + pandas + 可视化，能独立把客户数据变成分析结论 - 验收产出：给客户做一次"用电数据分析"小报告并被认可

阶段二（3–6 个月）原型 + 方案能力 - 快速原型：Streamlit 一天出 demo、Dify 搭知识库机器人 - 写作表达：精读《金字塔原理》，每两周写一份方案/复盘并请同事挑刺 - 验收产出：独立把现场痛点做成可演示 demo，向客户汇报通过

阶段三（6–12 个月）独立交付 - 带完整交付项目：需求确认 → 开发协调 → 部署 → 培训 → 验收 - 价值量化：算出"为客户节省多少人力、挽回多少电费损失、缩短多少工单时长"——FDE 的立身之本 - 验收产出：独立交付 2–3 个项目；沉淀《场景需求清单》和《交付 SOP》反哺团队

7.4 学习材料

• 业务：电力营销业务培训教材、国网/南网营销部公开规范、各省电力交易中心规则文件
• 方法论：Palantir FDE 模式公开访谈与文章、《金字塔原理》（写方案的底层功）、咨询 Case Interview 材料（练问题拆解）
• 技术：Streamlit 官方文档、Dify 教程（与全栈岗共用）、SQL 练习平台

7.5 发展路线

FDE 是团队里最容易出"将才"的岗位，三个方向：

• 交付线：高级 FDE → 交付负责人 → 客户成功总监
• 产品线：转产品经理（最懂客户的人做产品，成功率最高）
• 商务线：转售前/销售（懂技术 + 懂客户 = 签单利器）

关键里程碑：独立交付 3 个项目；能把现场需求翻译成算法/全栈可直接执行的规格说明

八、团队层面机制

8.1 人才模型：全员"T 型"

• 纵向一专：本岗位深耕
• 横向多能：算法工程师要懂部署常识和现场约束（每年跟 FDE 出至少一次现场）；FDE 要懂算法边界（知道什么需求一句话能做、什么要做三个月）

8.2 岗位能力分级速查表（盘点与晋升用）

8.3 协作机制

• 双周分享会：算法讲模型（用业务语言）、FDE 讲现场故事——互相消除信息差
• 需求评审会：AI产品经理主持；FDE 提供现场证据，架构、算法和全栈按需参与，需求通过"价值 × 技术可行性 × 产品化成本 × 复用性"评审再排期
• 技术评审与业务验收分开：架构岗牵头 LLM 方案评审，各算法岗负责本领域验证，全栈负责集成与运行验证；产品经理联合 FDE 和客户按事先约定的业务指标验收
• 轮岗机制：FDE 与全栈可短期轮岗（技能重叠最多）；算法轮岗做一周 FDE 助理

8.4 项目制练兵

每季度设 1 个真实业务课题，按所需职责组建跨岗小组，不固定人数、不要求七岗全部参加。兼岗时仍明确交付物与验收人。

• 园区负荷预测 + 需量管理：产品经理定收益目标，FDE 确认现场数据和设备约束，预测岗提供负荷及区间，优化岗给出调度策略，全栈完成集成；无 LLM 需求时不强加 Agent
• 营销规程知识库问答：产品经理定场景与验收，FDE 收集业务问题和规程，架构岗设计 RAG、评测及权限，全栈实现系统；视觉岗仅在复杂扫描件识别确有需要时参与

8.5 招聘/培养优先级提醒

七个岗位都需要业务底座，电力营销业务知识最难速成（技术可培训，业务 sense 靠泡现场）。招人排序建议：

技术合格 + 愿意泡现场 + 学习意愿强 > 纯技术大牛但排斥出差驻场

8.6 岗位交付与交接清单

附：配套文档

• 《面试题库与晋升答辩评分表.md》——招聘面试与转正/晋升答辩使用（v1.1 已覆盖七岗位题库与评分表）
• 《团队年度学习计划.md》——按季度排布的学习与练兵计划（含甘特图），已覆盖七岗位学习路径（v1.2）
• 《AI-Agent学习地图.md》——LLM 应用层专项资料；产品岗用于建立技术判断力，架构与全栈岗用于实操，FDE 岗用于原型验证