专业领域知识

在清晰目标和指导下完成有边界的工作，理解服务对象与结果，验证产出并及时反馈。

• 运用岗位基础知识完成常见问题，遇到不确定处及时求助。观察证据：实现能通过基本检查，并能说明关键概念。
  计算机基础本标准的基础要求编码与抽象本标准的基础要求
• 遵循团队质量、安全和隐私规范，提交前检查边界情况。观察证据：能发现明显失败路径或敏感数据风险。
  质量、安全与防护本标准的基础要求边界本标准的基础要求
• 岗位允许使用 AI 时，提供必要上下文并判断输出是否适用于当前任务；也能说明何时不应使用。适用条件：依岗位规则、任务风险和可用工具判断；应允许“不采用”的合理证据。观察证据：修改有验证步骤，不把生成内容直接当作正确答案。
  AI 工程本标准的基础要求调试与定位本标准的基础要求
• 说明当前任务的业务对象、状态和数据含义，检查常见与异常路径。观察证据：能用实例解释状态变化与数据约束。
  数据模型本标准的基础要求
• 通过复现、日志和最小实验定位常见问题，求助时带上证据。观察证据：提供复现步骤、已排除的假设和验证记录。
  调试与定位本标准的基础要求

独立负责功能或模块的完整闭环，稳定交付并跟踪运行反馈；岗位适用时支持同伴成长。

• 为一个模块设计可维护的方案，识别接口、状态和主要失败模式。观察证据：设计能支撑需求并给出容量、迁移或回退说明。
  系统设计本标准的基础要求数据模型本标准的基础要求
• 为重要路径补充测试、观测或安全检查，减少可预见故障。观察证据：能通过测试或运行信号证明关键约束得到保护。
  质量、安全与防护本标准的基础要求可靠性与事故本标准的基础要求
• 任务使用 AI 时，按影响和风险验证生成或建议的内容；不能解释或验证的部分应升级或停止采用。适用条件：只在实际使用 AI 或岗位要求评估 AI 输出时观察。观察证据：有测试、对照样例、引用检查或人工审批记录。
  AI 评估与治理本标准的基础要求调试与定位本标准的基础要求
• 将业务规则映射为模块的数据、状态与接口，制定兼容和迁移方案。观察证据：模型解释异常状态、历史数据和迁移后的校验。
  模型演进本标准的区分项
• 独立跟踪模块上线后的运行情况，能回滚、排障并完成修复验证。观察证据：上线监控、回滚条件与事故修复形成闭环。
  可靠性与事故本标准的区分项

澄清模糊问题、权衡跨模块方案并推动项目结果；提出规划和转向建议时明确自身权限与决策边界。

• 设计跨模块方案，平衡领域规则、系统约束、演进成本与可逆性。观察证据：方案包含边界、取舍、迁移/回滚与故障路径。
  系统设计本标准的区分项模型演进本标准的区分项
• 与用户和产品伙伴验证问题本身，再选择实现路径。观察证据：访谈、原型、实验或数据导致方案收敛或被放弃。
  产品发现与体验设计本标准的区分项产品判断本标准的区分项
• 为高影响方案定义质量和安全验证；涉及 AI 时，依据风险选择评估、人工复核或不采用，不把 AI 使用当作目标。适用条件：AI 部分仅在方案包含 AI 或相关风险时适用；常规质量与安全要求仍按实际工作评估。观察证据：能展示评估集、监控/升级条件、隐私权限控制或人工接管规则。
  质量、安全与防护本标准的区分项AI 评估与治理本标准的区分项
• 制定负责领域的技术规划，平衡架构演进、技术债和分阶段迁移；只有相关机会、风险和验证条件明确时才纳入 AI 投入。适用条件：AI 投入仅在领域确有相关机会或风险时适用；允许基于收益、总成本和风险选择不采用。观察证据：路线图有依赖、成本、风险、验证点和退出方案。
  工程体系本标准的区分项
• 推动跨模块领域与数据模型演进，处理口径、兼容和历史可解释性。观察证据：业务规则变化后仍可追踪数据含义和迁移正确性。
  模型演进本标准的区分项

在关键领域或跨团队产生持续的专业价值，通过可复用实践和协作扩大影响；不默认承担公司级治理或正式继任责任。

• 定义可演进的领域架构与专业标准，兼顾产品体验和工程边界。观察证据：多个团队采用方案，且可追踪质量、成本和演进效果。
  系统设计本标准的区分项模型演进本标准的区分项产品发现与体验设计按情境判断相关性
• 建立与实际产品风险相称的质量评估机制；涉及 AI 时，加入代表性评估和退化监测。适用条件：AI 评估仅适用于实际负责的 AI 系统或相关风险。观察证据：有可复用基准、上线监控和明确的人工介入/回滚条件。
  AI 评估与治理本标准的区分项质量、安全与防护本标准的区分项
• 识别跨团队的复杂性或技术债，推动整体方案变简单且更可靠。观察证据：使用方减少重复工作，故障、变更成本或复杂度下降。
  工程体系本标准的区分项质量、安全与防护本标准的区分项
• 组织跨团队技术规划，安排架构、数据、平台及相关 AI 方案的先后和兼容边界。适用条件：AI 方案按相关机会与风险纳入；若不适用，应说明技术或产品依据。观察证据：路线图说明跨团队依赖、迁移顺序和验收标准。
  系统设计本标准的区分项
• 推动跨团队共享业务语义与数据契约，避免局部模型破坏整体一致性。观察证据：关键指标、实体与规则有负责人和变更机制。
  数据模型本标准的区分项

对团队结果、人员发展、协作和运行机制承担一线管理责任；理解业务与领域边界，并以专业判断做好评审和授权。

• 理解团队服务的业务链路、关键领域规则和数据口径；评审产品、技术与质量风险，涉及 AI 时组织相应专家，不以个人编码深度衡量。适用条件：AI 风险只在团队产品、工具或工作流涉及 AI 时评估。观察证据：能提出关键问题、获得合适专家意见并为决定负责。
  系统设计按情境判断相关性AI 评估与治理本标准的区分项质量、安全与防护本标准的区分项
• 为团队建立与业务风险相称的测试、发布和事故响应实践；实际采用 AI 时再设置验证与人工监督。适用条件：不要求团队必须使用 AI；适用时评估验证、回退和责任边界。观察证据：质量和恢复能力可被度量，流程不过度依赖经理审批。
  工程体系本标准的区分项可靠性与事故本标准的区分项
• 促进产品、设计与工程共同发现问题并端到端验证结果。观察证据：团队不仅按期发布，也追踪用户采用和结果。
  产品发现与体验设计本标准的区分项业务结果与验证本标准的区分项
• 与技术负责人制定技术规划，为技术债、架构演进和适用的 AI 方案安排容量、成本比较与风险验证。适用条件：AI 方案按业务适配、总成本、质量和风险决定是否纳入。观察证据：技术规划与业务节奏相连，有负责人和分阶段验证。
  工程体系本标准的区分项

在实际授权范围内通过管理者对多个团队的结果、资源方向和组织能力负责；战略、预算与重组权限取决于岗位授权。

• 确保组织对关键技术、产品、隐私和安全风险有明确责任与控制；涉及 AI 时补充相称的评估与监督。适用条件：AI 治理部分只适用于组织实际采用或提供 AI 的范围。观察证据：关键风险有决策者、监控指标、审查和响应机制。
  AI 评估与治理本标准的区分项质量、安全与防护本标准的区分项
• 定义跨团队质量与运行标准，并确保其适配业务风险而非形式化执行。观察证据：标准减少事故或退化，同时避免无效流程负担。
  工程体系本标准的区分项可靠性与事故本标准的区分项
• 能与专家讨论长期领域和技术选择，理解其商业、用户和组织后果。观察证据：能比较多种路线及其可逆性，而非替代专家做细节。
  系统设计按情境判断相关性模型演进按情境判断相关性产品判断本标准的区分项
• 治理跨领域技术规划，连接平台、架构和数据投资与业务方向；相关时再评估 AI 投资及替代方案。适用条件：不以 AI 项目数量或采用为目标；应能说明采用、不采用或延后的依据。观察证据：投资组合有专家评审、依赖顺序和长期维护责任。
  工程体系本标准的区分项