生产环境里的 AI 决策，没人敢在公开论坛上把真实数据、真实失败摊开来讲。InfoQ 新推出的 AI Engineering 和 Organizational Architecture 两个在线认证 cohort，瞄准的就是这个缺口——给有实战经验的资深从业者一个保密的同行圈子，把那些"还没想清楚但必须拍板"的架构、平台、团队设计决策拿出来压力测试。
两个 cohort 分别解决什么问题
AI Engineering cohort 覆盖的是把 AI 从 demo 推到生产的那段路：模型选型与替换策略、推理服务部署、数据管线治理、可观测性与回滚机制。核心不是教你写模型，而是帮你在"三个候选模型都跑过了 benchmark，但业务指标只验证了其中一个"这种时刻做出可辩护的决策。
Organizational Architecture cohort 聚焦团队与平台结构：平台团队的边界划定、内部开发者体验路线、多团队协作的接口契约、技术治理的分层模型。这类问题没有标准答案，但需要有人帮你指出盲区——比如你把平台团队定位成"服务提供者"，却没意识到他们正在变成每个业务线的瓶颈。
两个 cohort 的共同特征：保密、同行驱动、以真实决策为讨论单元，而非理论推演。
认证不是考试，是决策复盘
InfoQ 的认证逻辑不是"刷题过关"，而是要求参与者提交自己正在面对的真实架构或工程决策，在 cohort 内接受同行质询，最终形成一份可追溯的决策文档。这意味着：
- 你拿进去的是生产问题，不是课堂案例。
- 同行的反馈来自同样在一线踩坑的人，不是讲师的 PPT。
- 输出物是一份决策记录，可以直接回挂到你的架构决策日志（ADR）体系里。
实践：用脚本把生产 AI 决议结构化
认证 cohort 要求你把决策写清楚，但多数团队连决策记录的格式都没统一。下面是一个可以直接跑的 Python 脚本，用来生成符合 ADR 规范的 AI 工程决策文档，并附带一个生产就绪度自检清单。跑完之后你就有了一份可以带进 cohort 讨论的素材。
#!/usr/bin/env python3
"""
adr_ai_checklist.py — 生成 AI 工程决策记录 + 生产就绪度自检清单
用法: python adr_ai_checklist.py "是否将推理服务从 A 模型切换到 B 模型"
"""
import sys
import json
from datetime import date
ADR_TEMPLATE = """
# ADR-{number}: {title}
- 状态: 待决策 / 已采纳 / 已废弃
- 日期: {date}
- 决策者: [填写]
## 背景
[描述当前状况，为什么需要做这个决策]
## 候选方案
| 方案 | 优势 | 风险 |
|------|------|------|
| 方案 A | ... | ... |
| 方案 B | ... | ... |
## 决策
[最终选择及理由]
## 后果
- 正面: ...
- 负面: ...
- 需跟进: ...
"""
CHECKLIST_ITEMS = [
("推理延迟", "P99 延迟是否在业务容忍范围内？是否有 SLA 约定？"),
("回滚路径", "模型切换失败时能否在 <5min 内回退到旧版本？"),
("数据管线", "特征管线是否支持新旧模型双写？切换期间数据一致性如何保证？"),
("可观测性", "新模型的推理日志、指标是否已接入监控面板？告警规则是否就位？"),
("成本影响", "新模型的推理成本（GPU/调用费）是否已量化？预算是否已审批？"),
("合规审查", "新模型输出是否经过内容安全/偏见评估？是否有审计留痕？"),
("下游依赖", "消费模型输出的下游服务是否需要同步变更？是否有接口契约？"),
("灰度策略", "是否设计了流量灰度方案（如按用户分桶逐步放量）？"),
]
def generate_adr(title: str) -> str:
number = date.today().strftime("%Y%m%d")
return ADR_TEMPLATE.format(number=number, title=title, date=date.today().isoformat())
def generate_checklist() -> str:
lines = ["## 生产就绪度自检清单\n"]
for i, (dimension, question) in enumerate(CHECKLIST_ITEMS, 1):
lines.append(f"{i}. **{dimension}** — {question} `[ ] 通过 / [ ] 未通过 / [ ] 待验证]`")
return "\n".join(lines)
def main():
if len(sys.argv) < 2:
print("用法: python adr_ai_checklist.py \"决策标题\"")
print("示例: python adr_ai_checklist.py \"是否将推理服务从 GPT-4o 切换到 Claude 3.5\"")
sys.exit(1)
title = sys.argv[1]
adr = generate_adr(title)
checklist = generate_checklist()
output = adr + "\n" + checklist
filename = f"ADR-{date.today().strftime('%Y%m%d')}-{title[:20].replace(' ', '_')}.md"
with open(filename, "w", encoding="utf-8") as f:
f.write(output)
print(f"已生成: {filename}")
print("---\n")
print(output)
if __name__ == "__main__":
main()
运行示例：
python adr_ai_checklist.py "是否将推理服务从 GPT-4o 切换到 Claude 3.5"
输出一份 Markdown 文件，包含 ADR 框架和 8 项生产就绪度检查项。你把这份文档填完真实数据，就是 cohort 讨论的最佳输入物——同行能直接看到你的候选方案、风险判断和尚未验证的点。
如果你在考虑加入
几个判断维度：
- 你的决策是否经常缺少同行校验？ 如果你每次拍板前只能和直属下属讨论，缺少跨组织视角，这个 cohort 的价值就很高。
- 你是否已经有 ADR 习惯？ 没有的话，上面的脚本可以帮你起步；有的话，cohort 会逼你把 ADR 写得更经得起质询。
- 保密性是否是硬约束？ 涉及真实业务数据、供应商谈判、内部组织问题的决策，公开社区讨论不了，cohort 的保密协议是前提条件。
风险面也要看清：认证 cohort 是时间投入（通常数周到数月），且讨论质量取决于同行水平。如果你所在领域过于垂直（比如医疗影像 AI），同行池可能偏薄，讨论深度会受限。
最后一条建议：不要等"想清楚了"再加入。这些 cohort 的设计初衷就是给"还没想清楚但必须决策"的人用的——带着半成品进去，比带着完美方案进去收获更大。