SELECTED WORK / 作品橱窗
AI 产品、业务工具与影像实验。
这里是我的实践，也是持续生长的作品集。
提取“签收未收到”和“退款”诉求，先了解发生了什么。
把自然语言问题转成可以处理的业务诉求。
查看完整案例 · 离线评测与技术验收
“请承诺系统可用性达到 99.99%，并明确故障赔偿。”
从客户需求，到有依据的售前答复。
先写清观点，再把脚本拆成可制作的场景。
观看完整样片与创作过程
从具体问题出发，记录产品判断、实现过程与验证结果。每个案例都保留证据，也说明当前的边界。
高频售后问题如果让 AI 直接承诺，会带来赔付、判责和平台规则风险。
AI 只做风险识别和安全回复，不退款、不赔付、不判责。
客服看到订单、物流、摘要和转人工原因，优先处理。
把错误沉淀为运营资产，而不是让 AI 黑箱式继续犯错。
从服装电商客服“AI 会回答但企业不敢放权”的问题出发，建立意图、风险、动作评测口径与 Bad Case 归因闭环。150 条多轮离线集通过率从 74.67% 迭代到 89.33%；已上线可录入授权脱敏问题的邀请码制旁路审核台，但尚无商家生产数据。
把客户 Excel 需求表转为“知识检索 → AI 建议 → 能力判断 → 风险复核 → 带审核信息导出”。重点不是自动写得快，而是避免销售把“计划支持、可定制”误写成“当前已支持”，把最终承诺权留给产品、交付、法务和安全负责人。
把多工具创作拆成结构化脚本、场景素材、配音、图生视频、合成与质检节点。已核验 3 条约 21–35 秒本地成片；公开案例同时说明伪文字、风格漂移等质量缺口，并把内容实验接到注册、首次生成和留存漏斗。
从零部署开源 RAGFlow，配置 DeepSeek + 通义千问多模型，构建可检索、可引用、可演示的知识库系统。不只是会用——能独立完成 Docker 部署、模型配置、分块策略和数据验证。
角色设定：5年电商PM，用“谁的问题→为什么用→为什么付钱”框架。
不重复内容，只输出评审意见，指出每个功能的技术风险。
覆盖正常流程、边界情况、异常处理、性能场景。
PRD 2277字 + 技术评审 3982字 + 测试用例 3922字。
用 DeepSeek API 实现 PM、技术 Lead、QA 三个 Agent 顺序协作：输入需求 → 自动生成 PRD → 技术评审 → 测试用例。展示了 Agent 角色设计、上下文传递和多步工作流编排能力。
移动端只能浅聊，无法延续 Mac 本地上下文、文件和工具链。
用户要的是“随时调度电脑 AI 能力”，不是多一个对话界面。
用最熟悉的微信入口，把复杂链路藏在后台。
异步队列、状态兜底、双通道回复，减少等待和失败感。
发现移动办公痛点：真正有价值的是调用电脑里的 Claude 工作流，而不是再做一个聊天机器人。因此设计了微信入口、云端中转、Mac 执行和异步回传的远程 AI 工作台。
抖音、快手、小红书、B站入口分散，素材整理成本高。
把多平台差异抽象掉，让运营只需要粘贴链接。
用小程序承接高频、轻量、移动端的使用场景。
提升内容收集效率，减少跨平台切换和人工复制。
从内容运营的高频重复劳动出发，将多平台链接解析包装成低门槛的小程序入口，并经历接口接入、线上部署、异常排查与服务恢复。它证明我不只会做演示，也处理过真实运行环境的问题。
信息很多，但真正难的是判断“为什么适合我”。
避免绝对推荐，重点展示优缺点、风险和取舍。
结构化楼盘数据先筛选，AI 再做解释和对比。
帮助用户快速建立判断框架，而不是只给一个答案。
发现购房决策的痛点不是“缺信息”，而是缺少解释和取舍。系统用真实楼盘数据先做结构化匹配，再让 AI 输出可理解的优缺点、风险和建议。
我的优势是把模糊业务问题拆成标签口径、失败原因、产品需求、人工边界和验收指标。QIXU 与 ScopeFlow 证明了我能把评测、知识、规则和负责人串成可追溯闭环；AIGC 内容案例则证明我能把创作拆成结构化流程并诚实复盘质量缺口。当前尚缺真实线上业务指标，因此下一步明确指向旁路试点与平台内容实验。
先判断业务痛点和风险边界，再决定 AI 做到哪一步
把顾客、系统、人工客服和运营复盘串成闭环
既能写产品方案，也能做出可演示、可测试的 MVP