Shenzhen · 4.5 years in product · available for AI product roles

探索AI时代，人与智能
协作新范式

PROFILE_STREAM 000 / 121

阅读主案例

Sensemaking_Field15 live questions
State 01 / 02

01 / 感知

先看见真实问题

移动指针靠近咨询点，看见来自开户、资金、交易与风控场景的真实问题。

15条代表性真实咨询

Scroll to main case

World 02 / Main case

把复杂咨询，
变成可执行的系统。

传统 NLP 能识别单一意图，却很难处理金融咨询里的复杂目标、多能力协同和高风险边界。我要解决的，不是让 AI “更会说”，而是让它稳定完成任务。

Featured case / 01

在线 AI 客服体系

把业务目标、知识依据、API 工具、风险边界和人工协作放进同一条任务链，让 AI 从“回答问题”走向“完成服务”。

我的职责产品方案 · Workflow

核心闭环评测 · Badcase 归因

Mission map / How the system runs

01 / UNDERSTAND识别目标从多轮表达中确认用户真正想完成的任务。

02 / GROUND读取依据连接知识、上下文与业务规则，避免无依据回答。

03 / ACT调用工具查询状态、执行操作，把建议转成真实服务动作。

04 / CONTROL处理边界高风险或低置信场景及时澄清、拒答或转人工。

1 条主流程连接 20 个业务子流程；统一入口，按任务动态进入不同能力。

Financial AI service blueprint

把复杂服务，拆成四条可解释的能力链。

1统一主流程20业务子流程4代表链路

Selected node

Checkpoint 01 / 问题

复杂不是“意图更多”，而是关系更多。

一段真实咨询往往同时包含查询、解释、操作与风险判断。单点能力都能工作，不代表整段服务能够闭环。

用户目标隐含在多轮、不完整表达里
知识、工具与权限分散在不同系统
金融场景需要明确的风险与人工边界

Checkpoint 02 / 关键决策

用主流程守住体验，用子流程承接专业性。

没有把每项业务做成互不相干的机器人，而是建立统一的理解、路由、执行与兜底骨架，再让专业子流程按需进入。

统一识别目标与上下文，而不是反复询问
能力按任务组合，不把内部结构暴露给用户
所有异常回到可观察、可归因的状态

Checkpoint 03 / 评测系统

Badcase 不是问题清单，是产品路线图。

把失败拆成意图、知识、工具、策略与表达等可行动原因，形成发现—归因—修复—回测的月度闭环。

月均跟进 110+ 个重点 Badcase
88% 能定位到明确的问题环节
76% 在当月完成修复并重新验证

Checkpoint 04 / 组织协作

把判断翻译成团队共同使用的语言。

用任务链描述业务，用状态与边界对齐研发算法，用指标和回测定义“真的变好”，让不同角色围绕同一个系统协作。

业务负责场景与规则，产品负责系统关系
算法能力被放进明确的任务位置
上线标准由真实结果而非演示效果决定

8个地区上线运行

10w+月均 AI 会话

55%AI 独立解决率

50→25%转人工率下降

What I learned

企业 Agent 的核心，不是把模型接进来，而是把目标、工具、约束与反馈组织成一个能够持续运行和修正的机制。

World 03 / Independent product

把产品判断，
亲手做成系统。

AI Portfolio Compass 是我为多账户投资者做的独立实验：聚合资产、诊断组合、给出今日行动并复盘交易。它既验证产品假设，也验证我把判断落成可运行产品的速度。

AI Portfolio CompassReal product recording / Public demo data

Real recordingDemo dataRead-only

视频未能加载。你仍可以通过下方项目说明和 GitHub 查看产品。

Real product recording · Demo / fictional data 首页总览 · 00:16

94个后端测试，覆盖关键判断与回归路径

45个 API 接口，连接账户、行情与分析能力

3个固定 Agent Skills，承接可重复任务

0交易执行权限；产品坚持只读与最小授权

这不是一个用来证明“我会写代码”的项目，而是一次完整的产品练习：从真实痛点、信息架构、安全边界到能够被测试的交付物。

查看 GitHub

World 04 / Player profile

我先找值得
解决的问题。

然后快速把判断做出来，变成可以讨论、可以测试、也可以被现实推翻的版本。

我通常先确认用户痛点、业务价值和最适合 AI 介入的场景；再学习需要的技术，画出任务链，明确工具、权限和人机边界，最后用数据和 Badcase 判断它是否真的有效。

同事对我最深的印象，是学习和动手速度。我希望继续进入真实场景与真实团队，参与从机会判断到业务结果的完整 Agent 路径，而不是只做一段孤立能力。

AI 产品经理金融 AI 生产经验AI Coding 实践深圳

Root / CoreAI 产品能力

01 / 编排

WorkflowVoice Agent

02 / 知识

RAG

03 / 验证

AI EvaluationBadcase 归因

04 / 构建

AI Coding