Yingshuo Li — AI Product Manager

About

Not Just Using AI.
Designing How It Works.

需要关注的不只是LLM本身，而是LLM加入进入真实产品后：如何理解用户问题，如何通过改写、微调、检索正确知识，如何形成稳定 Workflow，如何约束生成结果，如何被评估，如何定位 Bad Case，以及持续迭代。

作为 AI 产品经理，我的工作重点是将这些技术机制转化为产品流程、功能模块、接口字段、原型和验收标准。

Product

业务场景拆解用户画像竞品调研 PRD Workflow 原型验收标准

AI

LLM Application Prompt Engineering AI Agent Multi-Agent RAG BM25 Vector Retrieval RRF Observability

Data

Python CSV Basic SQL Retrieval Evaluation Bad Case Analysis Matplotlib

EXPERIENCE

Building Products
Inside Real Business.

产品经理｜济南游商网络科技有限公司（氪金兽）
2026.07 — 2026.10

在氪金兽（游戏数字资产交易平台）的 B 端业务实习中，我完整参与了从需求拆解、流程建模、原型、PRD、研发评审到测试上线的产品流程，核心负责「售后追责系统」与「包赔升级 3.0」两个项目。这套先理解业务约束、再拆解流程 / 状态 / 数据关系、最终形成可开发可验收方案的工作方式，也成为我后来设计 AI Workflow、RAG、Agent 与数据链路的基础。

2026.07 — 2026.10 AI / Product Manager Intern

01

售后追责系统

After-sales Accountability System · 氪金兽

核心负责追责系统整体产品设计与持续迭代，将分散于表格、人工沟通和多个后台页面中的售后案件处理流程，重构为统一的系统化业务闭环。围绕「案件创建 → 分配 → 售后推进 → 包赔费确认 → 打款审核 → 打款完结 → 流转 → 结案 → 回访」设计完整状态机，建设案件管理、回访管理、进度审核、资金流水、标签管理、人脸验证、敏感信息授权等核心模块；针对不同追责结果设计动态表单、字段来源与权限规则，统一赔付凭证、订单时限、异常驳回、共案流转及结案审核机制，并通过前台、后台、H5 与服务端 PRD 建立统一研发基线。

Business Flow

案件创建→ 分配→ 售后推进→ 包赔费确认→ 打款审核→ 流转→ 结案→ 回访

Workflow State Machine Permission PRD & Prototype Risk Control Data Relation

Product Thinking

复杂 B 端系统不能只设计页面，还必须明确“数据从哪里来、状态如何变化、谁可以操作、操作会影响什么，以及异常情况下系统如何兜底”。

02

包赔升级 3.0

Protection Service 3.0

负责包赔业务体系升级，针对原有包赔类型、收费方式、购买规则及前后台配置耦合的问题，重构「包赔类型 → 包赔服务 → 游戏规则 → 包赔订单 → 主订单聚合」产品架构，将基础包赔、增值包赔、充值包赔纳入统一体系，支持免费、按比例、固定套餐等多种收费模式。设计必买规则、安全属性规则、商户购买限制、首次购买 / 补买、退款及费用明细等业务能力，通过历史快照机制保障新旧订单兼容，并同步梳理 APP、后台、售后、案件及合同之间的数据关系。完整参与「业务需求 → 方案复盘 → 原型 → PRD → 前端 / JAVA / 测试评审 → 开发 → 测试 → 上线」流程，根据实际研发成本、接口能力及业务边界持续调整方案。包赔升级上线后，总毛利率提升至 15%。

Business Flow

包赔类型→ 包赔服务→ 游戏规则→ 包赔订单→ 主订单聚合

Business Modeling Configuration System Pricing Model Rule Engine Cross-functional Iteration

Product Thinking

升级的目标不是新增一个页面，而是让新增包赔业务从“每次重新开发”变成“配置即上线”；用历史快照守住新旧订单的资金与合同关系，让规则、资金与数据关系都可追溯。

From Product Systems to AI Systems

这些经历让我认识到，AI 产品与传统复杂业务系统并不是两套完全不同的方法。无论是案件 Workflow，还是 Agent Workflow；无论是业务状态，还是 AI State；无论是字段来源，还是 RAG / Fault Snapshot 的数据来源，本质上都需要解决同一类问题：输入是否可靠、状态是否清晰、数据是否可追踪、流程是否可控制、结果是否可验证。

Business Workflow→AI Workflow

Business State→Agent / LangGraph State

Field Source→Data Provenance

Business Rules→Prompt / Rule Constraints

Manual Review→Human-in-the-loop

Result Verification→AI Evaluation

Before designing what AI should do,
I first ask how the product should work.

AI 能力最终仍然需要进入真实业务流程，因此我更关注问题定义、数据、状态、约束、验证以及人与 AI 如何协同。

Projects