AI 产品经理，关注 LLM、RAG、Agent 与 AI 应用产品化。
从业务场景拆解、Workflow 与 Prompt 设计，到原型、评估和上线协作，
尝试把复杂 AI 能力变成可以被理解、验证和持续迭代的产品。
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。
From maintaining complex transaction systems to building structured workflows — turning business rules into products that can be developed, verified and iterated.
在真实业务环境中，我逐渐形成了一套产品工作方式：先理解问题和业务约束，再拆解流程、状态与数据关系，最终形成可开发、可联调、可验收的产品方案。这套方法也成为我后来设计 AI Workflow、RAG、Agent 与数据链路的基础。
Marketplace Product Maintenance & Iteration
持续参与氪金兽 / 氪金联盟前后台产品维护与需求迭代，系统梳理账号挂售、购买、订单、合同、换绑、包赔、售后等核心交易链路，并持续推进前后台字段、交互与业务规则同步。参与支付宝、微信、抖音小程序支付、交易流水、订单标签、赠送权益等能力设计，将零散需求逐步整理为业务流程、产品原型与 PRD，并跟进研发落地。
成熟产品的迭代不是不断增加页面和字段，而是在不破坏原业务关系的前提下，持续降低操作成本、数据冲突和业务风险。
After-sales Accountability System
深度参与追责系统产品体系搭建与持续迭代，围绕案件管理、分案流转、回访、共案关联、人脸验证、敏感信息权限、结案审核与资损等业务，持续重构前台、后台与 H5 的产品流程。通过状态机、字段来源统一、权限控制、二次确认和组件复用，逐步建立案件从进入、分配、处理到结案回访的完整业务闭环。
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”。
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。
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。
Products I designed, questioned and iterated.
Intelligent Conversation System
面向私域知识问答与长期角色对话的 RAG 可观测调优产品。重点解决回答缺少证据、长期记忆断裂、生成过程不可见三大痛点。
AI Debate Workspace
不是让两个 AI 随便聊天，而是设计一个可干预、可暂停、可复盘、可沉淀的多智能体协作流程。Builder 负责构建方案，Critic 负责质疑与逻辑修正。
View on GitHub
LLM + RAG for Manufacturing Process Planning
面向高端制造业的 LLM+RAG 智能工艺规划产品。让传统依赖专家经验的工艺规划，转变为知识增强型智能规划。中国国际大学生创新大赛项目。
Contextual Vocabulary Learning
面向四六级词汇学习的 AI 语境化学习产品。设计"聊天机器人 + 助教检查机器人"双角色机制，基于 200+ 条用户反馈持续迭代。
不要从"需要 AI"开始，先确认真正业务问题是什么。
明确 Input、Process、Model、Tool、Human、Output。
设计 logs、retrieval results、state、metrics 与 bad cases 追踪。
通过 evaluation、user feedback、experiments 和 failure analysis 推动版本迭代。
Available for AI Product Internship