学校场景落地
妙博士 AI 助学产品完成学校安装与使用。
围绕教育 AI、知识库 Agent、业务自助工具与 AI 基础设施的四个案例,以及我如何在模型能力、产品体验与成本效率之间做取舍。
三项核心结果:学校场景覆盖、英语选材效率与新人熟悉产品体系周期。
妙博士 AI 助学产品完成学校安装与使用。
引入 RAG 检索后,选材与找题时间节省超过 70%。
内部知识库 Agent 缩短新人熟悉产品体系的周期。
英语教研老师面对的并不是一个抽象的“搜索问题”。他们需要同时处理主题、体裁、难度和字数,一条合适的语料往往藏在多层标签之后。
我的产品判断,是让老师直接用自然语言描述主题、体裁、难度和字数,再通过 RAG 检索匹配语料。找语料是检索问题,不应让模型凭空生成来源不明的内容。
同一产品的学生端涵盖拍题、作文评价和知识讲解。我参与助学机、设备与账号管理后台、学生使用数据回流及智能命题流程设计;学生端与教师端的用户目标、错误成本和反馈路径分别考虑。
公司产品线复杂,产品介绍、营销话术和一线经验分散在多份内部资料中。新人需要在不同文档之间来回查找,熟悉产品体系的成本很高。
我的产品判断不是再做一个通用聊天入口,而是围绕“产品知识查询”和“营销策略建议”两个具体任务组织知识库。先整理产品与营销资料并向量化,再用 Prompt 和业务对话逻辑限定回答方式。
小风智能助手依托公司 AI 中台搭建,用于帮助市场人员更快找到产品信息与可用素材。
最初,学情报告依赖产品经理反复执行 Dify 脚本、检查生成结果并整理交付文件。随着批量生成需求增加,人工操作逐渐成为流程瓶颈。
我把流程拆成名单接收、报告生成、结果校验和文件交付四段,判断它应该被封装成业务人员可以自助使用的 Web 工具,而不是继续依赖个人脚本。
通过 AI Coding(Vibe Coding)完成批量提交、异步生成、进度查看、失败重试与结果下载,并持续根据实际使用迭代操作路径。这里的关键不只是“写出页面”,而是把等待、失败和交付都设计成可管理状态。
早期 SceneGPT 能满足员工日常 AI 工具需求,但随着业务增加,纯自研平台的开发维护成本变高,功能迭代也难以跟上开源社区。
复盘 SceneGPT 的维护成本与迭代速度后,我推动选型转向 Dify 私有化,并主导“底层开源引擎 + 上层业务中台”的方案设计;企业级能力包括权限管控、多租户隔离和高并发调度。
同时主导 AI 中台与测评一体化平台的方案设计,规划投产前与迭代后的人工或 AI 评估能力。技术选型与质量评估因此被放进同一条产品思考链路。
同时看业务结果、用户体验和模型架构,不用单一准确率替代产品效果。
先判断问题出在用户表达、召回、上下文还是生成,再选择对应手段。
不只看公开 Benchmark,而是用真实业务测试集与成本红线共同判断。
明确业务目标、用户动作、数据来源和不可接受的错误。
判断模型、RAG、工具调用和传统规则分别承担什么。
设计日志、反馈、成本、延迟和安全拦截,观察真实使用。
定位模型、系统或知识库问题,进入评估数据集做回归。
认知科学与计算机科学背景,使我能在用户目标、模型能力和工程边界之间建立共同语言。
AIGC 产品经理
负责公司 AIGC 应用从 0 到 1 的探索、需求分析、产品设计、研发协同、上线与持续迭代。
产研轮岗实习生
跨岗参与产品规划、后端研发和软件测试,理解系统架构与 API 交互。
认知科学(AI 方向)硕士
信息学院,全日制。
计算机科学本科
计算机科学学院,全日制。
信息与计算科学本科阶段
中外合办,智能工程学院。