AI 产品经理 · 企业智能化
参与企业级 AI 工作流产品的设计，计算机科班出身，有从业务调研到系统落地的实践经验。
重新定义了问题——把资深设计师的判断逻辑编码进系统，而不是建一个更好的历史库。LLM 处理模糊输入，算法处理精确匹配。
平台分五层。AI 仅介入需求结构化阶段；方案匹配由确定性算法完成；集成层单独承接 PDM 与 SW 对接。标注 [AI] 为大模型介入节点，[算法] 为确定性计算节点。
营销端
设计端
「找方案」从人工寻路变为算法推荐；「改方案」从手工修图变为参数化驱动；历史库每次项目后自动回写沉淀。
客户提出需要纯自然语言输入。评估后发现两个结构性风险：输入项过多时，纯自然语言无法让设计师感知各配置项的当前状态；局部修改场景效率极低且容易引发歧义。
四节点链路：① 输入节点（三路并入：自然语言 / 文件 / 历史项目 ID）→ ② LLM 节点（枚举约束提取，不确定返回 null）→ ③ 校验节点（必填字段完整性 + 枚举合法性）→ ④ 条件分支（完整送入算法 / 缺失触发追问）。
为什么不建更好的历史库？
为什么方案匹配用算法而非 RAG？
为什么设计端用 SW 插件而非独立系统？
为什么用推荐底版而非让设计师自配？
核心验证问题：AI 结构化的结果可信吗？用户真的用它了吗？
* 数据及客户信息已脱敏。内测样本量有限，数据仅供方向性参考。
面向海外一户建市场的 POC 闭环——用最小投入验证可行性：高保真交互稿直接作为前端开发基准，压缩设计到交付损耗，为商业化立项提供决策依据。验证完成即止，不做过重投入。
参与企业级核心 ERP 系统的从 0 到 1 建设——负责架构规划、业务流程抽象、选型部署与上线落地。完成 1 套核心业务系统的全公司部署，推进 3 次核心产品迭代，搭建了一套数字化运营看板体系，核心业务流转效率提升约 30%。
计算机科班出身的 B 端 AI 产品经理。关注点不在于「会用 AI 工具」，而在于在不同场景下判断 LLM 和确定性算法各自的适用边界——这些判断来自真实项目里的决策和代价。
过往经历横跨制造业数字化与 AI 产品落地，习惯在调研阶段重新定义问题，而不是接受问题的表象描述。目前重点关注企业 Workflow、AI 知识系统方向。