独立完成从业务问题、产品定义、信息架构，到测试评估和产品迭代。
证明我能够将模糊业务需求转化为可运行、可验证的产品方案。产品定义 · 数据逻辑 · AI 交互 · AI Evaluation
从采购与供应链问题出发，我独立定义产品、组织数据和 Context、设计 AI 精灵，并通过结构化 Evaluation 验证回答是否可信。
项目中的需求、信息架构、数据逻辑、AI 交互、测试评估与迭代均由我独立推动。
B / PROOF POINTSEND-TO-END CONTEXTUAL AI 23 CASES
设计 AI 精灵，并通过平台数据、历史趋势、风险信息和来源证据约束 AI 回答。
证明我不仅设计 AI 功能，也考虑 Context、Evidence、数据不足和过度推断问题。建立 23 个对象级 AI Evaluation Cases，覆盖事实、来源、幻觉、数据不足、风险和预测安全。
测试中识别评分器 false positive，并进一步校准 eval-v2。23/23 获得模型响应，不代表 23/23 回答全部正确。C / CORE CAPABILITIES
01
业务与产品定义
从模糊业务问题到清晰产品路径
我没有从“做一个价格页面”开始，而是先拆解采购与供应链用户真正需要完成的判断：发现价格变化、验证来源、理解风险并形成后续行动。
PROJECT EVIDENCE
- 定义采购与供应链使用场景
- 设计“趋势—洞察—行动”产品闭环
- 规划核心功能与信息架构
- 将价格查询升级为价格情报工作台
ROLE VALUE
能够理解业务需求，并将需求转化为产品语言和用户流程。
Business Understanding · Product Definition · User Journey · Information Architecture02
可信 AI 产品设计
让 AI 有 Context、有证据，也有边界
我将 AI 精灵设计为 Contextual AI 采购助手，而不是脱离数据的聊天窗口。AI 基于价格、趋势、风险和来源证据解释问题，并在数据不足时明确说明限制。
PROJECT EVIDENCE
- 设计 AI 精灵及其交互入口
- 组织业务 Context 与 Evidence
- 保留来源验证与数据不足状态
- 区分事实、推断和建议
ROLE VALUE
能够把模型能力转化为可信、可解释、可评估的 AI 产品体验。
AI Product Thinking · Context Design · Evidence · Trust & Safety · AI Evaluation03
AI-native 执行与迭代
将产品假设快速变成可测试原型
我使用 Codex 和 AI Coding 将产品定义转化为可运行原型，再通过真实数据状态、错误处理和 Evaluation 结果持续调整产品。
PROJECT EVIDENCE
- 使用 Codex 进行 AI 辅助开发
- 构建并测试可运行产品原型
- 运行真实模型测试并检查评分器误报
- 校准 eval-v2，并根据结果继续迭代
ROLE VALUE
能够缩短从业务想法到可验证产品之间的距离，并根据结果持续迭代。
AI-assisted Prototyping · Execution · Testing · Iteration · Quality AwarenessD / PRODUCT OWNERSHIP LOOP
从业务问题到可信 AI 产品
业务问题
→识别采购与供应链场景中的信息分散和判断困难。
产品定义
→明确用户路径、核心功能和产品边界。
数据与信息架构
→组织价格、趋势、风险、来源和追踪信息。
AI 精灵
→将数据转化为用户容易理解的业务解释。
Context & Evidence
→让回答基于平台数据和可追溯证据。
Evaluation
→检查事实、来源、幻觉、数据不足和预测安全。
产品迭代
根据错误、误报和测试结果持续调整。
我负责的不只是其中一个环节，而是推动整条链路形成可验证结果。
E / WHAT I BRING
我能带来的价值
能从客户和业务问题出发，设计有 Context、有证据、有边界并且可以被评估的 AI 产品。
能建立质量标准、测试真实场景、识别失败原因，并将反馈转化为产品和运营迭代。
能将分散数据和复杂信息整理为清晰洞察，帮助团队理解变化、识别风险并支持后续行动。