01 / 方向
我长期关注 AI 应用在真实场景里的效果
企业 AI 客服、OpenClaw、Gemma4Guide、Zivie 和工具站，我都做过。每个项目我都更在意它能不能解决实际问题。
工作经验
9 年
其中 5 年产品经理，做过 ToB、AI 创新项目与中后台。
独立产品
10+
独立站、内容站、实验型产品持续上线，也会判断有没有真实使用。
Enterprise AI
92.3%
AI 智能客服回答准确率，检索准确率由 57 提升到 89。
Gemma4Guide
1,084
Google Search Console 首周点击（4/2-4/9）。
内容分发
29,727
6 篇 AI 实战相关小红书笔记累计曝光。
why me
我做事的三个特点
这三点，基本就是我做产品时最常用的思路。
02 / 动手
我习惯先做出可验证的版本
原型、内容和自动化，我都会先跑起来，再继续判断方向。
03 / 结果
我会确认它是否能持续产生价值
不是做完就算，我更在意它能不能持续被使用、持续被优化。
selected work
重点案例
这里避免简单罗列项目。每个案例只保留四个信息：问题、拆解方式、结果，以及它反映出的我的能力。
Enterprise AI
AI 智能客服 / ToB 场景
元宇宙空间 AI 智能客服
AI 应用拆解 / 提示词调整 / 效果回看
这是我做过的一次 AI 应用实践，重点是把客服问题拆成几个能分别验证的环节，一步步做。
问题
非工作时间无法响应，重复咨询多，客服资源被低价值问题占用。与客服和运营一起分析 1000 条历史工单，确认首期只覆盖高频标准化问题。
我做了什么
把客服问题拆成识别、改写和回复三步；和业务一起整理样本，做了 8 轮调整，并准备了 200 条测试题。
结果
中间环节效果 57 -> 89，最终回答准确率做到 92.3%，实现 7 x 24 小时应答，释放客服团队 40% 人力。
体现能力
体现我会主动拆解问题，和业务一起把验证一轮一轮做下去，直到方案能稳定运行。
application logic
AI 智能客服拆解
不是复杂技术栈展示，而是我在这个项目里实际做过的产品拆解方式。
1
用户提问
先判断用户到底在问什么，识别是否属于高频标准问题。
→
2
问题改写
把口语化、含糊的问题改成更容易命中的表达。
→
3
回答生成
用已准备好的答案素材生成可用回复，控制口径一致。
→
4
结果回流
把错答和边界问题收回来，继续迭代下一轮。
方向
AI 应用
场景
客服咨询
定位
产品拆解
AI delivery
商业交付 / 持续运行
OpenClaw 实战与商业交付
AI 自动化 / 数据监控 / 链路搭建
OpenClaw 对我来说不是追热点，而是把一个真实问题做成自动化工具的尝试。
问题
跨境商家需要持续监控竞品价格变化，但人工巡检重复、耗时、容易漏信息。
我做了什么
在 VPS 上从 0 到 1 部署 OpenClaw，打通 Feishu、Discord 和定时任务。核心链路是“爬虫抓取 → SQLite 比对 → 飞书通知”。
结果
1 天完成交付，交付后持续运行至今，用于替代高频人工巡检和价格比对。围绕踩坑过程输出的小红书内容，OpenClaw 相关笔记累计拿到 1.9 万曝光 / 4,005 观看 / 184 收藏。
体现能力
体现我会主动把真实业务问题做成自动化方案，并持续把它跑成能长期使用的产品。
delivery signal
1 天
交付时间
持续运行
交付后状态
- 个人实战先跑通，再转成商家可用的自动化方案。
- 踩坑内容在小红书单篇拿到 1000+ 阅读，并做过南京线下分享。
- 我最重视的不是“做出来”，而是能不能低维护持续跑。
content product
英文站点 / SEO 与社区验证
Gemma4Guide.com
英文内容站 / 模型选题判断 / 搜索流量
Gemma 4 发布后，我发现很多人先问的不是模型有多强，而是能不能跑、显存够不够、怎么装、和 Qwen3 / Llama 4 怎么选。于是我把这些问题做成了一套英文内容站。
问题
官方文档对普通用户不够友好，尤其在 VRAM、硬件兼容和本地部署路径上，用户容易卡在“能不能跑”。
我做了什么
我先把用户最在意的几件事拆开：能不能跑、显存够不够、怎么装、和 Qwen3 / Llama 4 怎么选，再据此搭站和排内容。
结果
Google Search Console 首周拿到 1,084 点击 / 5.44 万展示 / 1.99% CTR / 7.6 平均排名。2 篇 dev.to 英文文章累计 1,949 浏览，Reddit 发帖也收到了具体反馈。
体现能力
体现我会主动找用户问题、做内容、做搜索，再根据社区反馈继续优化。
Google Search Console · 4/2-4/9
1,084
点击
5.44万
展示
1.99%
CTR
7.6
平均排名
gemma 4 本地部署13 点击 / 41 展示 / 5.66 排名
gemma4 安装12 点击 / 29 展示 / 5 排名
gemma 4 vram6 点击 / 144 展示 / 8.61 排名
gemma4部署5 点击 / 18 展示 / 5 排名
Bing Webmaster4,041 点击 / 3.05 万展示 / 13.26% CTR
consumer AI
MVP 验证通过
Zivie
AI 情感陪伴 / 人格建模 / 提示词设计
Zivie 关注的是一个很具体的问题：多数紫微斗数产品停留在一次性报告，缺少持续交互。我的做法是把人格结构拆成可持续对话的内容，再验证用户是否愿意反复回来。
问题
现有产品更像静态结果页，缺少持续交互和情绪陪伴感。
我做了什么
根据出生日期、时辰和性别提炼价值观、沟通风格、决策模式三层底色，再把这些信息写进提示词，控制回答的稳定性和一致性。
结果
MVP 验证通过，用户反馈集中在“挺准的”“愿意继续聊”。
体现能力
体现我对 AI 产品本身有持续兴趣，也会主动把留存、复访和体验放进产品判断里。
MCPxel
围绕 MCP / Claude Skill 选择困难，做了一个自动打分的小站。收录 200+ Skills，3 周上线。后来因为维护成本高主动暂停，说明我知道什么时候该收缩。
Derivative Calculator
面向海外学生的导数计算器，包含计算、步骤解析和图表。这个项目让我确认，需求挖掘、动手做、上线、再靠 SEO 拿自然流量，这条路是能跑通的。
10+ AI 工具站矩阵
我持续用 Trae、Codex、Claude Code 等工具做东西。对我来说，它们的作用很直接：少花时间试错，快点看这事值不值得继续做。
Product Growth
产品增长
产品上线后，我会结合使用反馈和传播数据，评估后续是否需要继续优化。
内容分发与社区触达
产品做出来以后，我会根据数据和反馈，判断是否调整。
小红书
6 篇 AI 笔记合计 29,727 曝光 / 6,035 观看 / 247 收藏。其中 OpenClaw 相关内容累计 18,997 曝光，Gemma 4 相关内容累计 10,730 曝光。
dev.to
2 篇英文文章累计 1949 浏览。主题分别是 Gemma 4 VRAM 与 Derivative Calculator 的开发过程。
Reddit
围绕 Gemma4Guide 在 Reddit 发帖，收到了开发者对预设配置、使用场景和 benchmark 展示方式的具体建议。
搜索与自然流量
Gemma4Guide 这组数据说明，站点内容和用户搜索意图是匹配的。
Search Console
1,084 点击 / 5.44 万展示 / 1.99% CTR / 7.6 平均排名，已命中 gemma 4 本地部署、gemma4 安装、gemma 4 vram、gemma4部署 等高意图查询。
Bing Webmaster
4,041 点击 / 3.05 万展示 / 13.26% CTR（4/4-4/8）。
结果判断
这组数据也说明，这类内容站可以通过搜索持续获得自然流量。
working style
我做产品时的四个判断标准
我会用这四个标准判断一个方向值不值得继续投入，也会据此决定验证、交付和后续优化。
i / 方向验证
先做最小可用版本
先用最小成本验证方向，再决定是否继续投入。
ii / 问题定义
先确认场景和边界
先定义问题和边界，再进入方案设计。
iii / 长期可用
交付后还能持续运行
交付之后还要能稳定运行，并保留后续迭代空间。
iv / 外部信号
让数据参与判断
决策要结合数据和外部反馈，而不是只看主观判断。