希望从事 AI 产品经理 或 解决方案架构 相关工作，关注 AI Native 与 ToB 效率产品。相比堆叠模型能力，我更在意先理解真实业务，再把需求收敛为稳定可用的工作流，并亲手完成原型、MVP 与部署，在反馈中持续迭代。
北京航空航天大学
信息管理与信息系统 · 本科
智谱 · AI Native 项目运营实习生
DevRel 方向 · 独立产品设计与全栈开发
业务场景 随着高校联培项目逐步扩大，简历池持续增长，研究负责人和人才运营需要工具辅助完成简历初筛，并进一步判断候选人是否值得继续聊、适合哪个研究方向、下一步应该问什么。原有信息里，论文、项目和研究潜力分散在不同表述中，结论难比较、难追溯、难接着用，同时缺乏可量化的比较维度和比较方式。
功能 1：简历关键信息核验
针对 PDF / 图片简历，设计文本优先、扫描页 OCR 兜底的解析流程，结构化抽取教育、经历、项目、论文与技能；再用 OpenAlex、AMiner 等来源逐篇核对，保留原文、自述、外部结果与人工复核状态，异常只作风险提示，不阻断后续评估。
功能 2：LangGraph 评估工作流
针对“打分后仍要解释和追问”的决策场景，亲手实现 13 节点工作流：脱敏标准化（折叠学校与机构光环，避免诱导高分）→ 原文证据抽取（绑定 Evidence ID，使评分可回溯、可验证）→ Track 路由与证据审计 → 通用潜力 / 专业能力评分 → Critic 校准（检查证据缺口、光环偏见与分数扎堆）→ 汇总、异常兜底与结构化输出。
功能 3：人才知识问答
围绕不同使用角色设计两种问答模式：用人部门模式由画像澄清 Agent 追问候选人 A/B 取舍与矛盾指标，把“聪明、自驱”等模糊偏好转成可验证标准；HR 模式由 ReAct Agent 检索 MySQL / Qdrant 人才库，支持筛选、横向对比、评估与多版本简历查询，信息不足时调用 AMiner、OpenAlex、DBLP、GitHub / Web Search，并用 citation + HITL 保证事实可追溯。
以 React 19 + Flask + LangGraph 交付前后端工作台，接入 GLM-5.3、Z.AI OCR / Embedding / Web Search、MySQL / Qdrant，并以 systemd / nginx 部署。目前持续稳步迭代，预计 9 月中旬正式投入一线应用；待评估结果进一步验证后，将作为项目产品负责人主导算法、研发、HR 与业务部门协同开发。
Taste Bank
Coding Agent 的开源风格能力平台 · 独立产品设计与全栈开发
使用场景
前端开发者使用 Coding Agent 做页面时，常常知道“要好看”，却无法把风格稳定传给 Agent；视觉规则散落在 prompt、skill 和旧项目代码中，换项目就重写、换模型就失效。
产品设计
把风格封装为可版本化的 style pack（meta、tokens、SKILL.md、scoped CSS、模板快照），用画廊解决发现与预览，用 Agent Skill / CLI 解决写入项目，用 Schema 校验和投稿审核收敛交付质量。
动手交付
独立完成 TypeScript strict、Zod、Astro 网站与 npm CLI，以 npx taste-bank setup 作为入口，提供 skill / use / doctor 命令串起“选风格 → 取资产 → 写入规则 → 检查结果”，完成公网部署与持续迭代。
- 产品思路 业务目标定义 · 用户 / 专家访谈 · 需求优先级 · Schema / 字段设计 · 指标验收 · 方案评审 · 迭代复盘
- 动手交付 Vibe Coding · Python / TypeScript · FastAPI / Flask / React · 独立完成 MVP、联调、部署与产品验证
- Agent 系统 LangGraph 状态图 · 动态路由 · Tool Calling · RAG Memory · HITL · Critic 复核 · MCP · 一致性评测