智能排班助手
意图解析、确定性求解、独立规则校验、导入体检。
smart-scheduler ↗南京大学城乡规划学硕士(2027 届,专业排名前 1%),四段产品实习跨越 增长产品 → AI 产品 → AI Agent 治理。独立完成多个 AI 产品从用户调研、PRD、原型到 MVP 上线的完整闭环,擅长把模型能力翻译成可判定、可验收的生产系统。
每一项能力都有真实项目与数据锚点支撑,点击左侧导航可直达对应项目。
版本说明:原有案例保留此前的产品设计与验证叙述;GitHub 中另有 V3、自托管部署版和 4.0 架构版本,具体实现以各仓库为准。
科研工作者的真实困境是一条完整的行为链条:"不知道该读什么 → 找到了读不完 → 读了记不住 → 记住的写不上 → 写好了不知道怎么投。"现有工具只解决单点问题——Zotero 管文献、Connected Papers 做发现、Elicit 做浅问答、ChatGPT 做通用生成、NotebookLM 做知识库——没有任何产品打通全流程。
我对 120 位硕博研究者做了深度访谈,发现:100% 尝试过 AI 辅助写作,但普遍吐槽三件事——幻觉与错误引用、长上下文断裂、不懂如何提问。付费用户集中在"快速获取答案",而真正高价值的"方法论对比""框架搭建"等深度场景缺少可用产品——市场存在明确的功能断层与付费空间,是一个"已存在、但部分需求未被满足的市场"。
围绕科研全生命周期"找 → 读 → 记 → 聊 → 写 → 投"六个环节设计核心模块:私有知识库、结构化总结、图表索引与可视化、研究思路讨论、Agent 定制化生成、主动式写作引导。Agent 不只是回答问题,而是主动引导用户完成论文写作——这是"被动问答"与"主动助手"的本质区别。
编排层采用 LangGraph Supervisor 模式,Research / Writing / Analyst 三个子 Agent 各司其职,前端实时可视化 Agent 调度时间线;记忆分会话 / 项目 / 全局三层持久化,支持跨项目复用与个性化推荐。检索采用双路融合的理由:向量检索擅长语义理解("模型效果怎么样"→"性能评估"),BM25 擅长精确匹配("BERT-base"必须逐字命中),RRF 无需调参即可公平合并两路排名。
评测体系分三部分:AI 应用层(任务成功率、幻觉率、引用准确率、响应时间、Token 成本)、业务层(完整流程跑通率)、体验层(写作满意度、导出率)。北极星指标:每周完成"从上传到导出"全流程的活跃用户数。
可迁移经验:从工具视角到任务视角的转变,是这个项目最重要的产品判断——用户需要的不是第六个单点工具,而是把六个工具串起来的那条路。
排班同时受到技能覆盖、班次人数、每周工时、连续工作天数与请假条件约束。自然语言可以降低输入门槛,但生成结果仍需逐条校验;因此将意图回显、独立验收、人工微调后重校验放进同一条使用路径。
求解器有 4 秒 / 6 万节点预算。搜索耗尽预算与证明无解分别呈现,避免把系统能力限制误报为业务无解。软约束采用局部优化,不承诺全局最优;跨周连续工作天数不在当前校验范围内。
可迁移经验:把 AI 应用拆成可独立验证的理解、求解、校验、解释四层,让模型的不确定性有明确边界,也让业务方能看懂结果与限制。
技术栈:React 19 / TypeScript / Vite / FastAPI / GLM。线上演示:scheduler.typexx.work;实现与设计细节见项目源码。
批量模拟支持最多 100 组用户属性输入,用分布结果查看规则覆盖情况。环境复制后默认停用,保留启用前的核对步骤。开关停用时直接返回 false,规则使用严格 JSON 类型比较,避免字符串、数字或布尔值隐式转换造成误命中。
9001,而用户属性传入字符串 "9001",系统记录类型不匹配并继续评估;没有规则命中时,明确返回默认值。可迁移经验:产品基础设施的可信度来自明确的规则语义、可复查的评估过程与一致的变更记录;将这些约束前置到交互与数据层,减少使用者对隐含行为的猜测。
仓库提供数据库迁移、核心测试、验收记录与 AI 开发过程文档。线上演示:flagforge.typexx.work(含演示数据);项目聚焦规则评估与管理,能力范围以 README 为准。
调研发现年轻人情绪波动频繁,但长文字日记门槛高、专业咨询成本高。心晴把一次记录压缩到 30 秒(四象限选情绪 → 点选触发因素 → 可选一句倾诉),AI 回应采用自我关怀三段式(承认感受 × 共同人性 × 善待自己)并附微行动三选一,让记录之后有即时、低成本的疏解出口。
色彩体系遵循「背景静,情绪动」:环境层固定暖米白,情绪层用四族颜色(风起红 / 日晴黄 / 夜雨蓝 / 微风绿)按效价映射色相、唤醒度映射饱和度;22:00 后自动切换深夜暖色。所有 AI 回应由水彩猫「团子」送达,降低被评判感。
可迁移经验:情绪类产品的核心不是功能密度,而是记录门槛、回应质量与安全底线三者的平衡;色彩与隐喻承担了大部分「接纳感」,文字反而要保持克制。
全流程 Playwright E2E 覆盖记录、聊天提案、危机词与周报生成;线上已服务真实用户。技术栈:FastAPI / SQLite / GLM-4-Flash / GLM-4V(图片理解)/ 原生 JS PWA。
在小红书、大众点评、地图应用之间手动切换,规划一条 2 小时路线平均耗时 45 分钟;热门路线人满为患,个性化需求无法满足;"看到攻略"到"实际行走"存在执行断层。另一侧,Citywalk 搜索量年增长 320%,78% 的 90 后愿意为独特体验支付溢价——供给与需求之间存在明确断层。
把城乡规划专业的学术指标翻译成用户可感知的"体验标签",是本产品最核心的差异化——深奥的空间物理量化,变成普通人一眼就懂的逛马路语言:
| 技术指标 | 用户界面展示 | 解释文案(用户价值) |
|---|---|---|
| 围合感(D/H) | 静谧指数 | 这条路宽度与建筑高度的比例让你感到安全、亲切,适合独处 |
| 天空开阔度(SVF) | 阳光评分 | 根据当前太阳位置,推荐光影效果最佳的拍照 / 漫步点 |
| 社会摩擦力 | 偶遇概率 | 更多长椅与口袋公园,增加与城市互动的机会 |
| 界面复杂度 | 出片率 | 沿途立面材质丰富、商铺林立,视觉惊喜感更强 |
| 视觉渗透率 | 视线可达 | 街景的信息密度,增强探索体验感 |
可迁移经验:28 页 V2.0 PRD 覆盖用户故事、功能规格(P0/P1/P2)、设计系统、数据指标、A/B 规划、商业模式(Echo+ 订阅 / UGC 市场)、风险评估的完整结构——产品文档的完备度本身就是产品能力的证明。(注:因 Agent 技术范式快速演进,项目主动延期,等待更优的技术落地窗口——这是我对"做正确的事"的判断。)
关键在最后一环:基于政府客户实际招商签约结果构建数据回流与效果评估体系,持续调优模型参数与推荐策略——让推荐精准度在三个迭代周期内提升约 35%。主导完成"福清样板"从 0 到 1 的交付,验证 G 端商业模式并沉淀标准化实施流程。
业务线每周需要一份体验归因报告:分析师跨四五个系统拉数、人工抽 case、逐个看直播回放,一个人一天多才能出一稿;报告发出时治理决策窗口往往已过;归因深度完全取决于谁在做,质量不稳定。
| 模块 | 设计决策 |
|---|---|
| ① Agent 选型 | 不把逻辑压进一条大 Prompt——取数与指标计算交给确定性脚本(绝不许模型参与算数),分布拆解走规则引擎,case 归因用多源交叉推理,直播取证用多模态(ASR + 画面)。原则:算说分离。 |
| ② 全链路架构 | 数据到结论拆为七步(tNPS 取数 → 客服工单关联 → 买家原声 → 时间重叠匹配 → 直播切片 ASR → 违规数据 → 商家分层),自动落库 35 张结构化 sheet + 3 张审计表——每个数字可追溯到来源与运行时刻。 |
| ③ Skill 架构 | 取数 / 计算 / 归因 / 表达四层职责原子化解耦,阈值、时间窗、口径全部外置为配置,提示词保持无状态——这是后来两天完成新场景迁移的关键。 |
| ④ 输出范式 | 填槽式写作:四段式固定结构、结论句强制套模板填空、写作行为黑名单、缺数据只允许固定话术。"报告是填空题,不是作文题。" |
| ⑤ 评测验收 | 9 条防幻觉红线(数字零编造、样本量强制披露、事实推断分区、说变好变差必须同时给指标方向与样本量变化…违反任何一条整期作废重跑)+ 11 项交付 Checklist + 分类校验前置熔断。 |
红线背后的事故:"趋势方向必须双证"这条规则,来自一次真实翻车——某玩法样本量骤减导致账面指标"回升",报告写了"问题已好转",但线上问题一点没解决,只是被统计噪声掩盖。这个结论一旦上会将直接误导决策。所以规则变成硬约束:说变好变差,必须同时给出指标方向和样本量变化。把每次踩坑固化成规则,而不是留在个人经验里——经验会随人流失,规则不会。
把靠人审 SOP 跑的知产治理链路重构为 LLM Agent 判定,人只保留兜底与标准制定。假货审核:10 步人审 SOP 重构为"召回有效性研判 + 假货定性"两步,日均处置量 +6000%,日均五假关店数 +100%;资质验证:核验覆盖面 5%→66%,自动决策率 79%+,硬伤 LOA 自动驳回替代 7 天、$10/case 的外部验真,AMS 每周节省约 $5189;RCA 平台:单 case 归因 + 批量聚类 + 对话式策略优化,策略迭代从事后复盘前移到周级。
不只是"会用 AI"——把 AI 能力固化为可复用的工程资产,是我的差异化竞争力。
将 OpenClaw 的自动化执行能力与内容创作深度结合,构建"云端部署 → 自动检索 → 存入知识库 → 调用 Skill 写作 → 多平台发布(小红书 / 番茄小说)"的智能内容生产系统。代表作《以你之名》:一部 3–4 万字的心理惊悚中篇,通过完整的提示词工程(时间线设计、四部分叙事结构、"涨海式"手法、PTSD 细节描写规范)驱动 AI 分章节生成,全程提示词可复现。
开源 Skill(github.com/kizzzz/industry-news-pipeline):实现行业资讯从网站采集 → 风格化撰稿 → 多维度审核 → 格式化发布的完整闭环——Skill 的本质是"教 AI 按固定流程做事的操作说明书",把概率性的语言推理替换为确定性的流程执行。
为科研人员量身定制的本地化、隐私安全效率仪表盘:将科研产出(任务 / 灵感)、过程量化(时长 / 组会)与生活保障(报销 / 健康)深度整合——不只是 Todo List,而是科研伴侣。AI Coding 独立完成。
面向特定场景的文生图风格调整:分层生成、手动拼合的工作流,与实习期间搭建的文生图 AIGC 管线(单条内容效率 +24 倍、风格一致率 81%、采纳率 85%)方法论互相印证。
六个代码仓库对应四类实践:科研助手、门店运营、产品基础设施和内容工作流。CiteWise 的三个仓库作为同一产品的不同版本展示。
意图解析、确定性求解、独立规则校验、导入体检。
smart-scheduler ↗环境管理、逐规则 Trace、批量模拟和变更 Diff。
FlagForge ↗采集 → 撰稿 → 多维审核 → 格式化发布的流程规范。
industry-news-pipeline ↗LLM + RAG 科研助手,文献解析、混合检索与多 Agent 协作。
CiteWise ↗Next.js 16 + FastAPI + Supabase / pgvector + LangGraph。
CiteWise4.0 ↗同源 API、单容器镜像与 Caddy 反向代理部署。
citewisexx ↗四段实习构成清晰的成长路径:产品运营 → 增长产品 → AI 产品 → AI Agent 治理。
城乡规划给我的不是画图技能,而是一套思维模型:在复杂系统里找结构。
城市是极其复杂的系统——有限的资源要平衡多方利益。规划教育训练我的第一反应从来不是直接给方案,而是先做现状分析、拆解要素、找到关键约束。转到产品领域后我发现这个模型完全相通:面对复杂业务场景,先拆清楚用户是谁、场景链路有哪些、核心矛盾在哪里。这是 EchoWalk 空间指标转译、CiteWise 科研全流程拆解共同的思维底座。
中国公共充电基础设施时空演化研究(科研项目负责人,2025.06–2026.06):基于 2019–2024 年全国 372 个城市百万级数据,从时空演化、数量-质量双维评价体系、区域差异三个视角,发现充电基础设施存在明显的"数质错配"——部分城市建设规模快速增长但服务能力提升有限;东部更多受市场需求驱动,西部更依赖政策与投资拉动。这项研究让我形成"表面指标增长 ≠ 用户价值增长"的判断力,后来直接用于脉脉增长与 AI 产品的设计中。
发表论文:《碳汇潜力视角下的长三角城市群碳排放空间关联网络时空演变及驱动因素》(2025);《南京都市圈高技术产业协同集聚特征与空间追随效应研究》(2026)。
Prompt 工程Skill / MCPRAG 系统设计多 Agent 编排Harness 工程Coze / Dify 工作流SQL / Python / SPSSFigma / Axure / StitchA/B 实验设计Claude / Codex Vibe CodingLoRA 微调
模型能力边界评估方法论(自动化基准 / 对抗性评测 / LLM-as-Judge / 幻觉率与校准度落地指标)· 传统 PM 与 AI PM 差异的系统认知(确定性路径 vs 概率性边界)· B 端 / C 端产品设计的场景还原能力
—— 感谢您的时间,期待与您进一步交流 ——