张子墨
Sunmiss · 2004 · AI 产品经理
AI 产品经理 · LLM 产品化
数据驱动决策者——不凭空猜测用户需求，用数据和实测说话
3 个 AI 产品从 0 到 1 · 每个都经历「需求→方案→选型→落地→验证」全流程闭环
用户洞察· 数据驱动· 系统设计· AI 产品化
Sunmiss · 2004 · AI 产品经理
AI 产品经理 · LLM 产品化
数据驱动决策者——不凭空猜测用户需求，用数据和实测说话
3 个 AI 产品从 0 到 1 · 每个都经历「需求→方案→选型→落地→验证」全流程闭环
用户洞察· 数据驱动· 系统设计· AI 产品化
先定义目标体验再反推方案，通过用户行为数据（选取率、留存节点、功能渗透率）找到真问题，而非凭直觉做决策
大数据专业训练 + 实践：从埋点设计到指标定义到统计验证，能将模糊的"用户反馈"转化为可衡量的产品指标
擅长将复杂规则拆解为可配置的模块化系统，降低迭代成本。每个项目都做到"调参不改代码"，让非技术角色也能参与迭代
将 LLM、RAG、Agent、Multi-Agent 等 AI 能力落地为可交付的产品功能。理解 AI 能力边界（幻觉控制、Prompt 稳定性、上下文窗口限制），在模型能力与用户体验之间做务实取舍
用户分层 × 情感引擎 × RAG 记忆 · 让 AI 角色真正"活"起来
一款 AI 驱动的动漫角色互动游戏，用户可与 AI 角色进行自然对话并建立情感关系。核心挑战是在「AI 生成内容的不可控性」与「对话自然度」之间找到平衡——既不能让角色人设崩塌，也不能让对话像模板一样机械。
18 — 28 岁 ACGN / 二次元文化爱好者，以学生和年轻职场人为主。对动漫角色有情感投射，希望通过与 AI 角色互动获得陪伴感和情感满足。游戏经验丰富，对交互流畅度敏感；对角色"人设一致性"有高要求——能接受角色性格鲜明，但无法容忍角色"说错话"或"OOC（Out of Character）"。
现有 AI 聊天产品普遍"说啥都像 AI"，缺乏角色个性和语言风格的一致性。用户反馈："我知道它是 AI，但至少让它说话像这个角色。"
对话超过一定轮次后，AI 完全忘记之前聊过什么。用户昨天分享过的事，今天就要重新解释——"这根本不是朋友，是金鱼。"
无论用户说什么，AI 都回以相似的积极态度。用户无法感知到"关系在变化"——没有亲近感加深的过程，也没有闹别扭后的和解，情绪体验扁平。
角色"说话像这个角色"，不出现人设崩塌。这是用户在首次体验 5 分钟内形成的判断——过了就留，过不了就走。
角色能记住关键对话，用户不需要反复解释。"上次我跟你说的那个考试，我过了"——角色应该能接上这个上下文。
角色能感知用户情绪状态并调整反馈方式。用户沮丧时给安慰，开心时一起兴奋——而非永远"你好棒"的模板回应。
用户感觉这个角色是"活的"——有成长、有变化、有关系深度。这是用户愿意长期留存并主动推荐的核心驱动力。
三种模式覆盖不同投入意愿——陌生人模式降低首次使用门槛；成长模式以亲密度驱动关系进化；陪伴者模式跳过数值系统直接进入亲密对话。分层依据来自用户行为分析，而非凭直觉划分。
-100→+100 亲密度模型 × 10 级关系阶段，采用不对称波动（正向+1/负向-2）模拟真实人际关系权重。4 维情绪状态作为系数调节亲密度变化速率，本质是「用户状态 × 内容策略」的推荐系统。
用 LanceDB 向量数据库存储角色设定和历史对话，Function Calling 按需检索相关上下文——避免了 Prompt 过长导致的注意力稀释，又保证角色记忆的连续性。
角色设定通过 Function Calling 结构化注入，限定 LLM 在预定义的角色人格、知识边界和剧情框架内生成内容，超出设定的话题自动拦截。输出层增加敏感词过滤与格式校验。
SSE 流式透传实现打字机效果，用户感知响应延迟 < 500ms。支持对话中断与重新生成，提升交互可控感。
-100→+100 亲密度 × 10 级关系阶段，4 维情绪（愉悦/悲伤/愤怒/平静）作为系数调节亲密度变化。同一对话在不同情绪状态下产生差异化反馈。
LanceDB + DashScope Embedding 将角色设定和历史对话向量化。Function Calling 按相关性阈值（0.75）决定是否检索，降低无关上下文注入。
LLM 根据亲密度阶段动态生成剧情场景。MiniMax API 辅助场景画面生成，形成「记忆检索→场景生成→行为约束」的内容供给闭环。
Prompt 详细度反复 A/B 测试——太详细对话僵硬，太精简人设崩塌。最终选定精简 Prompt + Function Calling 动态注入方案，在自然度与稳定性之间找到最优解。
当前对话历史仅存浏览器内存，刷新即丢失。后续版本将引入服务端持久化，支持跨会话记忆连续性。
目标：避免 Prompt 过长导致 LLM 注意力稀释
传统 RAG 做法是将所有相关记忆拼接进 Prompt，但对话轮次增加后 Prompt 膨胀严重。Function Calling 让模型「按需索取」——需要回忆时主动调用检索函数，不需要时保持 Prompt 精简。实测将 Prompt token 消耗降低约 40%，且角色人设一致性反而提升。
目标：让关系发展有真实人际关系的「张力」
真实人际关系中，一次争吵的伤害远大于一次赞美的温暖——负面事件的心理权重天然更高。正向+1/负向-2 的不对称设计让玩家更谨慎对待对话选择，避免了「随便点点也能满好感」的敷衍感，提升了情感投入度。
目标：确保 7×24 对话服务不中断
对话产品对延迟和可用性极其敏感——用户说了话等不到回复的体验是不可接受的。配置 DeepSeek 主 API + 备用 LLM 双通道，超时/限流自动切换，用户侧无感知。切换时上下文完整保留，不会出现「AI 突然失忆」的情况。
角色对话 · 亲密度与情绪实时反馈
角色选择 · 三种模式覆盖不同投入意愿
动态场景生成 · LLM 根据亲密度阶段生成剧情
角色管理后台 · 调参不改代码的配置系统
4 Agent 协作 × 双源数据 × 双 AI 辩论 · AI 做参谋，用户做决策
一款 AI 驱动的金融分析工具，通过 Multi-Agent 协作架构从多角度分析股票。核心挑战是 AI 金融产品信任门槛极高——如何在「AI 建议」与「用户自主决策」之间建立可信赖的协作关系？产品定位：AI 是参谋团，不是决策者。
25 — 40 岁个人投资者（散户），有一定的股票投资经验和基础金融知识，但非专业分析师。工作忙碌，每天只有碎片时间关注市场。核心矛盾：既不相信AI能替自己做决策，又需要AI帮忙处理海量信息。对AI金融产品的信任门槛极高——"你说得对但我不信你"是常态。
财报、新闻、技术指标、社交媒体舆情……信息太多太杂，散户没有精力做系统整理。最终"凭感觉买"，缺乏理性决策依据。
看了几篇分析文章就形成先入为主的判断，忽视反面信息。没有"反对派"来挑战自己的观点——这是散户追涨杀跌背后的认知根源。
市面上AI选股工具直接输出"买入/卖出"建议，用户看不到推理链条。在金融这种真金白银的领域，"黑盒建议"无法建立信任——你敢跟着一个不解释为什么的建议操作吗？
"帮我整合信息，别让我自己翻几十个网页。"——用户需要的是高效的信息聚合工具，一个入口看全貌。
从基本面、技术面、情绪面不同视角给出分析，让用户看到完整的图景——而非单一维度的片面结论。
在用户冲动交易时主动提醒，识别追涨杀跌等情绪化操作模式。"参谋的责任不只是提供信息，还要在将军犯错时拉一把。"
用户把 AI 当作"可以质疑、可以追问、可以对比"的分析伙伴。决策权始终在用户手里，但 AI 提供了足够透明的推理过程，让用户有信心按下"确认"键。
基本面/技术面/情绪面/风险四 Agent 独立分析后汇总博弈，而非单一模型「一言堂」——模拟真实投资团队的多元视角交叉验证。
实时金融 API 拉取行情/财报/新闻等结构化数据 + MCP 协议联网搜索获取全网最新资讯——两者互补，保证数据精度又覆盖信息广度，避免模型训练截止日期带来的信息盲区。
两个 AI 对同一股票多空辩论（一个偏乐观、一个偏悲观），用户看到完整推理过程而非结论——核心产品决策：将 AI 定位为「参谋团」而非「决策者」，降低盲目信任风险。
基于用户操作历史、持仓偏好、交易频率等行为数据，AI 分析用户性格倾向（过度交易、追涨杀跌、过度保守），在关键操作节点主动进行风险提示。
财报解读、估值分析、行业对比。从财务数据中提取关键指标变化趋势，生成结构化分析报告。
K 线形态识别、技术指标分析（MACD/RSI/布林带）、支撑阻力位判断。AI 用自然语言解读技术信号含义。
市场舆情分析，通过金融 API 新闻 + MCP 联网搜索获取最新资讯，判断市场情绪偏向（乐观/悲观/中性）。
持仓风险评估、操作风险提示、止损建议。结合用户行为数据做个性化风控，拦截冲动交易。
金融 API 提供结构化精度，MCP 搜索覆盖信息广度。两者互补避免了单一数据源的盲区——API 保证数据准确性，MCP 保证时效性。
双 AI 辩论增加了可信度但拉长了分析时间。后续版本将引入辩论轮次控制（默认 2 轮），用户可按需展开深度辩论。
目标：避免单一模型的系统性偏见
单模型分析存在两个致命问题：(1) 模型训练数据的时间偏差导致分析滞后；(2) 单一视角无法自我纠错。四 Agent 各自独立获取数据、独立分析、汇总博弈，若两 Agent 结论相反则触发双 AI 辩论——本质是将「模型的不确定性」转化为「用户可感知的多元视角」。
目标：在 AI 能力与用户信任之间划定清晰边界
金融领域的决策后果是真实的金钱损失。将 AI 定位为参谋团而非决策者，有三个产品层面的考量：(1) 降低用户对 AI 的盲目信任——看到辩论过程自然产生审慎态度；(2) 保留用户的控制感和最终决策权；(3) 合规层面——不构成投资建议，降低产品风险。
目标：金融数据不允许 AI 自由发挥
三层防线：(1) 数据溯源——所有 LLM 输出的数据结论必须可追溯到具体 API 字段或新闻链接；(2) 格式校验——数值范围检查、逻辑一致性校验，拦截明显的数据矛盾；(3) 无法溯源的推断性内容强制标注「仅供参考」。双 AI 辩论本身也是对抗手段——两个对立视角互相校验，降低单模型「自信编造」的概率。
简历 × 面试 × 规划 · 覆盖求职三阶段的 AI 职业助手
一款覆盖求职全链路的 AI 职业规划工具——从简历优化、模拟面试到职业路径规划。核心挑战：求职是低频高决策成本场景，如何让 AI 在「标准化建议」和「个性化指导」之间找到平衡，让用户真正感受到「被理解」而非「收到模板」？
20 — 28 岁应届毕业生及 1-3 年职场新人，正在主动找工作或考虑职业转型。对 ATS（Applicant Tracking System）筛选机制不了解——"投了 50 份简历都没回应，不知道问题出在哪"。面试经验不足，面对高压面试场景容易紧张。核心矛盾：需要AI帮忙但又怕"造假"——希望简历被优化，但不希望失去真实性。
海投简历杳无音信，不知道为什么被筛掉。核心问题往往不是"不够优秀"，而是"不会说ATS能听懂的话"——关键词密度、格式兼容性、经历描述结构任何一个环节都可能被机器误杀。
面经看了不少，但一上阵就紧张。没有安全的试错环境来练习——朋友没空陪练，辅导班太贵。核心需求是"低压力、高反馈"的模拟环境。
"我不知道自己适合做什么"——这是校招季最高频的用户困惑。缺乏系统性的自我认知和行业信息，面对海量岗位无从下手，决策高度依赖偶然性和身边人建议。
"我的简历能被机器读到。"用户的第一道坎是被看到——在优化内容之前，先要保证简历不会因为格式或关键词问题被自动筛掉。
简历不只是"被看到"，还要"打动 HR"。AI 帮助用专业语言重新表达真实经历，让每段经历都体现可衡量的价值——而非简单堆砌关键词。
通过多角色模拟面试发现自己的薄弱环节——技术深度够不够？表达清不清晰？气场稳不稳？每次模拟都有具体反馈，知道"下一次面试我该改进什么"。
有一个基于自身背景和行业数据的职业发展规划，知道"我适合什么方向、需要补什么技能、下一步该做什么"——从被动海投变为主动选择。
模板推荐（行业/岗位智能匹配）→ AI 内容修改（语义级重写，非简单关键词替换）→ 一键导出 PDF（排版引擎保证格式一致性），覆盖求职准备全链路。
AI 扮演技术面试官/业务负责人 + HR 双角色交叉评估——从「专业能力」和「文化匹配」两个维度模拟真实招聘筛选逻辑，而非单一视角打分。
针对企业 ATS 系统简历初筛逻辑，分析关键词密度、格式兼容性、经历描述结构——核心洞察：不是教用户「造假」，而是帮用户「不被机器误杀」。
基于用户背景、技能树、目标岗位生成个性化职业路径（短期/中期/长期），包含行业趋势分析、技能缺口识别、学习路径推荐，覆盖从「定位」到「成长」的完整决策链路。
AI 深度解析简历内容，识别技能、经历、项目等维度。语义级分析而非关键词匹配，理解经历背后的能力而非表面文字。
技术面试官评估专业深度，HR 评估文化匹配与软技能。双角色独立打分后交叉对比，输出综合评估报告。
短期（1年技能提升）→ 中期（3年岗位进阶）→ 长期（5年职业方向）三层规划。包含行业趋势数据 + 技能缺口分析 + 学习路径推荐。
服务端渲染 + 客户端渲染双保险，保证排版格式一致性。支持多模板切换，一键导出 A4 标准简历。
简历修改类操作采用三步流程，用户始终有最终审核权。这解决了 AI 建议被盲目接受的风险，同时保持了 AI 的高效辅助价值。
当前仅技术面试官 + HR 双角色，后续将增加更多行业角色（如产品总监、CTO），覆盖更多求职场景。
目标：在 AI 效率与用户控制权之间找平衡
直接改写虽然高效但有两个问题：(1) 用户失去对简历的控制感——这是求职者最在意的个人文档；(2) AI 可能误解用户的真实意图。三步流程让 AI 提供建议但用户做最终决策，既保留了 AI 的效率优势，又保护了用户的代理感。
目标：建立产品信任，避免「优化」变质为「作弊」
ATS 优化很容易滑向关键词堆砌和虚假经历。产品的核心洞察是：很多优秀候选人被机器误筛，不是因为不够格，而是不会「说机器能听懂的话」。帮用户用 ATS 友好的语言表达真实经历，本质是降低信息不对称，而非教人造假。
目标：避免「模板式」职业建议
三个层次实现：(1) 结构化 Prompt 模板限定输出格式但允许内容发散；(2) 关键结论（薪资范围、行业趋势数据）通过 MCP 联网检索最新信息做事实校验并标注来源与时效性；(3) 用户背景信息作为 Prompt 上下文注入，确保建议基于真实情况而非通用模板。API 层面配置主备双通道，保证长链路任务不中断。
大数据专业背景为 AI 产品经理工作提供了两个独特优势：
(1) 数据驱动决策——统计学训练让我习惯用数据验证假设，而非凭直觉做判断。从埋点设计到指标定义到统计验证，将模糊的「用户反馈」转化为可衡量的产品指标。
(2) AI 技术理解——专业课程体系让我能深入理解 LLM 的能力边界（幻觉、上下文窗口、Prompt 稳定性），在模型能力与用户体验之间做务实取舍。
在校期间独立完成 3 个 AI 产品从「需求→方案→AI 选型→落地→验证」全流程闭环。
