关于我
懂业务 · 懂数据 · 更懂技术——能亲手把想法搭成能跑的 AI 产品。
前国泰海通证券产品经理（数据 / 平台产品方向），3 年+ 企业级产品经验，牵头过公司级流程平台与 OneLink 商机中心的 0 到 1 建设（含可量化业务结果）；现于 UCLA 攻读数据科学工程硕士。转型期独立设计、并用 AI Coding 亲手搭建 Agent 产品、评测体系与小模型私有化实验，专注把大模型能力做成可落地、可评测的 AI 产品，能独立完成从需求、微调到部署的端到端应用。
我想做的是能自己把产品 demo 直接搭出来的产品经理，而不是只写文档、隔层传话的传统 PM。AI 工具正在重新定义这个角色——技术壁垒在降低，产品经理可以更深地参与到技术里、一个人就能把想法快速验证成能跑的东西。我正朝这个方向走。
正在求职 · AI 产品经理 · 上海 · 2026.10 到岗
擅长的方向
AI Agent 产品设计
从 0 定义多智能体工作流，把非结构化输入变成可校验、可评测的结构化产出。
模型微调与评测
LoRA/PEFT 定向微调 + 自建评测体系（P/R/F1、合法率），把"能用"变成"可衡量、可信赖"。
流程与效能产品
3 年+ 企业级流程 / 平台产品经验，主导效能指标体系设计与看板产品化。
端到端工程交付
FastAPI + Docker + 云端部署，能独立把 Agent 应用做成能跑的产品，而不只是 demo。
简历
以下为精简快照，完整版见 简历 PDF ↓。
工作经历
2022.07 – 2025.08 · 上海（2022.02–07 同公司实习）
国泰海通证券（原国泰君安证券）
总部数据管理应用部 · 产品经理（数据 / 平台产品方向）
- 公司级流程平台核心产品经理。作为公司级流程平台产品侧的核心产品经理，牵头通用流程、流程引擎和重点业务流程；面向办公、投行、财富、资管、期货、固收等总部和分支团队，负责场景调研、流程抽象、优先级、方案评审到验收上线，协同 7–8 人研发和外部交付资源。
- 常态化需求承接与 PRD。常态化承接各流程的新增线上化、已上线流程的变更优化和日常问题反馈——和各流程业务负责人对齐业务逻辑与规则，再转成研发能执行的需求文档，推动开发、测试到上线验收；三年累计受理和推进约 1,700 条流程需求。
- 流程准入与移动化。参与制定流程准入、变更和移动化规范，负责租户子系统接入审批、框架级技术咨询和共性能力需求；牵头推进流程移动化，平台整体移动率从启动时的约 64% 提升到约 95%。
- 效能看板与堵点分析。用 SQL 加 QuickBI 搭建流程效能监控与分析体系，围绕办结时长、人工介入率、末端停滞等指标，从单流程和全局两个维度定位堵点，把「指标定义、问题识别、需求落地、效果验证」串成持续迭代闭环。
- 业务结果。主导传阅、批量审批、阅后自动办结、会签直达和电子印章等提效能力落地。按平台整体口径，2024 年正常办结平均处理时长从去年同期 170.9 小时降到 133.1 小时（缩短 22.1%）、人工介入从 3.45% 降到 1.53%、办结量增长约 59%；2025 年 1 到 5 月平均时长同比再降 60.4%（到 66.98 小时）、人工介入降到 0.98%、办结量增长约 80%，其中我主导的会签和印章场景流转时长分别降了约 33% 和 13%。
- OneLink 商机中心（从 0 到 1）。从零设计「T+1 线索生成、OneID 匹配、分发转派、投前中后协同跟进、转化评价」的端到端闭环，定义角色路由、权限边界、状态流转和异常处理；还接入通用类商机，把分支原来靠人工盯公告和公开信息的活儿系统化——从工商变更、股权激励公告、增减持等公开数据自动挖线索（公告这类非结构化文档的解析由开发用 AI 实现，我负责需求和场景设计）。
- 零售潜客挖掘（实验）。用 IV 值和随机森林做特征工程，比较 XGBoost、逻辑回归、SVM 后选了 XGBoost，产出短名单做企业微信触达；实验组转化 4.8%、对照组 0.7%，差约 6.9 倍（实验验证，未大规模落地）。
- 另外入选公司「领航 / 远航」人才成长计划和青年突击队。
这套「定指标、搭看板、找堵点、迭代、验证」的方法论，正是后来 流程副驾 Process Copilot 想自动化的原型，从人工分析到 AI 辅助是一条连贯的路径。
教育背景
2025.09 – 2026.09
加州大学洛杉矶分校 UCLA
M.Eng. in Engineering — Data Science · GPA 3.71
- Relevant coursework: Deep Learning (ECE C247A / C247B), NLP & LLMs (CS263), Reinforcement Learning (CS260R), Large-Scale & Big-Data ML (CS260D / CS245)
2020.08 – 2021.12 · 纽约
哥伦比亚大学 Columbia University
M.S. in Applied Analytics · GPA 3.83
- Relevant coursework: SQL & Relational Databases, Financial Data Science & Machine Learning, Applied Analytics Frameworks & Methods I/II, Storytelling with Data
2016.08 – 2020.05 · 康涅狄格
康涅狄格大学 University of Connecticut
B.A. in Mathematics & Actuarial Science · GPA 3.58
- Relevant coursework: Probability, Statistics, Multivariable Calculus, Linear Algebra, Introduction to Computing (Python)
技能
能深挖
能讲清
了解
产品能力
产品全生命周期
需求洞察与抽象
PRD（含 AI PRD）
0 到 1 产品设计
跨团队推动
原型设计（Axure / Figma）
A/B 测试
数据分析
SQL
BI（QuickBI / Tableau）
指标体系
特征工程 / XGBoost / 时序建模
AI · 大模型应用
LangGraph / LangChain
Multi-Agent 架构
Tool Calling
Human-in-the-loop
LoRA / PEFT 微调
私有化部署与选型
评测体系（P/R/F1、合法率）
Bad Case 分析
RAG
向量数据库
Prompt / 上下文工程
Bedrock / OpenAI / Gemini API
工程落地 · 技术基础
FastAPI / Docker / 云部署（借助 AI 编码）
Git
深度学习 / 强化学习 / Transformer 原理
项目
从企业 to-B 系统到深度学习基础，个人独立或主导完成的一组项目。点开任意一项看完整设计与实现。
- 企业里的流程常常散落在文档、邮件、Excel 和群聊里，靠人凭经验设计，上线之后好不好用也没有数据支撑。我把自己三年做流程治理的痛点，做成了这样一个 AI 产品。
- 它能从各种来源的需求里自动生成标准化、可以直接上线的流程定义，内置一个规则知识库来约束设计、检查合规，也支持用对话的方式修改。
- 整体是一个闭环：AI 先设计流程，上线运行产生数据，再分析效能和堵点，最后把优化建议反哺回设计。设计上坚持确定性的事交给代码、需要理解判断的才交给大模型。目前设计和评测这两块做得比较深，运行和分析的闭环还在持续迭代。
- 整个项目我从零独立搭建，痛点来自我在券商做流程数字化和效能看板的真实经历。
LangGraph规则 RAG要素级评测BedrockFastAPI
AI 快题模块图生成
- 面向工业设计考研的快题培训。学生备考时要画一整套设计图，包括主产品、三视图、爆炸图、分镜、版式等等，既要风格统一，纯手画又很费时间。
- 用户输入设计主题、勾选需要的模块，系统会先画出主产品造型作为整套图的基准，再据此并发生成其余模块，保证整套图风格一致。每个模块都是先生成结构化的描述，校验修复之后再调生图模型出图；接入了 Gemini 3 Pro、Flash 等多款生图模型，可按需切换、按模型计费。
- 已经上线生产环境，支持异步生成（点了就在后台跑，可以离开页面稍后再回来）、在同一批次里补画其他模块、模块的版本管理和按新需求重出，也有登录鉴权、按量计费和单账号数据隔离。后端用 FastAPI，用 Docker 部署在 EC2 上。
- 和工业设计考研培训方合作，有真实用户，计划商业化。我负责产品设计、生成工作流、后端和部署。代码是核心资产暂不公开，截图和演示还在整理。
LangGraph主产品锚点结构化输出多款生图模型FastAPIDocker · EC2
- 很多企业和金融场景需要把文档抽成结构化数据，又往往要求私有化部署。这个项目想回答一个很实际的问题：到底该用大模型 API，还是自己在本地微调一个小模型。
- 做法是一个共享基座配上每个领域一个 LoRA，靠零样本路由自动把文档分给对应领域，输出结构化 JSON。目前覆盖英文小票、中文金融公告、中文反欺诈三个真实领域。
- 我把基座、加约束、LoRA、LoRA 加约束、大模型 API 这几种方案放在一起系统对比，自己写了字段级的评测器（P/R/F1 加 JSON 合法率）。三个领域的 micro-F1 都提升了 0.49 到 0.54（比如小票从 0.41 涨到 0.95），JSON 合法率都做到 100%。
- 更关键的是把本地微调的 4B 小模型和 5 个前沿 / 国产大模型 API 正面对比：它（micro-F1 0.945）反而超过了全部 5 个 API（最高 Gemini 0.866），精度领先 8 到 16 个点，同时本地零边际成本、数据不出域可私有化——闭源 API 做不到。
Qwen3.5-4BLoRA / PEFT零样本路由约束解码评测 (P/R/F1)vLLM
- 想搞清楚一个问题：多智能体工作流到底比单个 agent 强多少，往流程里多加大模型环节值不值得。用 τ²-bench 的零售多步任务来验证。
- 对比了四种 agent 架构配多种模型，包括单 agent、多节点的 Planner-Collector-Reasoner-Verifier、Planner-Executor，以及 SMAG 状态机。打分同时看数据库最终状态对不对，和自然语言回复说清楚没有。
- 结论是把状态管理和校验交给确定性代码收益最大，甚至能让小模型反超更大的模型；大模型环节并不是越多越好，概率上的不确定性会一环环累加。
τ²-benchMulti-AgentSMAG 状态机LLM judge
- 用手臂上的表面肌电信号来识别人在打什么字。在单用户、数据量小的条件下，比较了十几种序列模型架构并做了消融，找到最优的时间分辨率和正则组合。
- 再叠加一个 6-gram 语言模型做 CTC Beam Search 解码，把字符错误率从基线的 22.17% 降到了 6.81%。
- 从架构选型到序列解码的一次完整深度学习实践，能证明扎实的建模功底。
PyTorchCTCBeam Search序列建模
强化学习 · 自动驾驶赛车（MetaDrive）
代码
- 用 PPO 训练一个能在 MetaDrive 里开赛车的智能体，特征网络按观测的语义分成多个分支，环形传感器用循环卷积来处理。
- 把奖励从二十多项精简到几个核心信号，配合课程式训练一步步提速。
- 过程中定位并修复了一连串奖励作弊和静默失败，沉淀出一套可复用的强化学习排错经验。
PPOMetaDrive多分支网络
Crypto-Visa 清算备付金预测
- 面向加密支付和 Visa 发卡的场景，预测次日的清算资金流出，帮银行侧做动态备付金管理。
- 按商户和日期粒度做多表 SQL 取数，构造了 43 个时序、画像和卡片特征，用 XGBoost 回归，再用 SHAP 做特征筛选。
- 最后封装成一个可复现的离线预测脚本，也处理了重尾分布下容易低估的工程细节。
SQLXGBoostSHAP时序特征
- 在 TinyLlama 上研究怎么防御大模型的后门（BadNet）攻击，比较了四种剪枝方法，以及用弱学习器（GRU、朴素贝叶斯）来过滤投毒样本。
- 其中 GRU 的方案能滤掉约 75% 的投毒样本，同时误伤的干净样本不到 10%，把攻击的触发成功率从 79.8% 降到了 43.4%。
- 团队课程项目，关注的是大模型安全里企业很在意的数据投毒和后门问题。
LLM 安全数据投毒 / 后门模型剪枝TinyLlama
联系