Status: Available for 2026 Opportunities in Beijing

于纷扰中见本质,于变局中寻优解。

Pierce the noise, Optimize amid uncertainty.

Problem Definer
Blueprint Architect

经历

Chronicle — 从混沌到蓝图

项目一:[EchoLogic] 职场语义"降噪"引擎
观察到在跨部门沟通中,30% 的需求失效源于"语言风格差异"。研发听不懂运营的感性描述,运营理解不了研发的逻辑边界。
这不是沟通意愿问题,而是认知图式(Cognitive Schemas)的错位。人们在叙事时,核心需求往往被埋在情绪和修饰语中。
定义了一个"语义提纯"模型。利用 Google AI Studio 调试 Prompt,通过心理语言学中的"格语法(Case Grammar)"提取叙事中的施事、受事与目标。在墨刀中设计了一个极简交互界面:输入一段 500 字的杂乱会议纪要,一键输出三行结构化需求。
放弃做一个复杂的办公软件,只做一个"语义过滤器"插件。以最小的成本,解决了跨部门沟通最核心的"鸡同鸭讲"痛点。
项目二:[PathFinder] 低效决策的"逻辑手术刀"
针对某知识管理 App。用户反馈"功能太多、太乱",于是团队盲目计划增加更多"智能推荐"功能。
深入访谈发现,用户的痛苦不在于"找不到内容",而在于"无法定义搜索词"。这是一个"提取困难(Retrieval Failure)"的问题,而非存储问题。
喊停了正在开发的推荐算法(Blueprint Architect 的决策)。重新设计了基于"联想逻辑"的导航节点模型。在 Vercel 上部署了一个原型 Demo,验证了通过"联想词触发"而非"关键词搜索"能让用户留存提高 20%。
删繁就简。用一个逻辑节点的改动,撬动了整个产品的活跃度,而非堆砌代码。

成果

Impact — 杠杆的度量

场景定义的问题撬动的成果
助教管理优化课程反馈的"非结构化噪音"建立反馈分类标准,将教授处理效率提升 40%
EchoLogic 原型语义理解偏差导致的返工逻辑校验通过率提升至 95%,实现 0 废稿开发
个人工作流碎片化信息导致的认知过载搭建 AI 自动调研节点,单项需求调研时间从 4h 降至 45min

思考

Synthesis — 认知与逻辑的交汇点

"为什么我自称为 Problem Definer?"

在大模型时代,答案是廉价的,但"精准的提问"是奢侈品。很多 PM 在不确定性面前,习惯用"增加功能"来掩盖焦虑。但我倾向于做减法。

我的心理语言学背景告诉我,人类的叙事充满漏洞,而我的工作就是在那堆乱码中,找到那个唯一的、能撬动全局的逻辑支点。

我不追求做一个"大"产品,我追求做一个"对"的产品。

Optimize amid uncertainty.

这不是口号,这是我在 0 和 1 之间寻找最优解的本能。

🎨 📐 💻
💬 ✉️ 🔗
🧠