Why AI
为什么我能转向 AI
我能转向 AI，恰恰是因为技术门槛在下降。真正拉开差距的，往往是业务理解、目标定义、跨团队协同，以及把项目推进到结果的能力，而这些正是我过去长期积累下来的东西。
业务理解
我一直在做的，就是理解真实场景、流程和责任边界。这类能力放到 AI 项目里，依然是前提。
项目推进
AI 项目一样要拆问题、做试点、推协同、管预期，所以我过去的项目经验并没有过时。
通用能力依然重要
我更看重通用能力的积累，而不是记住一套固定知识。AI 时代，能把资源组织起来、把项目做成的人，依然稀缺。
Proof Of Work
当前的代表性 AI 实践
这里放的是已经进入实际交付的 AI 项目和作品，包括业务案例、个人作品与产品化尝试。
AI 判责体系搭建
这项工作已经进入业务场景。当前准确率约 95%，90% 工单可在 24 小时内处理完，已经覆盖全量客诉的 50%。
看项目详情用 AI 完成个人主页
这次个人主页从结构、视觉到代码，我都在借助 AI 提高产出速度。
已经能把 AI 用到具体交付里。两款 App 已上架 App Store
AI Mindset
我现在对 AI 的核心理解
AI 不只是知识工具，它已经开始改变工作方式。能否理解业务、识别障碍、定义目标、做好人机协同，决定了项目能走多远。
AI 已经成为我工作里的常用工具
现在很多工作我会先让 AI 帮我调研、整理路径和生成初稿，再由我来判断、校准和推进。
业务理解比模型术语更管用
对业务流程足够熟，能做深入调研，也能处理组织和流程中的阻力，这些在项目里更管用。
推动人和推动组织仍然重要
很多项目的难点不只在技术，还在组织协同和共识推进。AI 项目也一样。
AI Case
AI 判责：一个已经进入业务流程的案例
这个案例里，难点不在调一个模型，而在梳理责任规则、整合证据，并把方案接进现有流程。
难点首先在判责本身就很复杂
售后场景里，客服要在客户、门店技术中心和采销团队之间反复穿针引线，既要收证据，又要推进沟通，还要判断到底是产品问题、施工问题还是用户使用问题。
这件事天然就容易扯皮，也很难只靠人工稳定地执行和还原规则。
AI 参与判断，人工保留复核
我们把客服、门店、用户及相关方的证据项汇总进系统，让 AI 在完整信息和业务规则基础上做统一判断，同时保留人工复核和争议评审。
整个方案采用人机并行，而不是完全自动化。
业务方负责人
我负责重新梳理责任方，联动各部门共创规则、产品链路和证据清单，并对最终结果负责。
一致率不是唯一标准
在这种无法还原现场的业务里，人机一致不代表机器一定更准。更值得看的，是最终责任分布是否符合业务规则和管理预期。
准确率 95%，效率明显提升
目前在门店责任判定场景下准确率稳定在 95%；约 90% 工单 24 小时内处理完，约 95% 工单 72 小时内关闭。
Contact
岗位交流与联系方式
欢迎联系我，交流岗位机会、AI 项目场景，或继续了解我过往的经历和项目。