01
定义问题
从用户访谈里找出真问题，把它拆成能落地的流程和优先级；动手前先定好用什么口径验收。
SIJIA·HU
build · think · repeat
在 AI 时代，做加减法的产品人
把复杂问题拆开，再拼回一个能跑的东西
⌘ UW–Madison · 计算机◎ Agent Native 实践者◇ 和 AI 吵过很多次架
SCROLL ↓
About
我更在意，这个问题值不值得解
在 威斯康星大学麦迪逊分校 读计算机，但真正让我上手的是三件真实的事：在 DataCEVA 把散在 Slack、Jira 和邮件里的协作流程收进一个平台；在 OfferContext 把会员增长和结算拆成一条能对账的链路；还有自己做的 AI 邮件助手——访谈了 42 个海外学生之后，我砍掉了一半原本想做的功能。
这三次我做的其实是同一件事：先定义问题和数据口径，再动手。周报准备 90 分钟降到 40 分钟、邮件分类准确率 89% 到 95%——这些数字不是做完才发现的，是开工前就想好要拿它来验收。
先想清楚拿什么证明它有用，再开始写
Capabilities
我能做什么
不是技能清单，是四种我确定能交付的东西。
02
AI 应用落地
把大模型接进真实业务流：Skill / Prompt 结构化设计、RAG 检索优化、多轮会话记忆，并用评测集验证每次改动。
03
后端工程
从零把一个想法做成能上线的服务：接口、权限、数据一致性和并发场景下的正确性都能自己扛。
04
带人推进
能在限时、信息不全的情况下拆目标、分工、当场做决定；英文技术文档和工作对话无障碍。
Projects
做过的东西
一句话说清楚：解决了谁的什么问题，最后拿到了什么结果。
OfferContext 会员增长与商业化
产品与后端开发 · 北京丘野科技
给一款校招求职工具做邀请拉新和付费转化——谁邀请了谁、谁该拿多少奖励，钱和权益都得算得清。抢限量权益的高并发场景下零超发、零重复领取，内测期权益领取转化率 12.6%。
AI 邮件智能助手
产品负责人 · 独立开发
帮海外留学生从每天二十几封邮件里挑出真正要处理的那几封，简报直接推到他们本来就在用的聊天软件，不用装新 App。22 人灰度两周：分类准确率 89% → 95%，日均处理时间 25 → 18 分钟，两周留存率 82%。
OfferContext AI 工作台
Skill 设计与 RAG 问答 · 北京丘野科技
把简历诊断和 JD 匹配做成一个能反复调的工作台：Skill 拆解写死判断标准，RAG 知识库负责举证。先搭评测集再改 Prompt，简历 / JD 匹配 F1 从 62% 提到 78%，单次诊断 Token 消耗下降约 30%。
Experience
走过的路
2026.03 — 至今
产品与后端开发
北京丘野科技 · OfferContext
负责会员增长与商业化模块的需求评审、规则拆解与后端实现，覆盖邀请拉新到奖励结算的完整链路；同时参与 AI 工作台的 Skill 设计与 RAG 知识库问答，用评测集把简历 / JD 匹配的 F1 从 62% 提到 78%，单次诊断 Token 消耗下降约 30%。
2025.08 — 2025.12
软件开发实习
DataCEVA · 芝加哥
参与内部协作与工单管理平台从 0 到 1 的前后端开发，负责协作流程与请求管理模块，并推动 AI 辅助建单落地。首期覆盖 20 余名内部成员及对应客户，项目周报准备时间由约 90 分钟缩短至 40 分钟。
2022.09 — 2026.01
计算机科学 本科
威斯康星大学麦迪逊分校 · 计算机、数据与信息科学学院
GPA 3.6/4.0（前 15%），TOEFL 99。在 Newth 全国青年挑战大赛南京站带领 7 人团队完成多轮限时挑战，负责目标拆解、成员分工与现场决策，从 12 支队伍、84 名参赛者中获综合成绩第 1 名。
Thoughts
一些观点
面试里最容易被追问的部分，先在这里说清楚。
01
AI 不会取代写代码的人
它取代的是「只会执行」的环节。剩下的判断、取舍、和对问题的定义，反而更值钱了。
02
先跑起来，再谈优雅
一个能用的丑东西，比一个漂亮的方案文档有价值得多。反馈只能从真实使用里来。
03
把话说清楚也是硬技能
写不清楚的东西，通常也没想清楚。文档、commit、和当面沟通，是同一种能力。