能发现问题，也能动手把它解决掉。

项目组 AI 知识库与 Skill 工具体系

让 20 人的策划团队不用学提示词，也能让 AI 按团队规范干活。

发现的问题

策划用 AI 写文档和配置表时，每个人都要自己写大段提示词。产出的风格和团队规范对不上，一份文档平均要返工 5–6 次。问题不在模型能力，而在团队的规范和历史经验没有交给 AI。

方案

• 搭建项目组知识库，把分散的设计文档和规则集中起来供 AI 检索。
• 把团队历史文档的风格和规范沉淀进 Skill，封装了文档撰写、配置表生成等 10 余个常用 Skill。成员只需要说清楚要做什么，不用再描述怎么写。
• 统一分发模型 API，成员不用自己申请和配置，开箱即用。

Persona：跨设备 SuperAgent 平台

用手机随时指挥跑在自己多台电脑上的 AI Agent。

产品是什么

Claude Code、Codex 这类 Agent 跑在电脑上，人一离开座位就没法查看进度、回答它的提问或审批它的计划。Persona 让用户在手机、手表或网页上实时查看、回答、审批和派活，覆盖 iPhone、Apple Watch、Mac、Vision Pro、Android 和网页六端。

我发现的问题

我是这个产品的重度用户，每天同时管理多台电脑上的 Agent，在使用中持续找出体验上不顺的地方并提成需求。约 30% 的产品需求由我发起。

我解决的问题

• 提出并落地了大部分界面布局与操作流程的方案。
• 负责一个配套私有仓库的方案设计、实现与持续优化。

A 股自动研究系统

让一个 AI 团队按固定流程自动研究股票策略，并且不允许 AI 自己给自己打分。

发现的问题

让 AI 做策略研究有两个风险：一是它会反复试到一个历史上好看的结果，实际是过拟合；二是让 AI 评价自己的产出，结论不可信。

方案

• 判定权不在 AI 手里：策略是否通过由程序按预先登记的判据计算，AI 无法修改。
• 互相独立：研究、审查、核验各设两个互不通气的 Agent。
• 防偷看：AI 看不到前向跟踪的结果，代码在隔离的副本里运行。
• 防过拟合：假设和判据先登记再跑，跑后不许改；所有试验记入只增不改的账本，目前约 1 万次；用安慰剂、参数邻居、滑点加倍等检查验证结论。
• 看板：在网页上批准提案、启动和暂停任务、查看前向跟踪。

基于机器学习的 GTO 偏移策略

在博弈论最优策略的基础上，针对真人对手的习惯做调整。

发现的问题

成熟的 GTO 策略假设对手也按均衡策略打。但真人有固定倾向，有人偏激进，有人偏保守，纯 GTO 不会利用这些倾向。

方案

录制真人对局视频，分析每个对手的行为数据，识别其打法风格，再在 GTO 基线上调整行动概率。例如基线策略在某个局面有 1/3 的概率跟注，如果对手明显偏激进，就把这个概率相应上调。

活动规则审查助手

在优惠活动上线前，找出规则文案里没说清楚的地方。

发现的问题

一句「新用户首单九折，满 200 减 30，会员额外九五折」看起来清楚，实际缺了很多定义：优惠能否叠加、按什么顺序算、满减按原价还是折后价、退款后券是否返还。这类问题通常靠人工反复沟通才能发现。

方案

• AI 把自然语言规则提取成结构化字段，对没说清楚的地方逐项追问，由人确认。
• 金额和优惠券状态一律由程序计算，不让 AI 算钱。
• 输出问题清单、决策表和测试用例作为评审材料。系统只说哪些问题还没解决，不替人决定活动能否上线。

评测设计

准备 20 份人工标注的活动文案，12 份用于开发，8 份冻结用于验收。验收门槛为问题准确率 ≥ 85%、阻塞问题召回率 ≥ 90%、金额用例 100% 通过。