独立完成 AI 面试训练 Agent 从用户洞察、方案设计到上线交付的全流程实践。
AI PRODUCT / TECH PRODUCT PORTFOLIO
AI Product / Technical Product / Delivery柯思悦
AI产品经理 / 技术产品经理作品集
关注 AI 应用设计、复杂系统功能拆解与技术方案落地。能够从用户研究与需求分析出发， 完成产品方案设计、评估框架搭建、Prompt 策略设计，并推动前后端实现、API 接口设计、 部署上线与效果表达，形成从问题定义到产品交付的完整闭环。
需求分析
AI产品设计
Prompt策略
技术协同
理解 API 对接、数据流转、模型调用、兼容处理与部署链路中的关键约束。
AI产品经理、技术产品经理，偏 AI 应用落地、技术协同和复杂产品设计方向。
Current Log
AI应用设计与技术交付
围绕用户问题定义、功能结构设计、模型能力调用与上线交付，持续积累产品方法与落地经验。
关注 AI 场景定义、用户价值表达、评估维度拆解与反馈机制设计。
关注接口设计、系统兼容、异常处理、部署上线与多端体验一致性。
独立完成 AI 产品从需求定义、交互设计、功能实现到部署上线的完整交付。
理解模型调用、RESTful API、PDF 解析、兼容处理与 Serverless / VPS 部署方案。
擅长通过指标拆解、功能分类和结构化表达，把复杂问题沉淀为可复用的方法框架。
PROJECTS
项目案例
这一页只完整展开一个项目，用一套更接近技术产品经理汇报逻辑的方式，展示从需求定义到技术落地、从交互设计到效果验证的完整链路。
Case Files / 01
展示结构：项目总览 / 需求与方案 / 技术设计 / 交互与原型 / 指标与评估
Featured Project
AI 面试训练 Agent
这是一个围绕“训练反馈质量”展开设计的 AI 产品项目，目标不是简单生成答案，而是帮助求职用户建立一套更可解释、 可持续、可落地的面试训练闭环。项目从用户研究出发，延展到 PRD 文档、Prompt 策略、Agent 工作流、原型设计、 技术实现、部署上线与评估方案，完整覆盖了我希望在 AI 技术产品经理岗位上重点呈现的能力链路。
- 从 50+ 篇面试经验帖和面试官访谈中提炼需求，识别用户在训练阶段最核心的反馈断层。
- 将面试回答拆为 5 个评估维度，搭建“训练前诊断 + 模拟面试 + 回答分析 + 最终复盘”的闭环结构。
- 通过 Prompt 设计和 API 兼容处理，把大模型能力约束成更稳定、更可解释的产品输出。
- 完成前后端开发、部署上线与多端适配，并为后续评估和迭代预留指标体系。
AI Product
Workflow
Evaluation
岗位目标、用户回答、简历文本、历史训练记录
训练前诊断、Prompt 调度、Agent 分析、追问生成、结果校验
维度评分、问题诊断、改进建议、最终复盘与历史报告沉淀
Section 01
需求与方案
PRD 文档与竞品分析
我把这部分作为项目的起点：先讲清楚为什么要做这个产品，再用 PRD 摘要和竞品分析交代 MVP 边界、核心差异点和上线验收口径。 如果面试官想继续看细节，完整 PDF 可以作为附件继续下钻。
PRD 核心定位
- 产品名称：AI 面试训练 Agent，当前阶段为已实现 MVP。
- 适用场景：技术产品、云计算产品、AI 产品等岗位的求职训练。
- 产品定位：不是单次 AI 问答工具，而是具备规划、检索、记忆、追问、评估和复盘能力的训练 Agent。
- 用户价值：帮助用户完成从 JD 分析、简历匹配诊断到面试复盘和投递材料沉淀的完整准备流程。
核心问题与差异化
- 通用 AI 助手需要用户自己设计问题和评分标准，缺少岗位模板与训练闭环。
- 题库类工具以固定问题为主，难以根据上一轮回答动态追问。
- 简历优化工具偏静态文本修改，缺少和面试表现联动的反向优化能力。
- 本项目的差异化在于：JD 驱动训练流程、长期画像记忆、动态追问和最终报告回看。
MVP 范围与主流程
- MVP 已覆盖：JD 输入、岗位模板、训练前诊断、训练计划、动态追问、最终复盘、历史报告回看和材料导出。
- 主流程为：岗位理解 → 训练前诊断 → Agent 训练 → 回答评分 → 动态追问 → 最终复盘 → 材料导出。
- 训练支持“无简历模式”和降级方案，允许用户先开始训练，再逐步补齐信息。
- 文档中的功能优先级按照 P0/P1/P2 拆分，先保证闭环成立，再做体验增强和规模化能力。
发布标准与验收思路
- V1.0 发布前要求所有 P0 功能通过验收，且主流程至少完成 3 场无阻断训练。
- 模型输出需满足可用标准，例如 JSON 解析成功率和报告生成成功率均不低于 95%。
- 数据安全要求明确：API Key 不出现在前端，简历、JD 和回答原文不进入埋点。
- 异常分支需保留用户输入，并对语音失败、模型异常、存储失败给出明确降级提示。
我将竞品分析作为 PRD 的输入材料处理，目的是先说明岗位模板、动态追问、长期画像和报告回看的设计依据。
这部分不是单独罗列竞品功能，而是用于支撑产品差异化判断与 MVP 范围取舍。
Section 02
技术设计
以 Agent 决策闭环为主图，串联架构、部署、隐私与异常兜底
我希望这部分呈现的不只是“画了几张架构图”，而是我能把 Agent 如何决策、数据如何流转、异常如何兜底这些技术边界讲清楚。 所以我用决策闭环做主图，再把架构、部署、隐私和异常流程作为下钻材料。
Agent 决策闭环图
展示从岗位模板、JD/简历输入，到训练前诊断、知识检索、动态追问、回答评估、记忆更新和最终报告生成的完整闭环。
Agent 工作流图
说明输入层、Agent 能力层和输出层之间的关系，展示岗位理解、知识检索、训练规划、回答评估与复盘生成的协作链路。
AI 面试教练系统技术产品架构图
说明客户端、托管层、Serverless API、知识与评分层、模型服务和统一错误响应之间的关系。
数据流与隐私边界图
说明用户数据在本地、服务端和第三方模型服务之间的边界，突出本地存储、临时处理和 API Key 隔离。
用户训练流程序列图
展示训练前诊断、Agent 训练、多轮问答、复盘报告和异常处理在前端、API、知识库、LLM 和 localStorage 间的协作。
部署架构图
展示 Vercel 主站、镜像站、Serverless Functions、环境变量和 DashScope API 的部署关系。
异常处理流程图
覆盖 400、401、408、429、500、503 等状态的前端降级、输入保留和重试策略。
语音输入业务流程图
说明 Web Speech API 的授权、监听、识别、失败重试和降级为文字输入的完整流程。
Section 03
交互与原型
原型以“训练闭环”组织，而不是按零散页面堆叠
我没有把原型当成几张孤立截图来放，而是按用户真实训练路径组织：从岗位配置开始，到诊断、面试、分析、复盘和移动端兜底， 让面试官能顺着流程理解产品闭环。
训练首页
训练前诊断页
模拟面试页
回答分析页
最终复盘页
历史报告 / 移动端布局
训练首页 / 岗位配置
用户选择岗位模板，输入 JD 与简历/项目背景，进入训练前诊断或直接生成 Agent 训练计划。
训练前岗位匹配诊断
展示匹配度、知识库命中、已匹配信号、主要缺口、高风险追问和训练顺序。
Agent 模拟面试
承接动态追问、回答输入、语音识别状态、考察意图和 Agent 决策轨迹展示。
回答分析与岗位化改写
展示 totalScore、dimensionScores、issues、referenceAnswer、revisedAnswer 和 coachNote。
最终复盘报告
沉淀准备度、优势短板、三天训练计划和简历项目经历生成建议。
历史报告 / 移动端布局
覆盖历史报告回看、输入不丢失、异常提示和移动端访问体验，让训练结果能够被持续复用。
我在原型区只保留 6 张核心页面，避免用总览拼图弱化单页细节。页面顺序按照真实训练流程组织，便于面试官沿着用户路径理解产品闭环。
Section 04
指标与评估
把效果验证拆成产品指标、模型指标和技术指标三层
我把这部分当成对“产品是否真的有效”的回答。相比只写一个理想目标，我更希望用产品转化、模型质量和系统稳定性三层指标， 说明后续应该如何判断效果、发现问题并继续迭代。
- 训练完成率：从首页进入后完整完成一次训练流程的用户占比
- 诊断转化率：从训练前诊断进入模拟面试或复盘分析的转化效果
- 历史报告复访率：用户是否回看过去报告并进行二次训练
- 评分一致性：模型评分与人工标注在 5 个维度上的一致程度
- 建议有用率：用户对改进建议“有帮助”的主观反馈比例
- 追问相关性：追问是否与当前回答内容紧密相关、是否有训练价值
- 接口成功率：模型调用、题目生成、简历解析接口的成功比例
- 首屏响应时延：首次分析结果返回耗时、长任务加载反馈完整性
- 解析成功率：PDF 简历上传、文本抽取与结构识别的成功情况
CONTACT
联系我
如果你希望进一步了解我在 AI 产品设计、技术协同或复杂产品分析方面的实践，欢迎随时联系我。
Email
kesy770408@163.com
作品集入口： AI/技术产品经理版本 / 智能驾驶岗位版本