从用户体验、产品系统到AI能力与业务结果，我持续扩大解决问题的边界
从体验设计到AI产品负责人的能力进阶
选对场景，定义方案
从业务问题与风险边界出发，确定AI切入点、需求优先级和成功指标。
用户访谈 / 竞品走查 / KANO / 业务流程图 / 指标体系让技术进入真实流程
串联患者端、医生端与运营端，让AI输出可理解、可确认、可回退。
Dify / Coze / Axure / Figma / Codex协同交付，数据迭代
主导产品机制与验收指标，协同多方上线，并通过 Bad Case 和评测持续优化。
监控看板 / 埋点日志 / Bad Case / A/B实验 / 模型评测一条持续进化的产品主线
从视觉与体验设计起步，历经移动互联网、智能家居与教育产品，现聚焦AI医疗产品
深圳深大云伴健康科技
AI 产品经理
聚焦智能问诊、报告解读与病历质控，定义 Agent、RAG、安全回退和评测机制，推动医疗 AI 从方案走向试点验证。
南京艾布睿科技
产品经理
负责教育产品的需求分析、用户研究与体验设计，将复杂业务流程转化为可执行的产品方案。
苏宁集团总部
产品经理
围绕智能家居、硬件连接与全屋场景，积累多端协同、复杂链路和平台型产品经验。
南京掌赢信息科技
UX / UI 设计师
负责移动社交产品的用户流程、交互体验与视觉规范，形成系统化体验设计方法。
南京欧拉信息科技
网页游戏 UI 设计师
从主题化界面、图标与视觉表达出发，建立以用户感知为起点的设计基础。
MEDICAL AI PRODUCT / CASE STUDY
智能问诊产品全链路
以患者为中心、医生为锚点、合规为底线，把单点问答重构为可上线、可控风险、可持续迭代的医疗 AI 产品系统。
我负责的不是一个聊天界面，而是一套可上线、可治理的医疗AI产品机制
- 项目阶段
- 医疗机构试点项目
- 我的角色
- AI产品经理
- 主导范围
- 产品切入、端到端流程、指标体系、上线闭环
- 协作边界
- 与医生、算法、研发共同完成技术实现与效果校准
核心判断 没有优先选择更炫目的AI诊断，而是从预问诊与分诊切入，以更直接的业务价值、更可控的医疗风险，为医生端协同和后续AI能力建立结构化输入。
01 / DISCOVERY / PRODUCT STRATEGY
需求洞察与产品切入
从患者、医生、医院运营与信息科四类角色出发，识别表达不标准、信息不可复用和流程断点三类问题。- 用 KANO 完成优先级取舍
- 优先落地预问诊与分诊
02 / PATIENT JOURNEY / TRIAGE
患者端四步闭环
以真实就医路径串联预问诊、分诊、解释与就诊指引，让自然语言主诉成为后续流程可复用的结构化输入。- PQRST 框架，按 R→Q→S→T→P 动态追问
- ≥0.7 推荐 Top 3；0.5–0.7 谨慎确认；<0.5 转人工
03 / CLINICAL WORKFLOW / HUMAN-IN-THE-LOOP
医生端协同工作流
把患者侧信息直接接入医生工作流，以 SOAP 病历 AI 预填与医生确认兼顾效率、责任边界和临床可用性。- AI 预填 + 医生编辑/采纳
- 项目配置评分阈值 ≥0.60，最多展示 3 条
04 / MULTI-AGENT / RAG / GOVERNANCE
AI 架构与运营治理
方案采用多 Agent 编排、混合检索、RRF 融合、重排序与知识缺失回退建立证据链；具体优化动作需经过离线评测和小流量验证后再上线。- 知识库版本、审批与回滚
- 全链路埋点定位检索、生成与接口问题
COMPETITIVE REVIEW → 3 PRODUCT DECISIONS
从四类竞品走查到三项产品决策
使用同一组测试病例，逐轮记录问诊流程、科室推荐、响应速度、转人工机制和合规提示，不把竞品分析停留在功能清单对比。
多数预问诊仍是固定表单，缺少动态追问能力。
用结构化临床框架逐步追问，在信息完整度与患者耐心之间取得平衡。
低置信度分诊普遍缺少人工兜底，错误结果难以解释。
采用症状到科室映射、置信度分层和护士确认，兼顾自动化效率与医疗风险。
多数产品偏重患者端，采集的信息难以进入医生工作流。
将结构化主诉接入 SOAP 病历预填与 AI 建议审阅，减少医生重复询问和录入。
END-TO-END PRODUCT JOURNEY
从患者问诊到产品迭代的完整闭环
- 01服务入口与知情同意
进入医院小程序，完成敏感个人信息告知与单独同意，明确 AI 服务范围和使用边界
- 02结构化预问诊
围绕部位、性质、程度、时间和诱因逐步追问，最多 6 轮，异常情况转人工
- 03智能分诊判断
根据结构化主诉推荐 1–3 个候选科室，并计算项目评分
- 04科室确认与挂号
评分≥0.7推荐Top 3；0.5–0.7提示谨慎确认；低于0.5转护士人工判断
- 05到院就诊指引
结合 HIS 排队与院内位置生成动态路径；接口异常时切换为静态指引
- 06医生接诊与病历确认
医生查看主诉摘要，审核 SOAP 病历草稿与 AI 建议
- 07检查与用药解释
基于权威知识库和 RAG 进行解释；依据不足时转人工
- 08反馈监控与持续迭代
将医生采纳、人工介入、用户反馈与异常案例回流到监控、A/B 实验和产品优化
EVIDENCE-BASED AI FLOW
证据充分才生成医学解释，依据不足安全回退
- 01识别用户需求，分配对应 AI 模块
- 02Query 改写与医学术语标准化
- 03语义向量 + BM25 关键词混合检索（结合医学术语扩展）
- 04RRF 融合多路召回结果
- 05Cross-Encoder Rerank 精排
- 06证据质量联合判断（项目阈值 + 来源 / 完整性 / 一致性）
第 06 步联合判断结果
相关度达到项目校准阈值，且来源权威、内容完整、证据一致时，基于检索片段约束生成并保留来源。
证据不足、相互冲突或来源异常时，不生成医学结论，返回安全提示、保守模板或转人工处理。
DATA FOUNDATION
知识检索、产品优化与效果评测的数据基础
医疗文档经过清洗、术语归一与切片后，建立向量和关键词检索索引。
脱敏对话用于定位 Bad Case，并为 Prompt 优化、标注和 LoRA 数据准备提供样本。
独立评测集用于离线回归和上线验收，不与训练或优化样本混用。
数据来自医院文档离线导入、脱敏历史日志、线上埋点和医生共创样本；入库前完成隐私脱敏、术语归一、去重与筛噪，并将独立评测集与训练、优化样本严格隔离，避免数据污染。
SAFETY & RESPONSIBILITY
合规不只是一句免责声明，而是贯穿全流程的产品机制
- 隐私与知情同意
- 处理医疗健康信息前完成必要性告知与单独同意，并说明 AI 服务范围和使用边界。
- AI 能力边界
- AI 负责信息采集、解释和辅助建议，不替代医生诊断。
- 医生最终确认
- SOAP 病历和 AI 建议必须经过医生审核后才能使用。
- 风险兜底
- 低置信度、知识不足或接口异常时，停止生成、转人工或降级。
- 数据安全与审计
- 采用私有化部署、权限控制、操作日志、版本追踪和回滚机制。
AI PRODUCT ITERATION LOOP
从线上监控到验证发布的持续迭代闭环
- 01收集线上数据
通过全链路埋点记录用户入口、AI 模块分配、RAG 检索、回答生成、转人工和医生反馈。
- 02发现并定位问题
利用监控看板和阈值告警，按模型版本、科室、场景与时间下钻到异常会话。
- 03分析问题原因
结合会话与链路日志做根因分析，区分知识库、Query 改写、召回、Rerank、Prompt、模型或接口问题。
- 04选择优化方案
根据根因选择知识库更新、RAG 参数调整、阈值校准、Prompt 优化或 LoRA 微调。
- 05上线前全面验证
使用独立评测集进行离线回归，验证召回质量、回答效果、合规安全、响应时延和原有能力。
- 06小流量测试
通过小流量 A/B 实验对比人工介入率、满意度、分诊准确率、响应时间及潜在副作用。
- 07分阶段发布
实验通过后，按医院、科室、Agent 模块或流量比例进行灰度发布，逐步扩大范围。
- 08全量发布或回滚
结果显著且无明显副作用时全量上线；指标异常则立即回滚到上一稳定版本。
- 09持续监控下一轮
持续监控线上指标并沉淀新的 Bad Case，让反馈数据进入下一轮产品与模型优化。
问题归因后，不同问题选择不同优化动作
各优化动作须经离线评测与小流量验证，不代表全部固定上线补充缺失知识，修订过期内容并通过审核、版本和回滚管理。
优化 Query 改写、多路召回、RRF 融合、Rerank 与召回数量。
校准分诊置信度、知识缺失阈值与人工兜底范围。
优先修正任务边界、执行流程、输出结构和安全回退规则。
仅用于提示词难以解决的术语理解、重复高频错误和长尾泛化问题。
Prompt 优先原则边界、格式、流程与回退问题先通过版本化 Prompt 快速验证，无法解决的能力短板才进入模型调优。
LoRA 数据准备Bad Case 收集 → 脱敏 → 人工标注 → 去重筛噪 → 训练数据构建；按周评估是否进入增量训练，并通过样本回放与完整回归测试降低灾难性遗忘风险。
领域适配方案当通用模型的医疗语言和术语能力不足时，可采用领域继续预训练补足基础能力，不作为每轮线上迭代的固定动作。
工程协同多 Agent 编排通过标准化工具接口连接知识检索、HIS 查询和人工转接等能力，支持独立监控、灰度与故障隔离。
公司获得的不只是方案，而是可验证的AI产品结果
我能承担从业务判断、方案定义到跨团队交付和数据迭代的完整责任，让AI投入有目标、有边界、有验证
找准高价值 AI 场景
从业务目标、用户痛点和风险边界出发，判断 AI 最值得切入的环节，避免为了技术而做技术。
代表判断：优先预问诊与分诊，而非高风险的 AI 诊断把 AI 方案落到业务
把复杂需求转化为 Agent 工作流、RAG 检索、Prompt 策略和安全回退机制，让模型能力进入真实流程。
代表方案：患者端、医生端、运营端组成完整业务闭环推动复杂项目交付
连接客户、医生、研发、算法、设计与运营，把模糊需求拆成可验收方案，持续推进试点与上线验证。
协作边界：我定义产品机制与指标，与算法研发共同完成实现用数据持续创造结果
建立业务指标、质量监控和 Bad Case 回流机制，通过离线评测、小流量验证、灰度与回滚持续迭代。
代表结果：人工介入率 65% 降至 30%，响应时间 28 秒降至 12 秒