许必麟

需求定义：作为项目唯一产品角色，梳理制课老师在粗剪、校稿、课件处理、配音合成与成片质检中的高耗时环节，推动方案从单点粗剪工具升级为完整 AI 制课 Workflow，并输出需求文档与流程图。

AI 介入点设计：将制课链路拆解为字幕提取、文本纠错、旁白生成、语音克隆、课件处理、视频合成和人工质检等环节，明确自动化边界、人工确认节点与验收重点，将一线业务需求转化为可落地的 AI 产品方案。

多节点 Agent Workflow：协同 2 名技术同学，将制课流程拆解为 ASR、LLM、TTS、PDF/OCR、FFmpeg 等模块，定义节点输入输出、执行顺序、依赖关系与异常处理路径。

人工校验机制设计：设计文本审核、音频试听、中间产物预览、节点重跑与回滚机制，降低前序错误传递风险，提升长链路 Workflow 的可见性、可修改性与失败恢复能力。

Demo / MVP 验证：借助 Codex、Claude Code 快速迭代 Mermaid 流程图与前端原型，负责内部网页 Demo 的产品验收与体验反馈，协同技术同学跑通从原始视频、PDF 课件到课程成片的完整链路并产出多节视频；单节课制作时间由约 1–2 小时压缩至 30–45 分钟，人工工作重心转为内容与成片质检。

TTS 轻量 Eval：基于不同参考音频和文本长度设计测试组合，对比声音相似度、自然停顿、长文本稳定性、生成成本和后期修正成本，记录停顿异常、节奏不稳定等典型 Badcase，为模型方案选择、人工确认节点和后续流程优化提供产品侧依据。

场景拆解与规则体系构建：独立拆解品牌营销文案审核流程，将规则查阅、风险判定、依据溯源与整改建议转化为 Agent 任务，并定义平台红线、产品事实、品牌话术 3 类规则体系。

Agent 执行链路与多知识库 RAG：基于 Coze 搭建合规审核 Agent MVP，设计"文案输入、3 类知识库检索、规则分层、风险判定、结构化输出"的执行链路，生成违规片段、规则来源与 ID、风险等级及修改建议。

Prompt 可控性迭代：通过多轮 Prompt Engineering 补充无命中兜底、处罚规则与营销建议隔离、强制输出模块，提升审核依据可追溯性和输出结构稳定性。

评测集与 LLM-as-Judge：构建 5 类场景多条数据集的 MVP 分层评测集并人工编写参考答案，覆盖完全合规、单类违规和混合违规；在扣子罗盘配置自定义 LLM-as-Judge 评估器与 Rubric，将漏判、幻觉、来源错配、事实错误和输出缺失纳入评分，运行 V0 离线评测并沉淀重点 Badcase。

Badcase 分析：结合 Judge 评分、人工标注与 Trace 记录定位 RAG 误召回、规则混淆和输出缺失问题；针对营销话术库误召回，将匹配阈值由 0.5 调至 0.8、最大召回数由 3 调至 1，并补充分层 Prompt 约束。

Agent 场景定义：基于现有时间管理、日历与日记数据，规划个人时间管理 Agent，聚焦用户在目标规划、任务拆解、时间安排、执行追踪与复盘沉淀中的连续性问题。

长期上下文：将多年日记、日程记录、标签体系与历史复盘整合为长期个人上下文，拆解"理解用户状态 → 理解目标 → 拆解任务 → 安排时间 → 跟踪执行 → 生成复盘"的核心用户路径。

多节点 Agent Workflow：设计个人时间管理 Agent 工作流，覆盖长期记忆检索、意图识别、目标澄清、任务拆解、优先级判断、日历时间块生成、执行状态追踪、每日/每周复盘等节点，明确各节点输入输出与异常兜底。

Agent Eval：建立 Agent 评估框架，围绕任务拆解合理性、日历安排可执行性、上下文引用准确性、复盘质量、人工修改率与 Badcase 类型进行测试和迭代。

Agent MVP：在原日历产品基础上推进 Agent 化升级，打通"聊天输入 → 上下文检索 → 任务拆解 → 日历创建 → 执行追踪 → 复盘沉淀"的核心 MVP 链路。

产品交付物：输出 PRD、原型、Workflow、Prompt、工具调用设计、Eval 指标与验收标准，形成完整 AI Agent 产品交付闭环。