独立把 AI 产品从零做到上线。

背景 · 用户问题

网文动辄数百万字，读者追更数月后，早期伏笔与人物关系在记忆中早已断裂；作者写到上百章也容易忘掉自己埋过的伏笔。三个具体痛点：人物关系复杂、前文遗忘、伏笔难追踪——本质都是长文本上下文人脑记不住。

用户与场景

重度网文读者（追更数月）+ 网文作者（创作连载）。场景都在「读 / 写长文本时随时需要调取记忆」，而翻找原文的成本极高。

产品目标

在数百万字里，让读者与作者「一秒回忆起」人物是谁、伏笔埋在哪——把「人脑记不住」这件事交给产品解决。

核心方案 · 结构化记忆

不是把整本书塞给模型，而是分层压缩成可检索的结构化记忆，逐层解决长文本上下文有限、成本高、信息丢失三个问题：

伏笔雷达在此基础上做跨章呼应识别；需要原文时按需回看，规避检索漂移。

AI 能力设计

用大模型做语义抽取与结构化（而非规则）：人物、关系、伏笔、事件各落结构化字段；结构化输出图 / 表让结果可读、可核对；渐进式加载（摘要先出、详情后出、两调用并行）压低等待与成本。

验证 · 上线

真实上线 jianla.xyz（ICP 备案 + 公安备案）；Chrome / Edge 双商店上架（权限收窄过审）；多渠道分发（Chrome / Edge / 免梯 zip / Greasy Fork / 官网直链）；真实用户反馈驱动的 20+ 次迭代。

迭代与复盘

番茄反爬 → 加防御性重试与兜底；AI 内容可信度风险 → 加免责声明；网络不稳定 → 状态可恢复。学会的是「上线 → 反馈 → 调整」的闭环，而不是一次做完。

背景 · 用户问题

求职者缺练习机会，练完更缺专业反馈——没人告诉他哪句答得不好、下一步该追问什么。

用户与场景

求职者（尤其 AI / 技术岗），在正式面试前需要低成本的模拟与复盘。

产品目标

把面试拆成可自动化的流程，让用户走完一遍完整闭环：

核心方案

4 个 Agent 分工：Resume 解析简历、Interview 按 5 阶段提问并自动追问、Eval 实时评分、Report 生成报告。

AI 能力设计 · 为什么需要 Agent

面试是天然多步骤任务，单 Agent 一次做完会顾此失彼。拆成 4 个 Agent 各司其职：State 存当前进度与候选人画像，Memory（SharedMemory + MessageBus）让各 Agent 共享上下文不割裂；追问有次数上限、评分有结构化规则，避免 Agent 无限循环或凭空打分。

验证

可运行（原型级），真实跑通完整面试流程，流式交互返回。

迭代与复盘

单 Agent → 多 Agent 的取舍：可控性与可维护性提升，但复杂度与成本上升——多 Agent 不是越多越好，够用为止。

背景 · 用户问题

市面 RAG 产品多是「套壳聊天」——回答不可信、不可评估、不可运营。

用户与场景

需要「可信知识检索」的开发者 / 企业（工程化展示项目，用来证明我理解检索与评估）。

产品目标

让 RAG 不是黑盒：答案能追溯来源，质量有量化红线，入库可运营。

核心方案 · 三路混合检索

每一步都对应一个检索问题：向量检索懂语义但抓不准精确关键词 → 加 BM25 管精确关键词 → 挂知识图谱管关联推理 → RRF 融合 + Reranker 重排。

效果评估 · 怎么证明变好了

用 Golden Eval 质量门禁守住这些量化红线，而不是靠「感觉变好了」。

验证

可运行（工程化展示），内置 Demo Pack + 验收命令。

迭代与复盘

从「做能聊天的 RAG」到「做可信可评估的 RAG」——把工程能力翻译成产品价值。