Sylvia Zhong AI 平台产品经理 · Agent 编排与 AI 开发工具链

脑电研究数据散落在论文、公开数据集与实验室原始文件里，格式不统一、标签缺失。研究人员要花大量时间做「把数据洗干净」这种没有产出的工作。

把这条链路拆成 6 个职责单一的 Agent：论文爬取、数据标准化、标签抽取、模型 Benchmark、证据汇聚、决策输出。每个 Agent 只做一件事，通过明确的输入输出契约串成流水线，并做成可检索的数据发现界面。

单 Agent 一把梭会失败——任务太杂、报错无法定位、产物不可复用。拆细 + 定契约是唯一能让链路可维护的做法。这也正是 Agent 编排类产品的核心设计难点：边界怎么切、失败怎么回滚、中间产物怎么被下一个环节消费。

平台已上线并开源。配套 NeuroViz 前端把 EEG 频段与状态可视化，让「数据是否可用」这件事在界面上可判断，而不是等模型训练完才知道。

BrainDataOS 里的标签抽取能力原本只是一条命令行脚本——只有我自己能用。要验证「平台产品」这件事，光有内部能力不够，得让外部开发者能接进来。

把 Agent 的规则引擎抽成 HTTP 接口，补齐一个开放平台该有的全部外围：密钥签发 / 轮换 / 吊销、月度配额与分钟级限流、统一错误码与 request_id、OpenAPI 机器可读描述，以及一个能当场跑通的控制台。零依赖 Node 实现，systemd 常驻，挂在自有域名与证书下。

三处判断决定了这个产品能不能立住：密钥只存 SHA-256 摘要（明文落库＝一次泄露即批量盗用）；配额与限流拆成两套阈值（配额防长期占用，限流防瞬时打爆）；响应里带回 confidence 与 alternatives（一段描述常同时含多个范式，假装 100% 准确比承认不确定更危险）。

线上可访问，任何人可当场签发密钥、调通第一个请求、看到配额实时扣减。23 条规则、三类标注粒度（trial / epoch / subject）全部可通过 /v1/rules 审计。

通用大模型回答「像 AI」，不像一个具体的人。要让 16 种人格各自成立——同一句话由不同人格说出来，语气、价值判断、决策倾向都应该不同——靠一条系统提示词是做不到的。

本地部署 1.5B 级开源小模型（GGUF 4-bit 量化、32K 上下文、支持工具调用），在其上训练 16 型人格的交互层：为每种人格定义稳定的语言风格、价值倾向与反应模式，并设计多轮对话中的记忆写入与召回规则。

最难的不是「像」，是持续像。对话轮次一多，人格会被上下文稀释、被用户带跑。所以真正的工作量在上下文管理——哪些进记忆、哪些只留在当前轮、什么时候该重申人格锚点。这和小参数模型的能力边界也是强相关的：能力不够时，人格反而更容易崩。

可在本地离线运行，16 种人格在同一基座上保持可区分的行为差异，多轮对话中人格漂移可控。全程无外部 API 依赖，数据不出本机。

求职者不会写简历——经历描述口语化、缺少岗位关键词、排版杂乱，在 ATS 筛选阶段就被过滤。市面工具大多要求用户先学会「怎么提问」。

把「写简历」重构成三步：大白话填经历 → 按目标职位改写润色 → 一键导出 A4 PDF。用户不需要写提示词，结构约束和关键词匹配全部由产品在背后完成。

LLM 输出不稳定，直接生成会跑偏、每次结果都不一样。用结构化字段回填 + 职位关键词约束把自由度收窄，让输出可预期、可编辑。AI 产品的体验好坏，往往取决于你把「不确定」藏得多好。

已上线，30 秒免费体检 + PDF 即投即用，形成完整可用闭环。

文创 / 潮玩品牌的线上阵地割裂：官网、内容触点、用户互动各做各的，无法形成品牌记忆，也看不到投入产出。

搭一套矩阵：品牌官网承载产品线与叙事，塔罗小屋做轻互动拉新，配合电商与社媒承接转化；同时建立抖音 / 天猫的月度 GMV 与内容表现追踪。

小团队没有设计资源——用统一视觉语言 + 组件化页面，让多个站点既一致又能快速上线。数据这块的难点是口径：先定清楚看什么指标、怎么归因，再谈优化，否则看板只会变成装饰。

官网 + 互动应用双站上线，运营数据按月复盘，指导内容与选品方向。