Dawn
ai产品经理
曼孚科技 · 5年经验
日薪：
￥500/8h
地点：
苏州
时间：
可工作日驻场（自由职业原因）
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
AI 产品经理不必会写代码，但要能听懂模型层到应用层的取舍：懂大模型选型、数据与知识库治理、检索增强（RAG）和 Agent 工作流编排，能画出「入口—检索—生成—校验—回写」这条链路并指出每一环的失败点。他最擅长解决规则写不完的模糊判断、非结构化资料用不起来、重复但需理解的审核录入，以及买了模型却落不了地的场景；靠评测集和兜底方案把 Demo 变成能上线的产品，而不是堆技术。
项目经验
项目一 合同风险初审助手
背景是法务每月要看六千多份供应商合同，平均每份四十分钟，人手不够只能抽查，漏看一条付款条款就可能多付几十万。做法分三步：先把三万多份历史合同、法务评审意见和公司制度清洗切分，做成可检索的知识库，让模型先出风险点初稿；再用固定规则校验金额、期限、付款节点这些硬字段，模型只负责读语义、不碰数字；最后加一道校验，置信度低的条款自动转人工，并保留原文定位方便复核。架构上是“上传—解析—检索—生成—校验—回写 OA”的链路，知识库由法务每周增量维护，上线前用两百条标注样本逐版评测，把漏检率压到百分之五以下。
最大的难点不是模型，是法务不信任：第一版只做“只提示、不拦截”的副驾驶模式，跑了两个月看采纳率，等他们真的开始依赖才敢进审批流。结果单份初审从四十分钟降到八分钟，抽查变成全检，法务把省下的时间挪到谈判上；每份成本约几分钱。这个项目最能说明 AI 产品经理的价值：他砍掉了模型算数字的部分，也设计好了“错了谁接”，才让一个会胡说的实习生真正进了生产流程。
项目二 售后工单智能分派与答复建议
背景是售后每天进三千多张工单，靠人工读描述再判归属，长尾写法五花八门，一次分派准确率只有七成二，错分后要转两次，客户等得骂人。做法是让模型先做意图识别和字段抽取（产品型号、故障现象、购买渠道、是否在保），再接进原有工单系统出归属建议；同时把历史处理记录做成知识库，给客服推三条答复草稿。关键是只给建议、不直接派单，客服一键采纳或改判，改判结果回流成新样本，每月重训一次分类。架构是“工单进入—抽取—检索相似历史单—建议归属与话术—人工确认—结果回流”，模型不直接操作业务系统，避免它乱改状态。
坑在冷启动：新品类没有历史单，模型只会往大类里塞，先用规则兜住上市三个月内的新机型，样本够了再交给模型。成本上每张工单约三分钱，比一次错分浪费的客服工时便宜得多。上线三个月，一次分派准确率从七成二提到九成一，平均转派次数从一点八降到零点四，人均日处理量翻倍，二期把草稿接进企业微信后采纳率从四成升到六成五。这个项目的取舍很典型：不追求全自动，把模型放在“提建议”的位置，用人的一次点击换掉零容错风险，反而落地更快。
背景是法务每月要看六千多份供应商合同，平均每份四十分钟，人手不够只能抽查，漏看一条付款条款就可能多付几十万。做法分三步：先把三万多份历史合同、法务评审意见和公司制度清洗切分，做成可检索的知识库，让模型先出风险点初稿；再用固定规则校验金额、期限、付款节点这些硬字段，模型只负责读语义、不碰数字；最后加一道校验，置信度低的条款自动转人工，并保留原文定位方便复核。架构上是“上传—解析—检索—生成—校验—回写 OA”的链路，知识库由法务每周增量维护，上线前用两百条标注样本逐版评测，把漏检率压到百分之五以下。
最大的难点不是模型，是法务不信任：第一版只做“只提示、不拦截”的副驾驶模式，跑了两个月看采纳率，等他们真的开始依赖才敢进审批流。结果单份初审从四十分钟降到八分钟，抽查变成全检，法务把省下的时间挪到谈判上；每份成本约几分钱。这个项目最能说明 AI 产品经理的价值：他砍掉了模型算数字的部分，也设计好了“错了谁接”，才让一个会胡说的实习生真正进了生产流程。
项目二 售后工单智能分派与答复建议
背景是售后每天进三千多张工单，靠人工读描述再判归属，长尾写法五花八门，一次分派准确率只有七成二，错分后要转两次，客户等得骂人。做法是让模型先做意图识别和字段抽取（产品型号、故障现象、购买渠道、是否在保），再接进原有工单系统出归属建议；同时把历史处理记录做成知识库，给客服推三条答复草稿。关键是只给建议、不直接派单，客服一键采纳或改判，改判结果回流成新样本，每月重训一次分类。架构是“工单进入—抽取—检索相似历史单—建议归属与话术—人工确认—结果回流”，模型不直接操作业务系统，避免它乱改状态。
坑在冷启动：新品类没有历史单，模型只会往大类里塞，先用规则兜住上市三个月内的新机型，样本够了再交给模型。成本上每张工单约三分钱，比一次错分浪费的客服工时便宜得多。上线三个月，一次分派准确率从七成二提到九成一，平均转派次数从一点八降到零点四，人均日处理量翻倍，二期把草稿接进企业微信后采纳率从四成升到六成五。这个项目的取舍很典型：不追求全自动，把模型放在“提建议”的位置，用人的一次点击换掉零容错风险，反而落地更快。
ID:441118
复制
Dawn
ai产品经理 · 5年经验 · 曼孚科技
0
累计接单
0
用户评价
0
被收藏
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
AI 产品经理不必会写代码，但要能听懂模型层到应用层的取舍：懂大模型选型、数据与知识库治理、检索增强（RAG）和 Agent 工作流编排，能画出「入口—检索—生成—校验—回写」这条链路并指出每一环的失败点。他最擅长解决规则写不完的模糊判断、非结构化资料用不起来、重复但需理解的审核录入，以及买了模型却落不了地的场景；靠评测集和兜底方案把 Demo 变成能上线的产品，而不是堆技术。
项目经验
项目一 合同风险初审助手
背景是法务每月要看六千多份供应商合同，平均每份四十分钟，人手不够只能抽查，漏看一条付款条款就可能多付几十万。做法分三步：先把三万多份历史合同、法务评审意见和公司制度清洗切分，做成可检索的知识库，让模型先出风险点初稿；再用固定规则校验金额、期限、付款节点这些硬字段，模型只负责读语义、不碰数字；最后加一道校验，置信度低的条款自动转人工，并保留原文定位方便复核。架构上是“上传—解析—检索—生成—校验—回写 OA”的链路，知识库由法务每周增量维护，上线前用两百条标注样本逐版评测，把漏检率压到百分之五以下。
最大的难点不是模型，是法务不信任：第一版只做“只提示、不拦截”的副驾驶模式，跑了两个月看采纳率，等他们真的开始依赖才敢进审批流。结果单份初审从四十分钟降到八分钟，抽查变成全检，法务把省下的时间挪到谈判上；每份成本约几分钱。这个项目最能说明 AI 产品经理的价值：他砍掉了模型算数字的部分，也设计好了“错了谁接”，才让一个会胡说的实习生真正进了生产流程。
项目二 售后工单智能分派与答复建议
背景是售后每天进三千多张工单，靠人工读描述再判归属，长尾写法五花八门，一次分派准确率只有七成二，错分后要转两次，客户等得骂人。做法是让模型先做意图识别和字段抽取（产品型号、故障现象、购买渠道、是否在保），再接进原有工单系统出归属建议；同时把历史处理记录做成知识库，给客服推三条答复草稿。关键是只给建议、不直接派单，客服一键采纳或改判，改判结果回流成新样本，每月重训一次分类。架构是“工单进入—抽取—检索相似历史单—建议归属与话术—人工确认—结果回流”，模型不直接操作业务系统，避免它乱改状态。
坑在冷启动：新品类没有历史单，模型只会往大类里塞，先用规则兜住上市三个月内的新机型，样本够了再交给模型。成本上每张工单约三分钱，比一次错分浪费的客服工时便宜得多。上线三个月，一次分派准确率从七成二提到九成一，平均转派次数从一点八降到零点四，人均日处理量翻倍，二期把草稿接进企业微信后采纳率从四成升到六成五。这个项目的取舍很典型：不追求全自动，把模型放在“提建议”的位置，用人的一次点击换掉零容错风险，反而落地更快。
背景是法务每月要看六千多份供应商合同，平均每份四十分钟，人手不够只能抽查，漏看一条付款条款就可能多付几十万。做法分三步：先把三万多份历史合同、法务评审意见和公司制度清洗切分，做成可检索的知识库，让模型先出风险点初稿；再用固定规则校验金额、期限、付款节点这些硬字段，模型只负责读语义、不碰数字；最后加一道校验，置信度低的条款自动转人工，并保留原文定位方便复核。架构上是“上传—解析—检索—生成—校验—回写 OA”的链路，知识库由法务每周增量维护，上线前用两百条标注样本逐版评测，把漏检率压到百分之五以下。
最大的难点不是模型，是法务不信任：第一版只做“只提示、不拦截”的副驾驶模式，跑了两个月看采纳率，等他们真的开始依赖才敢进审批流。结果单份初审从四十分钟降到八分钟，抽查变成全检，法务把省下的时间挪到谈判上；每份成本约几分钱。这个项目最能说明 AI 产品经理的价值：他砍掉了模型算数字的部分，也设计好了“错了谁接”，才让一个会胡说的实习生真正进了生产流程。
项目二 售后工单智能分派与答复建议
背景是售后每天进三千多张工单，靠人工读描述再判归属，长尾写法五花八门，一次分派准确率只有七成二，错分后要转两次，客户等得骂人。做法是让模型先做意图识别和字段抽取（产品型号、故障现象、购买渠道、是否在保），再接进原有工单系统出归属建议；同时把历史处理记录做成知识库，给客服推三条答复草稿。关键是只给建议、不直接派单，客服一键采纳或改判，改判结果回流成新样本，每月重训一次分类。架构是“工单进入—抽取—检索相似历史单—建议归属与话术—人工确认—结果回流”，模型不直接操作业务系统，避免它乱改状态。
坑在冷启动：新品类没有历史单，模型只会往大类里塞，先用规则兜住上市三个月内的新机型，样本够了再交给模型。成本上每张工单约三分钱，比一次错分浪费的客服工时便宜得多。上线三个月，一次分派准确率从七成二提到九成一，平均转派次数从一点八降到零点四，人均日处理量翻倍，二期把草稿接进企业微信后采纳率从四成升到六成五。这个项目的取舍很典型：不追求全自动，把模型放在“提建议”的位置，用人的一次点击换掉零容错风险，反而落地更快。
立即沟通
