关于

把模糊的需求,变成能跑、能验证的东西。

我是施祖粤(Zoey),广州理工学院数据科学与大数据技术专业 2026 届毕业生。 从爬虫和数据分析起步,做过真正上线的人资 Q&A 智能体, 也自己搭过 AIGC 素材流水线与三条科普短片。

1 个实习上线的智能体
42/42回归评测通过
12 张质检全部通过
333 页静态化上线

我最擅长的那件事:把「没人说得清」变成「有数字」

这不是一句口号,是三次具体的经历。

第一次是在人资智能体上。 上线之前,没人能说清这个智能体「答得怎么样」。 于是我做了两件事:先把问题本身排序——按「高频刚需 > 流程复杂 > 补充疑问」 排出一份覆盖入转调离四大模块的需求清单;再对智能体做单轮和多轮对话测试, 逐条对照知识库去查这个回答是有依据的,还是它自己编的。 后来遇到一次差旅报销答错,我查运行日志确认检索其实是命中的, 问题出在模型输出侧——这个区分决定了该改哪一层。

第二次是在自己的项目里。 实习结束后我用公开的劳动法文本独立复刻了一版,补上了当时最想补的东西: 42 条回归评测集。每次改动全量重跑,效果好不好不再靠感觉。 后来做 AIGC 素材流水线时,同一个思路又被用了一次—— 给生成的商品图建 SSIM / 色差 / 亮度漂移三项质检与判废阈值, 让「这批图能不能用」变成一个可以复跑的数字。

第三次是在做视频的时候。 一条知识短片要经过调研、写稿、分镜、渲染、配音、混音、验收七道工序, 每一道都能出错。我把「先看拼图找毛病、再决定要不要重渲」固定成了必经环节, 也学会了另一件事:该停手时停手—— 有些问题是设计使然,把它写进「已知保留项」比反复重渲更诚实。

数据底子给我的是什么

我的专业是数据科学与大数据技术。它带来的好处很具体: 我能直接读懂模型输出、评测结果和数据报表,不用等人翻译; 写埋点和数据看板时也不用完全依赖他人; 遇到一个「感觉不对」的数字,我知道从哪一层开始查。

技能

按三个方向分开看。

AI 产品 / Agent

需求调研与分层 · PRD 与高保真原型 · Dify 智能体搭建 · RAG 知识库(切分 / 标签 / 同步)· Prompt 编写与 AI 测试 · 评测集设计

AIGC 生成

ComfyUI(图生图 / inpaint / latent mask)· RMBG 抠图 · SSIM / ΔE 量化质检 · Remotion · hypit · ffmpeg · 剪映

数据

SQL · Pandas · Power BI · Tableau · Excel 函数与数据透视表 · Matplotlib / Seaborn · Python 爬虫 · Spark / Scala(基础)