这是一个围绕 AI 搜索、保存与学习知识的学习产品。项目处于早期阶段，我主要关注从发现内容、保存、学习到复习的完整新用户路径。
Case 01 · AI 学习平台
Activation / First Value 研究
研究新用户第一次真正感受到价值发生在哪里，以及哪些摩擦阻止用户进入有效学习。
背景
我做了什么
- 梳理 Create / Discover → Save → Study → Review 路径
- 建立 friction / hypothesis backlog
- 完成探索性用户访谈与真实使用体验记录
- 与产品方确认关键事件定义
关键发现
- 用户可能先被 AI 检索与保存内容打动，之后才理解学习价值
- 内容到学习的衔接、首次有效学习定义与复习机制存在摩擦
- 一次 study action 目前只能视为候选 Activation，需要后续行为继续验证
Case 02 · 消费品牌
GEO 评测与优化
评估一个进入中国市场的消费品牌在 AI 搜索与推荐场景中的可见度，并找出影响被推荐的关键缺口。
背景
品牌已有一定品牌词认知，但在 AI 驱动的品类发现与消费决策场景里是否会被自然提及和推荐并不清楚，因此需要建立 baseline。
我做了什么
- 设计 Brand / Category / Occasion / Comparison query set
- 跨多个 AI 平台测试 Recognition / Organic Mention / Recommendation
- 对 non-brand 场景做 failure analysis
- 把问题收敛成可执行的优化优先级
关键判断
问题不是“AI 完全不知道品牌”，而是品牌尚未进入 AI 驱动的品类发现与消费决策候选集。
Case 03 · AI 求职工作流
从 JD 到投递的端到端自动化
把重复、低杠杆但需要高感知的求职动作，整理成一套人机协作的 AI workflow，并在真实申请中持续运行与迭代。
项目目标
减少重复劳动与上下文切换，更系统地管理机会与申请材料，同时在关键节点保留人工判断与控制。
设计原则
- 模块化拆分：JD → Job Facts → Resume Reuse → Preflight → Submission → Writeback
- 质量控制：提交前自动检查潜在问题
- 人工在环：敏感信息与最终提交由人工确认
价值与成果
- 把复杂求职动作沉淀成可复用 workflow
- 统一记录申请状态，便于后续跟踪与复盘
- 把精力更多留给高价值机会与准备工作