从0拆解，向1前行
前行的实践者
跋山涉水，步履不停；山高水长，映照初心。
很高兴你来了，感谢你的时间
n8n + 邮件通知 · 2025.08
Coze 国内版 + 飞书多维表格 + 豆包模型 · 2026.03
Playwright + DeepSeek API + Python + 飞书 Webhook · 2026.09
Python + Playwright · 数据分析 · 2026.09
ChatGPT + Midjourney / SD + Blender · 2026.10
熟练调用主流大模型API，能独立搭建自动化工作流，处理变量传递与异常，提效增速。
从数据抓取、清洗到输出报告。通过价格带与用户痛点分析，提炼可落地的选品与产品策略。
把想法拆为流程图与验收标准。借助低代码快速做出可验证MVP，并沉淀为可复用SOP文档。
擅长倾听拆解真实痛点，能在无监督环境持续推进项目，对数据实事求是。
人工巡检库存容易遗漏，可能导致缺货或积压，影响补货决策。
每周节省 2 小时人工巡检时间，避免因缺货导致的订单损失风险。模拟测试 10 次随机缺货或积压场景，均能正常发送告警。
规则 + AI 混合更稳。预留 Claude API 节点，未来可替换。
外贸公司客服常见问题包括产品参数、物流查询、售后流程等。人工客服重复回答多，复杂问题转人工时还要反复确认信息，沟通成本高。目标是做一个 AI 客服助手：基于 FAQ 自动回答常见问题，遇到投诉、退货、转人工等复杂场景时，自动收集信息、创建工单并转人工。
实现 FAQ 自动问答、中英文切换、关键词 / 连续未解决转人工。用户说“投诉”“退货”“退款”“人工”时，自动进入工单收集流程。工单信息自动写入飞书多维表格，包含工单编号、订单号、产品型号、问题描述、状态等。
低代码平台虽然快，但存在黑盒限制，产品 / 自动化岗位要具备“绕行思维”。提示词要边界清晰，避免 AI 过度思考。
亚马逊运营需要每日了解竞品口碑变化，但手动翻阅评论耗时且无法量化趋势。目标是做一个能自动抓取评论、分析情感与主题、生成日报并推送到飞书的工具。
每天自动分析 8 个 ASIN、约 320 条评论，生成日报并推送飞书。周报自动汇总品类趋势、差评集中点、黑马产品候选。
规则兜底 + AI 精排的混合模式更稳。要关注执行落地侧，能推送到飞书、能被人看懂、能指导行动，才算真正落地。
基于 BSR 榜单数据的独立市场分析，覆盖价格带、Review 门槛、竞争格局。
家具收纳是亚马逊家居类目里需求稳定、复购与场景延展性强的赛道。报告要回答三个问题：这个类目还有没有新品牌空间？应该从哪个价格带切入？新品要跨过哪些看不见的门槛？
$10–20 区间占 47.7% 销量却只贡献 32.2% 销售额；$20–30 区间平均评分最高（4.69）、评论中位数最低（9,345），被推荐为切入价格带。品牌 Top3 集中度 41.5%、Top10 68.6%，而单品 Top10 达 50.0%，说明品牌壁垒弱、单品壁垒强。BSR 26–50 名评论区间下限仅 3,451 条，是唯一的差异化缺口。
数据结论必须落到可执行的价格带与产品定义上：不是更便宜，而是在 $20–30 里把某个细分场景做得明显更好。
帮助产品团队在不开模、不打样的情况下，极速验证物理结构（如磁吸、尺寸、公差）的可行性，极大降低试错成本。
内腔 84 × 38 × 21.5 mm，外廓 94 × 42 × 31.5 mm；四面均布 φ6.3 × 3.2 mm 磁铁孔，配合 6 × 3 mm 钕磁铁；2.5 mm 透明面板，底部 L 型卡舌 + 顶部磁吸开合；底部 R8 半圆指缝，方便拿取。
第一版在验证时发现“磁吸间距过紧”，导致抽拉手感干涩；第二版中调整了公差尺寸，在保留磁吸定位的同时恢复顺滑手感，成功跑通结构逻辑。
概念验证阶段先验证结构，再谈外观。AI 负责发散、提炼参数，Blender 负责把想法变成可量化、可检查的物理模型。
