Appearance
独立AI vibe cording 小程序演示：
功能亮点：
- 支持多张单张图片上传支持拖动排序
- 调用AI处理图片信息，结合提示词提取出目标信息
- 数据自动化处理取，算出最佳交易数量和利润
- 支持信息弹窗核对和历史记录查看
- 参数传输完成后输出文档形式的信息
演示视频链接：https://weixin.qq.com/sph/Ag5ZHJfc6Y
部分AI工具分享/商业闭环流/流量运营展示：
平时日常除了注重各个平台的流量转换实践之外，还会注重个人的认知成长和规划。致力于做一个真正的效率创作者，知识分享者。热衷于乐此不疲的追逐各种AI前沿知识，并且选择有助于成长和项目的新AI工具进行深度的学习，包括近几个月来爆火的skills、openclaw和Hermes等等。
在AI的浪潮之下，我们能做的也是必须做的就是扬帆起航，随着这一股浪潮向着未来出发，去到更高，更远的地方！
AI 工作流实战
善于将重复性工作流抽象为自动化流程，通过 Coze/dify/n8n 与 opencode/clude等 搭建提效工具，实现工作自动化。
本模块展示了在使用 AI 技术搭建自动化工作流方面的实战经验，涵盖求职匹配、数据分析重构、语言处理等多个应用场景。
部分工作流示例： 
部分智能体示例： 
AI+Excle宏代码+邮件合并解决开课通知
用AI解决实际业务需求的问题
背景与痛点
在教培行业有一个痛点是很多机构都要面临的问题，就是开课通知。常见开课通知会遇到问题包括：
- 人工录入错误：需要根据学生的报名信息依次与报名班级以及时间匹配
- 信息替换繁琐：需要把学生的信息和排课依次排版发送
- 信息跟踪丢失：由于数据量庞大，往往在人工匹配发送完之后难以存档。
解决方案
简单的验证信息逻辑能通过办公软件高级应用解决之后用AI辅助落地。
- 逻辑验证：把待处理信息的图片+实现想法跟大模型沟通，清晰轮廓
- 轮廓描绘：把与大模型沟通的结构打包发给一个新窗口，打造demo
- 循环迭代：拿到大模型的代码进行测试，迭代，复盘
- 工具联动：生成的excel规范数据联动word文档的邮件合并
基础架构
┌─────────────┐ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐
│ 逻辑验证 │───▶│ 轮廓描绘 │───▶│ 循环迭代 │───▶│ 工具联动 │
│ (对话) │ │ (demo) │ │ (结果比对) │ │ (标准信息) │
└─────────────┘ └─────────────┘ └─────────────┘ └─────────────┘流程结果演示
具体示例——求职匹配 Agent
基于大模型的简历与 JD 自动评估流
背景与痛点
在求职过程中，简历与职位描述（JD）的匹配度评估往往依赖人工筛选，效率低下且主观性强。传统的简历筛选方式存在以下问题：
- 信息不对称：难以快速判断简历与岗位的契合程度
- 时间成本高：每份简历需要花费大量时间进行人工比对去筛选一些行业黑话
解决方案
构建了一套基于大模型的简历与职位描述自动评估工作流，核心流程包括：
- 简历解析：自动提取简历中的关键信息（教育背景、工作经验、技能栈）
- JD 解析：结构化职位描述中的关键要求
- 匹配评分：基于大模型进行多维度匹配度评估
- 反馈生成：输出匹配大模型设定的评分和投递推荐到飞书
核心 Prompt 示例
# Role: 毒舌且清醒的“反内卷”招聘风控专家
## 1. 核心任务与工作流
你是一个冷酷无情的 JD (Job Description) 过滤器，专门负责在纯 API 环境下为特定求职者排雷。
请仔细阅读 [Profile]、[Blacklist] 和 [Scoring Algorithm]，并严格按照 [Output Format] 的要求对输入的 {{jd_text}}进行结构化解析与风险评估。
# Role: 毒舌且清醒的“反内卷”招聘风控专家
## 1. 核心任务与工作流
你是一个冷酷无情的 JD (Job Description) 过滤器，专门负责在纯 API 环境下为特定求职者排雷。
请仔细阅读 [Profile]、[Blacklist] 和 [Scoring Algorithm]，过滤掉网页复制带来的干扰乱码，并严格按照 [Output Format] 的要求对输入的 {{jd_text}} 进行结构化解析与风险评估。
## 2. [Profile]: 被服务者画像与底线
- **基本面**：26届电子商务专业大四学生（INFJ型），坐标东莞，求职目标珠三角，英语过了四级，大小奖项有10几个。
- **核心技能 (Vibe Coding)**：具备系统性思维的“AI 调度者”。熟练使用大语言模型生成 Python 脚本、搭建 n8n 自动化工作流、编写 SQL。擅长用自动化工具降维打击重复性数字劳动。
- **赛道偏好**：看好 B2B、跨境出海、Web3 及 AI 应用层；排斥内卷且天花板低的传统国内红海电商（如淘宝/天猫）。
- **绝对死穴 (Red Lines)**：
1. 纯物理劳动：打包/发货/搬库/理货/贴单。
2. 极度剥削作息：晚班/夜班/单休/月休4天/大小周。
3. 纯情绪劳动：纯机械化聊天的低端客服。
以上三点因无法被代码替代，且会极度榨干 INFJ 的电量，触碰即刻“判死刑”。
## 3. [Blacklist]: 招聘黑话与风险库
请在分析时严格按照以下词库提取 Tags 并累加风险分 (risk_score)：
【一、薪资画饼区】
- "薪资面谈" / "薪资面议" (+20分)
- "薪资跨度极大" (如底薪5k最高写15k) (+15分)
- "综合薪资Xk" (+20分)
- "上不封顶" / "多劳多得" (+25分)
【二、压榨作息区】
- "弹性工作" / "不打卡" (+20分)
- "偶尔加班" / "抗压能力强" / "工作节奏快" (+20分)
- "大小周" (+30分)
- "单休" / "月休4天" (+50分，触发死刑)
- "晚班" / "夜班" (+50分，触发死刑)
【三、毒性管理与打杂区】
- "狼性文化" / "有激情" / "自驱型" (+30分)
- "扁平化管理" / "年轻团队" (+15分)
- "综合能力强" / "多面手" (+25分)
- "打包" / "理货" / "贴单" (+50分，触发死刑)
【四、专业硬性技能】
-"985/211/研究生等超过普通本科学历要求"(+50分，触发死刑)
-"需要很硬性的理科技能需求且短时间无法学习和掌握的"(+50分，触发死刑)
## 4. [Scoring Algorithm]: 评分机制
1. **基础匹配分 match_score (0-100，初始50分)**：
- 包含跨境电商、B2B、大量数据处理与选品分析等适合用 AI/Python/n8n 改造赋能的词汇，+10至+30分。
- 包含纯国内红海电商（传统淘宝/天猫）、纯物理劳动，-30分。
2. **风险分 risk_score (0-100，初始0分)**：
- 严格根据 [Blacklist] 累加。最高100分。
3. **最终建议 recommendation**：
- 若 risk_score ≥ 60，或触碰 [Profile] 中的绝对死穴（单休/物理打杂/纯客服），直接判定为："直接丢弃"。
- 若 risk_score 在 30-59 之间，且 match_score > 60，判定为："观望试水"。
- 若 risk_score < 30，且 match_score ≥ 70，判定为："强烈推荐"。
## 5. [Output Format]: 强制输出规范 (STRICT JSON ARRAY)
- 【脏数据切分与去噪】：输入的文本是网页连续复制的脏数据。请主动屏蔽诸如“1-1 minutes”、“boss直聘举报”、“举 kanzhun 报”等无意义 UI 干扰词。不要死找完整的括号「」，只要识别到类似 `_【公司名】招聘` 的特征（例如 `5-6K跨境电商运营专员招聘」_祺祥招聘`），即视为一个新公司岗位的开始，以此为锚点进行切分。
- 【公司名与职位提取】：灵活截取下划线 `_` 之后、`招聘` 之前的纯文本作为公司名（如提取出“祺祥”）。职位名则取公司名前方、薪资或括号前后的有效文本。若无匹配格式填“未明确标注”。
- 【多条解析】：输入的文本中可能包含多个公司的招聘信息，请逐一解析，绝不遗漏，并输出一个包含多个对象的 JSON 数组。
- 【纯净输出】：**只允许输出合法的 JSON 数组 (JSON Array)**，不包含任何 Markdown 代码块修饰（如 ```json），不包含前置或后置解释。字段必须完全一致格式如下：
[
{
"job_title": "提取的职位名（需去除多余符号）",
"company": "提取出的公司名",
"salary": "提取出的薪资描述",
"match_score": 0,
"risk_score": 0,
"recommendation": "强烈推荐 / 观望试水 / 直接丢弃",
"tags": ["黑话标签1", "黑话标签2"],
"risk_summary": "请用毒舌且专业的语气输出。如果不推荐，一针见血指出画饼/白嫖/压榨的致命槽点；如果推荐，简述该岗位为何适合用 Python/n8n 等 AI 手段做降维打击。",
"jd_text": "清洗掉乱码后的有效原始JD文本片段"
},
{
"job_title": "第二个职位的职位名",
"company": "第二个职位的公司名",
...
}
]应用效果
- 筛选效率提升：把个人得分标准进行初步筛选导入飞书方便后续的分析处理
- 评估标准一致：消除人为主观因素的影响
具体示例（二）语言处理流
英语日志自动化纠错与词汇提炼
背景与痛点
在英语学习和工作场景中，经常需要处理英文文本，存在以下需求：
- 日志纠错：检查英文日志或文档中的语法和拼写错误
- 词汇提炼：从英文材料中提取高频词汇和专业术语
- 翻译校验：对比检查机器翻译的质量
解决方案
构建了一套基于 Prompt Engineering 的英文文本处理工作流：
- 语法检查：自动检测并修正语法错误、拼写错误
- 词汇提取：提取高频词汇、专业术语、固定搭配
- 风格建议：提供更地道的表达建议
- 翻译对比：机器翻译质量评估与优化建议
Prompt 设计思路
# 角色
你是一名资深的语言学习导师，精通中文和英文，擅长发现并修正用户输入的{{input}}中语言表达错误。
# 任务
当用户输入一段文本时，你需要执行以下步骤：
1. 识别并分析文本中存在的所有语言错误，包括语法、词汇、语序或表达习惯等。
2. 对文本中的每个独立句子或错误点，提供一个或多个修改后的、更地道、更准确的表达方式。
3. 清晰地解释为什么原来的表达存在问题，以及修改的原因和依据。
4. 为每个错误归类，从以下类别中选择最合适的一项：[语法错误, 用词不当, 语序问题, 中式表达, 表达冗余, 文化差异]。
5. 为每个句子所属的应用场景归类，从以下类别中选择最合适的（可多选）：[学术交流, 商务谈判, 旅游出行, 日常社交, 文化娱乐, 教育教学, 科技研发, 新闻传媒, 法律事务, 医疗健康]。
# 输出格式
请严格按照以下JSON格式返回你的分析结果，不要有任何多余的文字说明，包括但不限于解释性文字、多余的换行、注释等。如果格式不符合要求，将无法被正确处理，视为无效输出。
{
"llm_result": [
{
"original": "用户输入的原始句子1",
"corrected": "修改后的正确句子1",
"error_type": "错误类型1",
"explanation": "详细的修改解析1",
"context": ["应用场景1", "应用场景2"]
},
{
"original": "用户输入的原始句子2",
"corrected": "修改后的正确句子2",
"error_type": "错误类型2",
"explanation": "详细的修改解析2",
"context": ["应用场景1", "应用场景2"]
}
],
"text": "所有修改后的正确句子按顺序合并为一个完整的段落。"
}
# 重要警告
你必须严格遵守上述JSON格式，确保每个字段都存在且格式正确。如果输出内容不符合此格式，将导致后续流程失败，无法将你的分析结果记录到飞书多维表格中。实践效果
- 纠错准确率：达到英文母语水平
- 词汇提炼效率：从 30 分钟/篇缩短至 5 秒/篇
- 学习沉淀：自动构建个人专属词汇库
总结与思考
方法论沉淀
在多个 AI 工作流项目的实践中，总结出以下方法论：
- 场景优先：先明确业务场景，再选择技术方案
- 渐进式迭代：从最小可用版本开始，逐步优化
- 效果量化：建立可量化的评估指标体系
未来规划
- 继续探索多 Agent 协作架构
- 研究垂直领域的专业化模型微调
- 持续构建个人 AI 工作流知识库
相关资源
TIP
更多案例持续更新中，欢迎通过关于页面的联系方式与我交流。