01 / 关于我
先统一口径，再谈智能
我的专业是财务管理。它教给我的不是记账，而是对口径、规则、流程的敏感——两个数字放在一起比较之前，必须先确认它们说的是不是同一件事，否则算得再快也没有意义。
后来我去看家教中介的真实工作流，发现他们的困境并不在于「没有 AI」：需求散落在微信聊天记录和 Excel 里，录入靠手工；科目写法千奇百怪、地区层级不一、课酬单位混着「每小时 / 每次 / 每天」；到了匹配环节，只能一个人在几百位老师里翻表格凭经验挑。我把这些收敛成三句话：信息进不来、进来的是脏数据、数据用不起来。
于是我从需求调研、方案设计、全栈实现一路做到服务器部署，把这三件事逐个解决。整个过程让我更确定一件事：AI 产品的难点从来不在模型本身，而在于怎么让它在脏数据和不确定的输入下依然可靠地被用起来。
口径
科目别名、课酬单位、行政区划先归一再计算。口径不统一，匹配分数就没有意义。
规则
能用确定性规则解决的绝不交给大模型——硬性条件上「不可证即不推荐」。
降级
假设 AI 一定会失败：超时、返回非 JSON、结果为空，都提前备好兜底路径。
闭环
把中介「最终确认了哪位老师」当作现成的标注数据，离线校准排序质量，而不是拍脑袋定权重。
02 / 作品 01 · 独立完成
家教中介 AI 辅助信息管理系统
把「翻记录找老师」变成「一键出候选名单」：AI 智能录入负责把脏数据挡在门外，四层匹配架构负责把最合适的人排到最前面。
我把它收敛成三件事
01
信息进不来
师生需求散落在微信聊天记录和 Excel 表格里，录入全靠手工，一位学生建档就要好几分钟。
02
进来的是脏数据
科目写法千奇百怪、地区层级不一、课酬单位混着「每小时 / 每次 / 每天」，口径不统一就没法比较。
03
数据用不起来
匹配靠人翻表格凭经验，几百位老师里挑一位，响应慢且容易漏掉真正合适的人选。
能力一 · AI 智能录入：让脏数据进不来
- 任意输入 → 结构化档案粘贴微信派单文本，或直接丢一行任意表头的 Excel，都能转成标准档案，覆盖学生 24+ 字段与教师 17+ 字段（含课酬区间、分级定价、老师要求、是否急单、线上线下等业务字段）。
- 枚举约束年级、科目、服务类型、课酬单位全部用固定枚举清单约束模型取值，从源头上不产生脏数据。
- 防幻觉提示词显式要求「原文没有的字段一律留空，不要编造」，并针对「派单编号里的数字不是课酬」这类高频误判做定向约束。
- 混合兜底大模型负责理解非结构化表达，正则负责抓中文金额、频次、编号，两者取并集互补。
- 永不失败管道模型超时、返回非 JSON、结果为空时自动回退正则解析，核心流程不中断。
能力二 · 智能匹配：四层架构，各司其职
这套设计的核心判断是：不是所有判断都值得交给大模型。能用规则确定的先用规则砍掉，把大模型留给它真正擅长的语义判断。
-
硬性否决
服务类型无交集、老师要求（性别 / 院校档位 / 专业）不满足 → 直接淘汰。
取舍用规则，不做模糊判断：不可证即不推荐。
-
条件匹配分
科目 / 年级 / 位置 / 时间 / 预算 五维加权打分，并输出覆盖度与缺失标注。
取舍缺失维度不参与加权（Σ(sᵢwᵢhasᵢ)/Σ(wᵢhasᵢ)），把「没信息」和「匹配一半」区分开。
权重 时间 25% ｜ 预算 20% ｜ 科目 20% ｜ 年级 20% ｜ 位置 15%
-
LLM 质量评估
经验适配、教学风格 × 学生性格契合度、目标对症、履历亮点与风险，输出结构化 JSON + 置信度。
取舍只让大模型做规则不擅长的语义判断，而不是让它算距离和预算。
-
排序融合
候选池内归一化后加权融合；LLM 环节失败时退化为纯算法榜。
取舍原始分直接加权会因量纲不同产生隐性篡权，必须先归一化。
关键迭代 · 成本与延迟
单次匹配的 LLM 调用量
500 次 18 次
单次匹配耗时（500 位老师测试数据）
5–8 分钟 10–13 秒级
首版对全部老师逐一调用大模型，500 位老师单次匹配要 5–8 分钟，显存也吃紧。重构为「传统算法粗排（算法分 ≥40 分 + Top 20）→ 只对候选池做 LLM 精排」后，调用量降了两个数量级。AI 的成本与延迟是产品能不能用的前提，不是技术细节。
能力三 · 数据治理与稳定性：让 AI 敢被用
- 科目别名归一奥数 / 数竞 / 竞赛数学 / 数学竞赛 → 数学；雅思 / 托福 / 英语口语 → 英语；道法 / 思品 → 政治。
- 课酬单位折算每 2 小时 / 每 3 小时 / 每次 / 每天统一折算为「每小时」，才能放在一起比价。
- 地区解析行政区划标准化 + 同区 / 相邻区关系 + 经纬度距离打分。
- 防误杀科目或年级无法可靠解析时不硬判死，降级走软评分——脏数据不该被当成不匹配。
- 不静默失败LLM 精排失败时明确标注失败原因并降级为纯算法榜，绝不静默返回一个错误的结果：匹配结果错一位，中介可能就联系错了老师。
工程与上线：证明它真的跑起来了
部署
- Ubuntu + Nginx（静态托管 + /api 反向代理）+ systemd 进程守护
- 公网只放行 22/80/443，后端仅监听内网 127.0.0.1:8000
- 一键部署 / 升级脚本幂等可重复执行，且永不触碰线上数据目录
稳定性
- 自动备份：每 6 小时检查、超 24 小时生成快照、保留 14 份；日志 5MB × 5 轮转
- 提供方配置原子写（先写 .tmp 再替换），防中途崩溃损坏配置
- API 密钥落盘掩码显示，客户端不出现明文密钥
踩坑与修正
- Web 版构建产物白屏，定位为相对路径配置问题，用构建配置分支隔离修复
- 识别出 SQLite + 后台任务架构下只能单进程运行的约束，并固化进部署文档
- 设计了桌面版与 Web 版之间的数据无损迁移流程
测试
- 后端 22 个测试文件，覆盖匹配正确性、批量匹配、AI 解析、多提供方配置、鉴权与备份等关键链路
- 把中介的最终确认结果回流为标注数据，用 Recall@N / MRR 离线验证排序质量
界面实拍
以下均为系统真实运行界面，点击可放大查看。
智能匹配单个学生一键出候选名单，右侧抽屉把学生需求与教师档案并排对照，直接标出预算、区域、时间上的匹配与冲突
匹配度拆解综合得分由算法分与 AI 分融合；经验适配、风格 × 性格契合、目标对症、亮点与风险逐项给出依据，可一键确认匹配
批量匹配一键匹配全部学生，批量输出对应教师、匹配分与判定理由
学生管理主编号 + 辅助编号双标识，按年级、区域等条件筛选；支持 AI 智能导入派单、列名映射导入与 Excel 导出
教师管理档案覆盖学历、可教科目与年级、经验、区域、期望薪资等字段，支持多条件检索与导入判重
数据看板核心指标、近 30 天匹配趋势与热门学科分布
模型与数据设置本地 Ollama 与 OpenAI 兼容远程提供方一键切换，含模型下载、数据存储位置、授权与备份
03 / 作品 02 · 个人实践
本地 AI 绘画工作流（ComfyUI）
AI 视觉 · 本地部署
- 本地环境独立完成 ComfyUI 本地部署，装齐 18 个自定义节点插件（ControlNet Aux、IPAdapter、Impact Pack、UltimateSDUpscale、GGUF、视频生成节点等），本地模型库含 23 个 ControlNet 模型。
- 自建工作流自己搭并保存了 Z-Image-Turbo 8 步出图工作流（1280×960），节点全部中文标注，出图链路 UNet → 双 CLIP 编码 → K 采样 → VAE 解码 一目了然。
- 能力范围文生图 / 图生图 / ControlNet 构图控制 / IPAdapter 风格迁移 / 高清放大。
把 AI 从「会用别人的工具」，推到「能自己搭工作流、调参数、稳定出片」。
04 / 能力清单
我能做什么
AI 产品
- Prompt 工程与结构化输出约束
- LLM 能力边界与降级策略
- 多模型提供方与成本 / 延迟权衡
- 排序质量评估（Recall@N / MRR）
- 防幻觉与可解释性设计
产品设计
- 需求调研与痛点拆解
- 业务流程梳理
- 功能架构与数据模型设计
- 规则引擎与 AI 分级协作设计
- 上线部署与运维闭环
数据与工具
- SQL / Excel 数据处理
- 数据口径与清洗规则设计
- Axure / Figma / 墨刀 原型
- 了解 Python、React、FastAPI、SQLite、Electron、Nginx