Agent 工作流设计
将自然语言任务拆成意图识别、澄清、检索、生成、校验、人审、执行、重试和审计日志等节点。
AI Product Portfolio · Retail Operations
Agent Workflow / Retail Operations / Human-in-the-loop
AI 原生流程产品经理：面向零售运营的人机协作与 Agent 工作流设计
聚焦 Agent 工作流、Copilot 体验、异常分支和效果评估。项目证据来自 Data Agent 原型、Agent 工作流评估与 AI Skill 产品化实践，适合参与零售运营场景中的 AI 原生流程探索。
核心方法：将复杂业务任务拆成可观察、可验证、可回退的人机协作链路，明确模型、规则、工具和人工确认各自的边界。
What I Bring
可迁移能力
聚焦 AI 原生流程、Agent 工作流、人机协作边界和异常处理相关能力。
人机协作边界
判断哪些环节适合模型生成，哪些需要规则校验、工具调用或人工确认。
异常与失败路径
关注数据缺失、权限不足、用户不信任、工具调用失败、结果无法解释等真实流程问题。
效果衡量
关注任务效率、判断质量、复核通过率、人工介入点和 badcase 修复，而不只看调用次数。
Concept Case
门店缺货预警 Copilot
该案例为面向目标岗位的产品方案样例，用于展示场景建模、流程拆解和边界设计能力。
风险触发库存偏低、销量异常、门店反馈或促销活动触发巡检。
↓
数据召回库存、销量、在途、促销、历史异常和门店备注统一进入上下文。
↓
风险判断识别可能缺货原因，标注置信度和数据缺口。
↓
人工确认补货、调拨、促销影响等动作进入人工确认后再执行。
↓
复盘沉淀记录采纳、拒绝、异常原因和失败案例，用于后续迭代。
从库存查询到可复核的缺货风险判断
门店运营和供应链团队每天需要判断哪些门店、哪些 SKU 存在缺货风险，以及是否需要补货、调拨或人工跟进。该问题不是简单查询库存，而是要综合销量、库存、在途、促销、门店反馈和历史异常，给出可解释、可复核的判断。
- 用户澄清：当用户只问“哪些商品危险”时，先确认区域、门店、时间范围和品类。
- 上下文召回：组合结构化数据与非结构化反馈，避免只依赖单一库存字段。
- 结果解释：输出缺货风险、可能原因、证据来源和不确定性，支持人工复核。
- 人审边界：补货、调拨、促销影响等高风险动作必须进入人工确认。
风险触发 → 数据召回 → 判断解释 → 人审执行 → 复盘
Agent Workflow
Context Design
Human Approval
Badcase Review
Design Principles
AI 原生流程设计原则
判断 AI 是否真正进入业务流程，不只看生成能力，还要看上下文、边界、责任和复盘机制。
01
先看任务流
从触发点、输入、判断、行动、异常和结果出发，而不是先定义一个 AI 功能。
02
候选先于执行
AI 可以生成候选判断和候选动作，但高风险业务决策需要保留人工确认。
03
依据可追溯
让用户看到结论来自哪些数据、规则或历史异常，降低黑箱决策风险。
04
异常可回退
数据缺失、权限不足、工具失败和用户不信任都应有明确处理路径。
05
结果要沉淀
采纳、拒绝、复核、失败原因和后续效果应进入迭代记录，形成产品资产。
Selected Work
项目证据
项目顺序与简历主线一致，用于证明 Agent 工作流、评估方法和 AI Skill 产品化能力。
Text2SQL / Data AgentStateGraph · Human Approval · Audit Log
Text2SQL / Data Agent Prototype
可验证的数据 Agent 工作流，本地原型。重点验证如何把模糊问题转化为可执行、可校验、可回退的数据查询链路。
- 工作流：设计意图识别、澄清、Schema 检索、SQL 生成、SQL 校验、人工审批、执行、重试和审计日志。
- 边界：模糊意图触发澄清，高风险操作进入人工确认，执行失败进入重试。
- 迁移价值：可迁移到库存查询、异常解释、规则判断等运营数据场景。
Skill Lens5 维度评估 · 失败路径 · 责任边界
Skill Lens / Agent 工作流评估
用于审计 Agent / Skill / Prompt / 工作流的方法，重点判断 AI 是否真正进入任务链路，而不是只停留在问答层面。
- 评估维度：架构设计、决策节点、失败路径、提示词 / 接口边界、责任边界。
- 任务链路：关注任务理解、工具调用、结果校验、失败恢复、用户确认与产物保存。
- 场景适配：可用于复盘缺货 / 超卖、跨系统数据不一致、审批流和 AI 建议与人工经验冲突。
科学营养顾问 Skill讯飞二等奖 · Top 8 · OpenClaw 600+ 下载
科学营养顾问 Skill
AI Skill 产品化与 Copilot 式状态管理实践，覆盖 12+ 健康管理场景。
- 状态管理：设计用户档案、本地日志、今日剩余看板和场景触发词体系。
- 产品化：将一次性问答扩展为可持续使用的 AI 工作流，验证触发词设计和平台发布能力。
- 外部验证：讯飞 ClawHub 二等奖、专区 Top 8、OpenClaw 600+ 下载。
Fit Scenarios
适合解决的问题
适用于 AI 产品、Agent 产品、业务流程自动化和 Copilot 类岗位的能力展示。
AI 能力找场景
已有 LLM / Agent 能力，但需要判断应落到哪些真实任务流中。
Demo 走向流程
已有 demo，但缺少人审、失败恢复、数据边界和效果评估。
跨团队翻译
需要在业务、数据、算法、研发之间把场景翻译成可验证的工作流。
Copilot 产品化
希望做能进入任务链路的 Copilot / Agent，而不只是一个问答助手。
Scope
说明
关于 Concept Case 与项目经历
“门店缺货预警 Copilot”为面向目标岗位的产品方案样例，用于展示场景建模、流程拆解、Agent 工作流和人机协作边界设计能力；项目证据部分来自个人实际完成或公开分发的 AI 原型、评估方法与 Skill 产品化实践。