长期为头部 Web3 产品提供功能测试反馈与产品改进建议。独立撰写钱包产品深度竞品分析，梳理主流产品的功能对比与 UX 差异，获产品团队直接关注和认可，建立了与多部门产品团队的长期双向协作关系。

观察到"大多数人都会设置年度目标，但缺乏把目标拆解到每日行动的机制"这一普遍痛点。复盘是公认有效的成长方式，但手动复盘门槛高、难以坚持。

产品定位：AI 驱动的每日复盘工具。用户每天口述回答"今天过得是否有意义"，AI 自动提取关键词、关联历史内容，生成从日复盘到年度成长地图的完整链路。选择 AI 口述替代手动输入，将每次复盘门槛从 10 分钟降到 30 秒。同步基于 BNB Chain 和 Solana 构建 SBT 成就系统——区别于 Token 经济模型，SBT 不可转让、只能通过每日打卡获得，让激励回归成长本身。

角色与成果：独立完成用户痛点验证、竞品调研、产品设计、全栈开发（Next.js + TypeScript + TailwindCSS + DeepSeek AI + 区块链）。最终进入 BNB 黑客松决赛轮。

我不是传统程序员，但 AI 工具让我能把想法快速变成可用的产品。

【AutoTile】

Mac 缺少好用的自动窗口整理工具，我用 Swift 做了一个菜单栏工具，根据窗口数量自动均匀排布，收获了真实用户和 3 个 star。

【UI Design Skill】

受够了千篇一律的 AI 风格网页，我做了一个 Claude Code Skill，通过结构化问卷帮用户明确设计方向，配合 AI 工具输出更符合预期的 UI。

这些项目覆盖了 macOS 原生应用、Web 前端、AI 工作流，证明了我用 AI 工具快速学习和落地产品的能力。

与 Binance 合作发起"币安人生"全球 Meme 征文活动，独立完成赞助商沟通、方案策划、海报统筹、奖金筹集、团队组建及评选执行全流程。

活动上线 7 日内累计曝光 100 万+，吸引 1300+ 人投稿，成为行业内具有影响力的社区征文活动。该活动 format 发布后，行业内也出现了类似的活动形式，验证了活动模型的可复制性。

两年半时间，在 X 和 YouTube 上围绕科技、AI、商业领域做内容。从一个人、一个账号开始，到独立跑通内容选题、制作、运营到商业化的完整闭环。

X 账号 0→1.6w 粉丝，YouTube 0→5500 订阅，累计输出 2w+ 条文字、120+ 条视频。18 个月内实现超 200 万元商业收入，验证了内容驱动商业化的能力。

与 Binance、OKX、Bitget 等头部平台建立深度合作，担任 Solana、Arbitrum 中文大使。各类商业合作累计金额超 200 万，覆盖品牌活动、内容共建与社群运营。

AI 领域的变化大部分来自英文世界。我能够无障碍阅读英文技术文档、论文和产品资讯，日常跟进 OpenAI、Anthropic、Google Gemini 等海外一线动态，同时关注 DeepSeek、字节豆包、阿里通义等国内模型的快速迭代。在与海外项目方合作的经历中，也验证了英文商务沟通和协作能力。

我还运营微信公众号「升级实验室」，将 AI 领域的前沿动态和工具实践整理为中文内容，降低国内读者的信息门槛。博士阶段 7 篇 SCI 论文的科研训练，让我习惯性地追踪、整理和输出前沿信息。这种持续学习的能力，让我能在 AI Agent 这个快速演进的领域保持同步。

【身份与全域接入 Agent】

【为什么做】

现有 Agent 沙盒方案（Manus、Browser Use 等）本质上是在虚拟机里给 Agent 开一个浏览器。但问题在于：大多数高价值信息不在浏览器里——它在 app 里、在付费墙后面、在需要登录才能访问的页面里。Agent 能看到的只是互联网的"表面"，而不是真实用户的信息环境。

同时，Agent 缺一个"身份"。平台不知道它代表谁，自然不给权限、不给个性化内容。这让 Agent 的信息获取能力大打折扣。

【为什么比别人好】

现有方案在卷"让 Agent 更会浏览网页"，我们在卷"给 Agent 一个真实用户的手机和账号"。这不是优化，是方向不同——我们让 Agent 以用户的真实身份去获取信息，而不是以陌生人的身份去爬公开网页。

【竞品调研与差异化】

我们调研了当前最接近的方案：
- Agent-Reach（GitHub 11K+ stars）：覆盖 16 个平台的统一 CLI 工具，通过 Cookie 注入让 Agent 访问封闭平台。但只是工具集合，每个平台单独配 Cookie，没有统一的身份概念，也没有长期记忆。
- Web-Access：通过 Chrome CDP 复用用户浏览器登录态。只能浏览器，不能 app。
- ax-xhs-cli：基于 macOS Accessibility API 操作小红书。单平台、速度慢、锁屏不可用。

这些方案都在解决"能不能读到"，但没有解决两个更深的问题：（1）Agent 以什么身份去读——平台不知道它代表谁；（2）读完能记住什么——没有用户画像积累。

【实现路径】

第一步：从 X、YouTube 等自媒体平台切入（我们已有大量数据和使用经验），构建统一的认证/cookie 管理层，让 Agent 以用户身份跨平台获取 feed 流、私信、付费内容。
第二步：扩展至移动端 app 信息抓取，覆盖微信、小红书、社群消息等封闭生态——这是现有所有方案都做不到的一步。
第三步：基于各平台的内容偏好数据，建立跨平台用户画像的长期记忆体系，让 Agent 越来越了解"这个人关心什么、喜欢什么、忽略什么"。

【个人投资决策 Agent】

【为什么做】

当前 LLM 在投资场景中有两个硬伤：一是讨好型人格——你说要买什么，它都帮你找理由，缺乏独立判断；二是信息局限性——它不知道你仓位多少、风险偏好是什么、已经看了哪些信息，只能给泛泛而谈的废话。

更根本的问题是：市场上 AI 交易 Agent 全在卷自动执行——连接钱包、下订单、跑策略。但让用户亏钱的真的不是"下单不够快"，而是"决策本身就不对"。

一个真正的投资伙伴，应该是敢跟你唱反调的。当你想 All in 的时候，它问你有没有想过亏了怎么办。

【为什么比别人好】

不做执行层，做决策层。Agent 需要同时理解三层信息——你是谁（仓位、偏好、投资风格）、你看到了什么（信息源和正在接触的观点）、世界在发生什么（宏观数据、市场动态、政策变化）。在这三层信息交叉验证的基础上，提供有结构的、不讨好你的、最终帮你把决策想清楚的辅助。

区别于市场同质化的"AI 自动跟单 / AI 策略执行"，我们聚焦的是决策形成过程——那些 AI 交易 Agent 解决不了的部分。

【实现路径】

第一步：仓位追踪 + 用户偏好建模。让 Agent 知道你的持仓分布、历史行为和风险态度。
第二步：信息层对接。接入实时新闻、链上数据、社交情绪，构建信息来源的可追溯网络。
第三步：苏格拉底式决策对话。不只回答"该不该买"，而是追问"你为什么想买"、帮你检查前提假设是否成立。让 Agent 成为思考的陪练，而非答案机器。
第四步：记忆积累。每次决策过程沉淀为个人投资知识图谱，随时间演进。