孟进 MeJn
简历 PDF
正在寻找 AI 产品经理机会 长沙

把现场问题，
做成 AI 产品。从业务出发，
让系统跑起来。

我是孟进，8 年企业软件交付出身。
定义问题、构建 AI 产品，用证据验收。Java 开发起步，长期在企业交付一线。
从需求、构建到部署，把验收做完。我是孟进。8 年企业软件交付，让我熟悉需求背后的业务与约束。现在，我把这份经验带进 AI 产品：定义问题、做出原型，验证它是否解决了问题。我是孟进，Java 开发起步，长期在企业软件交付一线。现在用 AI 协作开发，从需求、架构、部署到排障，把系统做出来，也把验收做完。

看核心案例下载简历

8 年企业软件交付 · 绩效域独立实施 · AI 产品实践
开发 → 项目管理 → 售前与产品 → AI 实践

我的产品，正在运行。作品实拍
知识库管理界面实拍，不代表实时回答
知识产品 / 管理界面实拍

从资料到答案，需要一条证据链。

当前截图展示知识库管理。回答与来源的设计行为，在案例中另作示意。

进入案例真实截图 · 范围见案例说明
01 现场 / FIELD02 判断 / DECIDE03 构建 / BUILD04 验证 / VERIFY

先看两件事：
产品怎么做，业务怎么落。

一个自主 AI 产品，说明我如何定义可靠性。
一段真实绩效域交付，说明我如何在业务约束中做判断。

查看项目全景

项目指引智能问答

把分散的制度资料，变成能查依据的回答。

我的角色 · 产品定义 / 架构与选型 / 评测与验收；AI 协作实现

自主原型 · 真实资料验证

验证 / 交付结果持续用于本人资料查询；保留 104 条对照评测问题，用回归判断修改是否有效。

项目指引智能问答 / 实拍PRODUCT VIEW
项目指引智能问答真实产品界面
管理界面实拍（历史版本）；不作为回答正确性的证明。回答与依据的行为示意见下方。

答案必须能回到原文。

HR 场景需要可信的回答。我先定义证据与拒答行为，再把检索、规则、人才与数据查询接进同一套产品。

事实
自主部署知识问答产品，54 篇资料拆成 6,202 个知识单元，用真实项目资料验证。
我的判断
模型理解问题；规则、数据库和原文证据提供事实。没有直接依据时明确处理。
仍有限制
自主原型，非客户正式上线产品。历史问答量主要来自本人使用，未证明外部采用。
查看项目档案与更新
进一步：产品机制与验证过程

三种典型问题，对应三种设计行为。以下是前端流程示意与示例数据，不执行实时查询。

试试看：
Q试用期员工的绩效怎么算？
路由 → 制度类 · RAG检索 → 示例命中 3 个单元依据判定 → 支持

试用期员工纳入考核范围，按月度周期单独核算，指标由直接上级在试用期计划中下达……

依据：绩效操作手册 §4.2 · 试用期管理办法 §2.1
Q研发中心有几个 P6 以上的人？
路由 → 数据类 · SQL只读查询 · 白名单表审计留痕

示例结果：17 人。真实产品需完成只读校验、脱敏与审计。

单条 SELECT · 自动 LIMIT · 结果脱敏
Q公司年会大概什么时候办？
检索 → 0 命中依据判定 → 无关

未找到直接依据——知识库不含此类信息，不猜测、不硬答。

拒答优先于编造

无依据时明确说不知道，是这套系统被设计出来的原因之一——HR 场景里，一个编出来的答案比没有答案危险得多。

绩效域交付与 AI 工作流

在复杂交付里，保留人的判断，减少重复劳动。

我的角色 · 绩效模块独立实施负责人 / 人才标签方案兼责

真实业务交付 · 汉得驻场

验证 / 交付结果蓝图完成阶段签字回款，总部与 3 个战区试运行后启动全集团推广。

自主绩效 AI 工作台 / 实拍PRODUCT VIEW
自主绩效 AI 工作台界面，与客户交付分开说明
这是自主验证产品的界面，不是客户生产系统。真实交付依据为需求报告、蓝图与试运行记录。

先做范围取舍，再把重复环节交给 AI。

绩效域交付里，调研、蓝图、方案评审和报表必须连成一条线。我在现场负责这条线，并把 AI 引入其中的重复环节。

事实
大型连锁企业绩效模块，从需求调研、蓝图、配置与报表，推进到试运行和推广。
我的判断
蓝图将绩效标签改用已有筛选方案；特批校准不落地，指标拆解跟踪保留线下。
仍有限制
真实业务结果属于 HR 系统交付；AI 工作流为个人方法，自主绩效 AI 工作台为验证产品。
查看项目档案与更新
进一步：产品机制与验证过程

三个工作流对应实施的三个重复环节——AI 出初稿和评审意见，人做业务判断和终审：

蓝图 AI 辅助设计调研材料 → AI 生成蓝图框架与方案文本 → 人工业务校准。30+ 业务场景的需求报告，从堆材料到成稿快一截。
客开方案 AI 评审客开需求 → AI 评估必要性、风险与替代方案 → 砍掉及合并 30%+ 非必要客开——需求不是照单全收，先过一遍筛。
报表 SQL AI 开发取数规则 → AI 生成语义模型 SQL → 测试环境验证后交付。20+ BI 报表与驾驶舱由此而来。

定位始终是辅助实施，不是替代判断——方案签字之前，每一处都过人眼。

判断力，
留在具体的取舍里。

从企业绩效蓝图里选出三条真实记录。
每一次决定，都需要同时考虑业务目标、系统能力和风险。

决定 / 用已有能力替代

已有筛选能力，承接绩效标签需求。

现场问题

绩效标签需求进入蓝图，需要选择实现方式。

我的判断

蓝图选择用已有筛选方案替代，避免把需求直接等同于新增客开。

留下的记录

在开发差异点清单中记录替代路径；具体业务权衡可在面试中展开。

依据：2025 年绩效蓝图《十项开发差异点》 · 项目资料摘要，未公开客户原件

验证 / 自主知识问答产品

更复杂的检索，
先过对照评测。

增强检索方案进入 A/B 对照后，未通过稳定门禁，默认保持关闭。模型和架构的复杂度，需要由产品效果来证明。

判断 → 对照 → 保留基线
看看我如何排查“答案不准”
  1. 确认问题是否在知识范围内。
  2. 检查路由是否分对、正确单元是否进入召回。
  3. 检查排序和证据判定，定位丢失发生在哪一步。
  4. 核对原始资料是否缺失或过期。
  5. 沉淀成评测问题，修复后回归。
回到知识问答案例

另外两个试验场。

排班验证数据判断，桌面 Agent 验证操作边界。
完整证据按需展开，原型与验证范围保持可见。

FatFish 桌面 AI Agent

一个有记忆、有入口，也有操作边界的桌面伙伴。

我的角色 · 产品定义 / 人格与能力边界 / 日常使用与真机验收；AI 协作实现

自用产品 · 持续迭代
补充案例产品界面

能干活的 Agent，先要有清楚的授权边界。

自用与小范围试用，不代表商业验证。部分能力仍在迭代，完整状态见项目档案。

看项目档案
展开本人判断与验证过程
FatFish 桌面 AI Agent / 实拍PRODUCT VIEW
FatFish 桌面 AI Agent真实产品界面
Daily Review 实拍；用于查看桌面 Agent 的日常工作流。

能干活的 Agent，先要有清楚的授权边界。

我把分散的 AI 工具放进日常可用的桌面入口。人格、记忆与执行能力一起设计，敏感动作通过确认卡放行。

事实
桌面 Agent 整合语音、对话、截图、工具执行、长期记忆与技能入口。
我的判断
人格化降低使用门槛；文件、命令和写操作保持明确授权，工具能力与权限分别处理。
交付结果
本人日常使用，并进行小范围朋友试用；版本、缺陷与迭代记录持续积累。
仍有限制
自用与小范围试用，不代表商业验证。部分能力仍在迭代，完整状态见项目档案。
查看项目档案与更新
进一步：产品机制与验证过程

三块能力：语音、干活、记忆——敏感操作（文件、命令、写动作）一律确认卡：

语音三阶段本地唤醒词 + 按住说话 + 免提连续对话，说话可打断（VAD 本地检测）；GLM 流式对话，情绪与动作标记驱动 92 张立绘。
真的能干活待办直达工作台、截图转待办、文档产出（md/html/docx）、Excel 数据分析、浏览器 AI 操作（登录态读取 + 写操作确认卡）、会议录制与纪要。
记忆与人格长期记忆全文检索 + 空闲自动巩固；角色卡体系；人格交互经十轮真实使用校准——回温不幼化、先开口但不打扰。
长成技能平台文件整理、Excel 洞察、知识对账、会议准备等独立技能陆续挂载——桌宠只是它的外形，AI Agent 才是它真正的身体。

SmartScheduler 药店智能排班

从经验排班，走向可解释的预测与规则。

我的角色 · 立项 / 数据方案 / 评估标准与验收；AI 协作实现

自主构建 · 模拟数据验证
补充案例产品界面

好看的预测分数，需要能被复现。

模拟数据与离线验证阶段，未在门店生产运行。仍需真实门店数据、泛化与安全验证。

看项目档案
展开本人判断与验证过程
SmartScheduler 药店智能排班 / 实拍PRODUCT VIEW
SmartScheduler 药店智能排班真实产品界面
排班产品真实界面；展示原型能力，不代表真实门店生产部署。

好看的预测分数，需要能被复现。

客流影响排班，但药师配比、工时和休息是硬约束。我把需求拆成预测与约束求解两部分，并先约定怎样评价预测。

事实
设计客流预测与约束求解排班的完整流程，经历多轮方案与产品迭代。
我的判断
训练与预测窗口分开，固定评估协议，保留无效路线，避免用未来数据制造高分。
交付结果
记录 7 轮迭代与外部模型评审；形成可解释的预测、班表与约束验证流程。
仍有限制
模拟数据与离线验证阶段，未在门店生产运行。仍需真实门店数据、泛化与安全验证。
查看项目档案与更新
进一步：产品机制与验证过程

预测模型最容易自欺——把评估做严，比把模型调高更难也更重要。这套系统立了三条军规：

零泄露协议训练数据物理截断到 2026-06-30，7 月真实客流只用于打分，绝不进训练集——从根上杜绝「用未来预测过去」的假高分。
无效方案存档层级预测、log1p 损失、调容量……每条失败路线都记录在案，评审时不重复踩坑，也避免「忽然变好」的偶然被当成规律。
固定种子可复现同一版本跑 3 次，五项时段指标完全一致。说不清怎么复现的结果，不算结果。

历史模型评测形成了可复核记录；仍需真实门店数据与泛化验证，当前结果不作为生产承诺。

作品之外，还有一套持续积累的工具。

文档、Excel、知识、任务、质量验证——按项目查看状态、更新与限制。

37份项目档案
截至 2026-09-30

给 AI 一套
能工作的制度。

把知识、工具与验收接在一起。
AI 可以向前走，写入之前，停下来等人的判断。

把资料整理成报告

交互流程示意 · 不会调用 AI、读取资料或写入文件

目标、资料与边界，进入同一条工作流。

FatFish个人工作台

用合适的工具交付文档、演示与数据。

文档演示Excel

FatFish 负责执行。
问题、边界和验收，由人负责。

写操作的确认卡

核对内容、来源与保存位置，
确认之后，流程才继续。

端到端验证项目档案

沿着五个阶段，查看一个任务如何从输入走向可追溯的交付。

静态流程示意

这套系统在我的日常工作里使用，部分工具仍在迭代。
流程示意用于解释设计；真实功能与状态，见各项目档案。

逐项查看真实状态
01FIELD

走进现场

调研、蓝图、上线与推广，
理解真实工作怎么发生。

绩效域交付
02DECIDE

做出判断

哪些值得做，哪些该替代，
把边界先定义清楚。

三条真实取舍
03BUILD

构建产品

我定义需求与标准，
AI 协作实现，持续迭代。

FatFish 桌面 Agent
04VERIFY

验证结果

真实环境验收、对照评测，
限制与结果一起留下。

排班评估与边界

每一次转身，
都带着上一段经验。

从写代码，到理解业务和推动交付，再到自主构建 AI 产品。

完整经历在一页简历里

  1. 开发起步，学会交付。

    Java 开发 → 企业软件项目经理。经历零售 HR 系统全模块交付、数据集成与 CRM 项目上线。

  2. 走进需求，形成产品判断。

    项目管理、售前与产品设计；从调研、蓝图、原型到客户培训，理解方案如何落进组织。

  3. 负责绩效域，推进真实交付。

    需求、蓝图、配置、报表、试运行与推广，在企业现场承担完整模块责任。

  4. 自主构建，走向 AI 产品。

    知识问答、智能排班和桌面 Agent；把业务经验带进问题定义、产品实现与证据验收。

AI 产品经理 / FDE · 长沙

聊聊你正在
解决的问题。

如果团队需要一个能理解业务、定义问题，
也能把 AI 产品做出来并验证的人，欢迎联系我。

发邮件给我下载简历
邮箱mengjin0522@163.com电话155 7602 1876
城市 / 到岗长沙 · 一个月内