我是谁
我是赵天琦，也可以叫我 Tianqi Z.。AI Product Explorer 是我对当前探索状态的描述，不是一段被包装出来的正式工作头衔。
我正在把对复杂系统、数据和流程的理解，转化为面向真实用户任务的 AI 产品判断、原型和评测实践。
从交通工程理解复杂系统
交通工程让我从参与者、约束、路径、反馈和异常理解复杂系统，也训练了我通过数据分析、仿真建模与流程优化检验判断。这些方法延续到 AI 产品中，就是先拆清场景和用户任务，再讨论模型、工作流与验证方式。
从工具使用者到产品构建者
- 从使用 AI 工具解决具体问题开始，记录有效输入、输出与失败情况
- 用 Prompt 明确任务、上下文、输出约束和判断标准
- 通过 Agent 与 RAG 组织工具调用、知识检索、人工确认和异常恢复
- 把 Evaluation 放进产品迭代，保留样本、条件、结果与复盘依据
为什么关注游戏 AI
游戏是人与角色、系统和智能体长期交互的复杂场景。我关注角色如何表达与记忆、NPC 如何理解玩家、内容如何被持续创造，以及玩家如何与虚拟世界建立关系；这些是产品机会判断，不代表已经实现的功能或未经证实的个人游戏数据。
[!TIP] 游戏 AI 的价值不只在“生成更多内容”，也在于让角色、叙事和玩家反馈形成更可理解、更可控制的体验闭环。
我的产品方法
我通常按照“需求分析 → 场景拆解 → 快速原型 → Prompt / Agent 设计 → 测试评估 → 迭代优化”推进：先确认用户要完成什么，再判断 AI 应该进入哪一步，以及哪里必须由人接管。
原型用于验证交互和数据契约；测试记录用于暴露失败类型；迭代则回到需求、Prompt、工作流或产品边界，而不是只更换模型重新尝试。
对 AI 能力边界的判断
Evaluation 不是只给一个平均分。它需要说明任务、样本、模型、Prompt、运行条件、原始输出、人工判断和失败类型，才能帮助团队判断下一轮应该改产品、改工作流还是补充数据。
大模型擅长生成、重组和归纳，但流畅表达不等于事实。信息不足时应暴露缺口；涉及敏感数据、不可逆操作或高风险建议时，应保留人工确认、纠正、退出和安全回退。
[!WARNING] 作品集页面只描述仓库或已有案例材料中能够确认的能力，不把规划项写成已实现结果，也不补写用户量、转化率或商业成绩。
可核验的项目实践
当前作品集包含模型评测工作台、移动端 UIAgent 评测、智能座舱、游戏内容生产、PDF 学习助手与角色陪伴应用等公开 GitHub 项目；另有一项游戏增长工作流保留为 Local case。每个案例都说明项目定位、用户问题、产品目标、我的职责、技术方案、当前状态和证据边界。
当前求职方向
- 游戏 AI 产品经理
- AI 应用产品经理
- AI Agent 产品方向
- AI 产品评测与大模型应用实践
联系方式
- GitHub：https://github.com/cccc-clt
- 项目案例：/projects/